-
公开(公告)号：CN105761415A
公开(公告)日：2016-07-13
申请号：CN201610214540.9
申请日：2016-04-07
Applicant: 北京大学南京创新研究院 , 南京北大工道软件技术有限公司
Inventor： 张吉
IPC: G08B17/10
CPC classification number: G08B17/10
Abstract: 本发明涉及一种带有定位功能的火警烟雾报警器，其特征在于，所述烟雾报警器包括RFID读取模块、A/D转换模块、信号放大器、烟雾传感器、MCU、存储器、按键、声光报警装置、电源模块以及电子载波通讯模块，所述RFID读取模块、按键、声光报警装置、指示灯、A/D转换模块、功放模块、存储器、电源模块、电子载波通讯模块均与MCU相连。该技术方案具有人员和物资定位功能，带有RFID标签的人员或是物资进入到烟雾报警器探测范围后，烟雾报警器可以直接记录RFID标签信息并上报平台。平台将RFID与人员或物资信息对应后存储。当发生火灾时，远程平台可以立刻知道人员或重要物资所处位置，为救援节约了时间。
-
公开(公告)号：CN105696861A
公开(公告)日：2016-06-22
申请号：CN201610211952.7
申请日：2016-04-07
Applicant: 北京大学南京创新研究院 , 南京北大工道软件技术有限公司
Inventor： 张吉
CPC classification number: E05B17/2084 , G08B13/08
Abstract: 本发明涉及一种基于锁芯开动声音识别的防盗装置，其特征在于，所述防盗装置包括装置本体，装置前面板、装置后面板以及设置在装置本体内部的控制单元，所述装置前面板上设置有工作指示灯、控制按钮、扬声器，所述装置后面板上设置有磁吸、声音识取器以及电池后盖。该防盗装置安装使用方便，并且装置本身自带磁吸盘，可以直接吸附在普通金属防盗门上，安装方便，通过锁芯转动的声音识别判断开锁动作，结合布防时间，将安防报警时机提前，更加安全。
-
公开(公告)号：CN103902342A
公开(公告)日：2014-07-02
申请号：CN201410151514.7
申请日：2014-04-16
Applicant: 北京大学工学院南京研究院
Abstract: 本发明涉及封闭环境下系统更新升级方法，所述方法包括以下步骤，1）软件维护人员将升级文件使用预编码协议算法编码成二进制数据流，并通过彩色二维码编码工具，将其生成彩色二维码；2）将生成的彩色二维码放置在载体上呈现于待升级装置的摄像头前；3）待升级装置中预置的更新升级服务读取彩色二维码，并通过彩色二维码解码模块解析，之后将解析出的二进制数据通过预编码协议解析还原出原始升级文件；4）更新升级服务使用还原出的升级文件对应用程序或是软件系统进行更新升级。该方法升级更新过程中彩色二维码介质无需与待升级的装置接触，升级过程智能可靠，支持数据加密，实现了封闭环境下系统更新升级。
-
公开(公告)号：CN103795793A
公开(公告)日：2014-05-14
申请号：CN201410031286.X
申请日：2014-01-23
Applicant: 北京大学工学院南京研究院
IPC: H04L29/08
Abstract: 本发明公开了一种基于双服务器集群的道路车辆监控平台系统，包括数据中心，数据中心分别连接监控管理服务器集群以及通信服务器集群，监控管理服务器集群统一连接管理终端，通信服务器集群统一连接车载终端；其中数据中心包括相互连接的WebGis服务器以及数据库服务器；所述通信服务器集群包括两台以上的通信服务器，每个通信服务器具有唯一的物理IP地址，通信服务器集群虚拟出一个通信服务器集群IP地址；所述监控管理服务器集群包括两台以上的监控管理服务器，监控管理服务器集群虚拟出一个监控管理服务器集群IP地址；所述WebGis服务器用于提供地图引擎服务；所述数据库服务器保存所有车载终端与对应的通信服务器的映射表。
-
公开(公告)号：CN113255895B
公开(公告)日：2023-06-16
申请号：CN202110632199.X
申请日：2021-06-07
Abstract: 本发明涉及一种基于图神经网络表示学习的结构图对齐方法和多图联合数据挖掘方法。该方法对训练数据中的图进行子图采样；通过有标注的已经对齐的节点对，利用图神经网络学习子图中节点的低维向量表示；根据子图中节点的低维向量表示计算节点之间的相似度，并以相似度作为依据对图进行对齐，最终获得训练好参数的图神经网络；在推测阶段，对待对齐的两图通过训练好的图神经网络得到每个节点的低维向量表示，进而计算节点之间的相似度，并以相似度作为依据对两图进行对齐，进而利用对齐后的多图数据进行联合数据挖掘。本发明在有监督的设置下，考虑了模型的表达性能，损失函数设置，以及表示向量空间约束和可扩展性，实现了对已有方法的提升。
-
Patent Agency Ranking
公开(公告)号：CN113255895A
公开(公告)日：2021-08-13
申请号：CN202110632199.X
申请日：2021-06-07
Abstract: 本发明涉及一种基于图神经网络表示学习的结构图对齐方法和多图联合数据挖掘方法。该方法对训练数据中的图进行子图采样；通过有标注的已经对齐的节点对，利用图神经网络学习子图中节点的低维向量表示；根据子图中节点的低维向量表示计算节点之间的相似度，并以相似度作为依据对图进行对齐，最终获得训练好参数的图神经网络；在推测阶段，对待对齐的两图通过训练好的图神经网络得到每个节点的低维向量表示，进而计算节点之间的相似度，并以相似度作为依据对两图进行对齐，进而利用对齐后的多图数据进行联合数据挖掘。本发明在有监督的设置下，考虑了模型的表达性能，损失函数设置，以及表示向量空间约束和可扩展性，实现了对已有方法的提升。
-
公开(公告)号：CN111950594A
公开(公告)日：2020-11-17
申请号：CN202010673816.6
申请日：2020-07-14
Applicant: 北京大学
Abstract: 本发明涉及一种基于子图采样的大规模属性图上的无监督图表示学习方法和装置。该方法包括：根据属性图的结构信息和节点属性信息，对属性图进行子图采样，生成多张子图；利用属性图的结构信息、节点属性信息和社区信息，在每个子图上进行图自编码器的学习，得到属性图中节点的低维向量表示。图自编码器包括编码器和解码器；编码器采用图卷积神经网络；解码器包含图结构损失重构解码器、图内容损失重构解码器以及图社区损失重构解码器。本发明支持用户利用此方法以无监督的方式学习大规模属性图中的节点的低维向量表示，这些向量表示会尽可能保留图上的拓扑结构信息和节点属性信息，这些向量作为输入应用于不同的下游任务来对图进行数据挖掘任务。
-
公开(公告)号：CN103795793B
公开(公告)日：2017-04-12
申请号：CN201410031286.X
申请日：2014-01-23
Applicant: 北京大学工学院南京研究院
IPC: H04L29/08
Abstract: 本发明公开了一种基于双服务器集群的道路车辆监控平台系统，包括数据中心，数据中心分别连接监控管理服务器集群以及通信服务器集群，监控管理服务器集群统一连接管理终端，通信服务器集群统一连接车载终端；其中数据中心包括相互连接的WebGis服务器以及数据库服务器；所述通信服务器集群包括两台以上的通信服务器，每个通信服务器具有唯一的物理IP地址，通信服务器集群虚拟出一个通信服务器集群IP地址；所述监控管理服务器集群包括两台以上的监控管理服务器，监控管理服务器集群虚拟出一个监控管理服务器集群IP地址；所述WebGis服务器用于提供地图引擎服务；所述数据库服务器保存所有车载终端与对应的通信服务器的映射表。
-
公开(公告)号：CN112785331B
公开(公告)日：2024-10-15
申请号：CN202110018824.1
申请日：2021-01-07
IPC: G06Q30/0201 , G06Q30/0601 , G06F16/901 , G06F16/906
Abstract: 本发明设计了一种结合评价文本的抗注入攻击的鲁棒推荐方法和系统。该方法包括：1)采用图神经网络模型，利用图上已知信息和计算出的统计信息，训练评价打分预测模型；2)利用文本生成模型和预测打分训练个性化评价文本生成模型；3)根据评价打分预测模型与个性化评价文本生成模型的预测值与真实值误差，训练攻击检测模型。本发明集评价打分预测模型、个性化评价文本生成模型、攻击检测模型于一体，使三个任务协同起来，互相促进。该方案充分利用评价文本信息，对“水军”用户产生的反馈数据做了更细粒度的划分和利用，同时可以自动缓解电商推荐平台中“注入攻击”对推荐精确度造成的影响，提升推荐算法的鲁棒性。
-
公开(公告)号：CN111950594B
公开(公告)日：2023-05-05
申请号：CN202010673816.6
申请日：2020-07-14
Applicant: 北京大学
IPC: G06F18/21 , G06F18/23213 , G06N3/0455 , G06N3/0464 , G06N3/088 , G06N3/084
Abstract: 本发明涉及一种基于子图采样的大规模属性图上的无监督图表示学习方法和装置。该方法包括：根据属性图的结构信息和节点属性信息，对属性图进行子图采样，生成多张子图；利用属性图的结构信息、节点属性信息和社区信息，在每个子图上进行图自编码器的学习，得到属性图中节点的低维向量表示。图自编码器包括编码器和解码器；编码器采用图卷积神经网络；解码器包含图结构损失重构解码器、图内容损失重构解码器以及图社区损失重构解码器。本发明支持用户利用此方法以无监督的方式学习大规模属性图中的节点的低维向量表示，这些向量表示会尽可能保留图上的拓扑结构信息和节点属性信息，这些向量作为输入应用于不同的下游任务来对图进行数据挖掘任务。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.017 seconds)
