-
公开(公告)号：CN112581332B
公开(公告)日：2021-12-28
申请号：CN202011621540.3
申请日：2020-12-30
Applicant: 成都信息工程大学
Abstract: 本发明属于教育信息处理技术领域，公开了一种作业管理及评分信息处理方法、系统、互评抽阅仲裁方法，完成客观题的机器评阅并生成综合题互评任务队列和互评执行人队列、基于评阅者总人数计算评阅小组的数量；计算评阅小组中每位真实评阅者的实际工作量；根据实际工作量给各个评阅小组中的成员分配评阅任务；各评阅者完成分配的评阅任务后自愿进行奖励任务的领取，系统将记录奖励任务完成情况；将在互评截止后，通过二元语义计算模型整合各道题目的打分情况，生成互评得分，同时开放仲裁申诉平台；提供给学生对互评题目提起申诉的通道，同时整合教师仲裁结果，重新生成最终得分。本发明能合理有效进行任务分配，保证了最终评分的客观合理。
-
公开(公告)号：CN113408362A
公开(公告)日：2021-09-17
申请号：CN202110572050.7
申请日：2021-05-25
Abstract: 本发明公开了用于无线信号的离散傅里叶变换插值的非迭代DOA估计方法，该估计器利用了输入数据的两个最高幅度离散傅里叶变换(DFT)系数和它们的两个相关的相邻箱子，提供准确的DOA估计，分析DOA估计的偏差和均方误差，仿真结果验证理论推导的正确性本发明的有益效果是：简化计算步骤，提高操作效率。
-
公开(公告)号：CN107124377A
公开(公告)日：2017-09-01
申请号：CN201710279067.7
申请日：2017-04-25
Applicant: 成都信息工程大学
IPC: H04L12/911 , H04L12/863 , H04L12/801 , G06F9/455
Abstract: 本发明涉及一种数据中心内流量带宽可约束的虚拟机动态聚合方法，其包括以下步骤：对初始状态虚拟机针对计算资源进行多级聚合；建立流量代价模型；定义聚团内交互流量ICIT以及聚团外交互流量ECIT；定义数据中心虚拟机聚合过程中总的流量交互代价；使用全局流量模型来描述任意初始虚拟机i和j之间的交互流量Tij；统计系统内当前所有等效虚拟机连通度；统计系统内当前所有等效虚拟机的经过转换系数转换的ICIT和ECIT；使用DWMTR进行虚拟机三级聚团操作；选出ECIT/ICIT值最大的等效虚拟机，测试是否能通过将其与其余核心交换机控制域内的ICIT/ECIT值升序排列的等效虚拟机对调；选用首次满足对调条件的等效虚拟机进行对调；重复前述过程，直至系统内所有虚拟机完成位置调整。
-
公开(公告)号：CN118000664A
公开(公告)日：2024-05-10
申请号：CN202410101569.0
申请日：2024-01-24
Applicant: 成都信息工程大学
IPC: A61B5/00 , G06F18/213 , G06F18/24 , G06F18/25 , G06N3/0464 , A61B5/369 , A61B5/372
Abstract: 本发明公开了一种基于多尺度时间残差收缩网络的睡眠分期模型构建方法，属于睡眠质量评估的技术领域，其包括将获取的EEG睡眠信号划分为EEG睡眠信号片段序列，并输入多尺度卷积模块中，提取EEG睡眠信号中的高频特征和低频特征；将提取的高频特征和低频特征输入注意力特征融合模块中进行特征融合，输出EEG睡眠信号融合特征；将EEG睡眠信号融合特征输入时间残差收缩模块中，并输出EEG睡眠信号状态特征；将EEG睡眠信号状态特征输入具有softmax激活函数的全连接层进行分类决策，得到睡眠阶段的分类结果。本发明能够优化睡眠分期性能，具有更好的分期准确性，在分类准确率等多个整体性能方面优于现有技术。
-
公开(公告)号：CN113420411B
公开(公告)日：2024-02-20
申请号：CN202110573650.5
申请日：2021-05-25
Abstract: 本发明公开了用于无线信号的高分辨率窄带DOA估计算法及实现方法，包括以下步骤：S1、建立二维天线阵列数据模型，在二维均匀矩形阵列模型中，仅在平面角#imgabs0#俯仰角#imgabs1#的回波方向范围内存在接收信号，对接收数据进行处理时，将回波方向均匀划分成K1×K2个网格点，每个网格点对应的平面角和俯仰角分别为#imgabs2#和#imgabs3#相邻阵元之间的间距为d，本发明SIAA算法针对自定义回波空间进行搜索，与IAA算法相比，进一步提高DOA估计的方向分辨率，而2‑DFFT与GS分解相结合的SIAA算法的快速实现方案则大大降低了运算复杂度，通过计算机仿真实验，与二维IAA算法采用相同网格数进行搜索的情况下，SIAA算法具有更高的角度分辨率，SIAA算法的快速实现大大降低了运算复杂度，增强了SIAA算法的实用性。
-
Patent Agency Ranking
公开(公告)号：CN116807479A
公开(公告)日：2023-09-29
申请号：CN202311086072.8
申请日：2023-08-28
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于多模态深度神经网络的驾驶注意力检测方法，属于驾驶注意力检测技术领域，为了解决现有驾驶注意力检测过程中用单一模态的指标去进行检测的可靠性不足的技术问题，包括：S1：获取原始公开数据集中的脑电数据和眼电数据；S2：分别对所述脑电数据和所述眼电数据进行预处理，得到预处理后的眼电数据和预处理后的脑电数据；S3：根据所述预处理后的眼电数据和所述预处理后的脑电数据，对多模态深度神经网络进行训练，得到训练好的多模态深度神经网络；S4：利用所述训练好的多模态深度神经网络对驾驶输入图像进行注意力检测，得到驾驶注意力检测结果。本发明能够有效地提升检测结果的准确性。
-
公开(公告)号：CN113420411A
公开(公告)日：2021-09-21
申请号：CN202110573650.5
申请日：2021-05-25
Abstract: 本发明公开了用于无线信号的高分辨率窄带DOA估计算法及实现方法，包括以下步骤：S1、建立二维天线阵列数据模型，在二维均匀矩形阵列模型中，仅在平面角俯仰角的回波方向范围内存在接收信号，对接收数据进行处理时，将回波方向均匀划分成K1×K2个网格点，每个网格点对应的平面角和俯仰角分别为和相邻阵元之间的间距为d，本发明SIAA算法针对自定义回波空间进行搜索，与IAA算法相比，进一步提高DOA估计的方向分辨率，而2‑DFFT与GS分解相结合的SIAA算法的快速实现方案则大大降低了运算复杂度，通过计算机仿真实验，与二维IAA算法采用相同网格数进行搜索的情况下，SIAA算法具有更高的角度分辨率，SIAA算法的快速实现大大降低了运算复杂度，增强了SIAA算法的实用性。
-
公开(公告)号：CN110163333B
公开(公告)日：2020-06-09
申请号：CN201810021291.0
申请日：2018-01-10
Applicant: 成都信息工程大学
IPC: G06N3/04
Abstract: 本发明涉及一种卷积神经网络的并行优化方法，其包括：用winograd算法f(2x2,3x3)进行卷积神经网络的卷积核运算，以降低时间复杂度并减少乘法运算次数；对不存在循环数据依赖的for循环结构部分，使用OpenMP开辟多个线程进行运算；对模式相同的数据运算部分进行向量化处理，使其能够实现一次指令多次运算。采用本发明的方法改进的卷积神经网络程序能够大幅度提高并行的效率、减少运算的复杂度，从根本上降低运算开销，降低程序的运行时间。
-
公开(公告)号：CN108132872B
公开(公告)日：2020-04-03
申请号：CN201810021292.5
申请日：2018-01-10
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于并行超算网格云平台的GRAPES系统优化方法，其包括：S1)载入测试数据集并运行系统，分别进行系统级测试、通信级测试和函数级测试，其包括：S1.1)系统级测试；S1.2)通信级测试；S1.3)函数级测试：对调用的函数进行监控，获取函数的运行特征。S2)根据导出的系统特征文件进行测试结果分析，其包括：S2.1)系统测试结果分析；S2.2)MPI通信级测试结果分析；S2.3)函数级测试结果分析。S3)根据分析结果进行优化处理，优化处理包括：向量化、负载均衡、使用库函数替代GRAPES_GFS中的函数。本发明解决了Grapes在并行超算网格平台上的优化问题，提高了系统运行效率。
-
公开(公告)号：CN110162736A
公开(公告)日：2019-08-23
申请号：CN201810021260.5
申请日：2018-01-10
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于消去树的大型稀疏对称线性方程组并行处理方法，其包括以下步骤：步骤1：对A矩阵进行LU分解；步骤2：进行前推回代，计算Ly＝b，求出y，然后Ux＝y，求出x；采用基于消去树的双重任务划分法并行前推回代；步骤3：进行X数组重组，其包括：重组X数组，使得单个线程计算所需的数据位于内存中连续的空间；步骤4：进行循环合并，将除法运算与X数组重组等循环合并入前推回代过程，减小循环迭代开销与OpenMP线程创建开销。本发明通过基于消去树的双重任务划分法进行并行计算，充分利用了多核计算资源，显著提高了大型稀疏矩阵前推回代速度。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.023 seconds)
