-
公开(公告)号：CN116956038A
公开(公告)日：2023-10-27
申请号：CN202310930804.0
申请日：2023-07-27
Applicant: 中南大学
IPC: G06F18/214 , G06F18/2321
Abstract: 本发明公开了一种用于网络舆情实时监控的流式高维数据降维方法，包括获取用于网络舆情实时监控的初始流式高维数据集；采用获取的数据集，通过参数化非线性降维方法获取初始嵌入函数；创建新数据嵌入进程、嵌入函数更新进程、嵌入更新进程；设置新数据产生源，通过产生的新数据更新创建的新数据嵌入进程、嵌入函数更新进程、嵌入更新进程；采用更新结果，替换获取的初始数据集、初始嵌入函数；重复上述步骤，直到新数据不再产生，完成用于网络舆情实时监控的流式高维数据的降维处理；本发明方法能够实现更高的嵌入质量；同时，提出约束嵌入函数的更新，以提高嵌入结果的时序稳定性；本发明方法的准确性提高、能够满足数据处理要求。
-
公开(公告)号：CN114926495A
公开(公告)日：2022-08-19
申请号：CN202210539892.7
申请日：2022-05-17
Applicant: 中南大学
IPC: G06T7/20 , G06T11/20 , G06V10/762 , G06V10/774 , G08G1/01 , H04N7/18
Abstract: 本发明公开了一种交通视频流的数据处理方法，包括获取待处理的路口交通视频流数据；采用多目标跟踪算法对视频流数据进行运动轨迹提取；对运动轨迹进行还原、清洗和属性计算；计算得到最终的连续交通流数据信息。本发明还公开了一种包括所述交通视频流的数据处理方法的轨迹可视化方法，以及包括所述交通视频流的数据处理方法和轨迹可视化方法的分析方法。本发明通过可视化呈现路口监控视频中的轨迹信息及其动态演变，以让用户快速理解视频内容，辅助用户进行实时分析；因此，本发明方法能够处理，呈现和可视化监控视频中复杂的交通动态信息，能够快速处理并得到路口轨迹中的连续交通信息流，适用于各种交通路口场景，而且可靠性高、准确性好。
-
公开(公告)号：CN114710259A
公开(公告)日：2022-07-05
申请号：CN202210286826.3
申请日：2022-03-22
Applicant: 中南大学
Abstract: 本发明公开了一种多方联合的安全PCA投影方法，包括第一协作方生成Paillier密钥对并将公钥发送给第二协作方和各数据拥有方；各数据拥有方加密自身的高维数据并发送第二协作方；第二协作方计算得到加密数据的协方差矩阵；第一协作方和第二协作方计算投影矩阵；第一协作方和第二协作方计算得到联合投影结果并发送各数据拥有方，完成PCA安全多方投影。本发明还公开了一种包括所述多方联合的安全PCA投影方法的数据相关性分析方法。本发明能够在保护隐私的前提下保持投影效果，而且可靠性高、安全性好且投影效果较好。
-
公开(公告)号：CN114579865A
公开(公告)日：2022-06-03
申请号：CN202210234945.4
申请日：2022-03-11
Applicant: 中南大学
IPC: G06F16/9535 , G06F16/9537
Abstract: 本发明公开了一种无轨迹时空统计数据的运动提取方法，包括获取原始的无轨迹时空统计数据；建立数据的起始帧密度图和终止帧密度图；建立对运动提取过程进行约束的约束图；选择最优传输方法提取运动信息并可视化，得到密度图和矢量场形式，完成无轨迹时空统计数据的运动提取。本发明还提供了一种包括所述无轨迹时空统计数据的运动提取方法的野火运动提取方法。本发明基于创新的算法，能够提取出物理上可行、易于理解且考虑了环境因素和用户领域知识的运动信息；本发明方法能够对无轨迹时空统计数据运动信息进行提取，不仅考虑了环境因素，而且可靠性高、实用性好。
-
公开(公告)号：CN114329300B
公开(公告)日：2022-05-20
申请号：CN202210244755.0
申请日：2022-03-14
Applicant: 中南大学
IPC: G06F16/958 , G06F21/62 , G06K9/62
Abstract: 本发明公开了一种基于数据安全性的多方投影方法，包括获取服务器和客户端集合；服务器构建全局模型和初始的全局字典并下发客户端；客户端初始化本地模型并得到他方字典、训练新的本地模型和对本地数据进行投影，并将本地模型和部分投影结果上传服务器；服务器聚合得到新的全局模型和新的全局字典并下发客户端；重复上述步骤，服务器得到最终的投影模型；服务下发投影模型到客户端；客户端采用投影模型投影本地数据并将结果上传服务器；服务器将接收到的所有投影结果绘制到一张散点图上，完成多方投影。本发明还提供了一种包括所述基于数据安全性的多方投影方法的多方生产数据分析方法。本发明方法的投影效果好、安全性高且效率较高。
-
Patent Agency Ranking
公开(公告)号：CN114329300A
公开(公告)日：2022-04-12
申请号：CN202210244755.0
申请日：2022-03-14
Applicant: 中南大学
IPC: G06F16/958 , G06F21/62 , G06K9/62
Abstract: 本发明公开了一种基于数据安全性的多方投影方法，包括获取服务器和客户端集合；服务器构建全局模型和初始的全局字典并下发客户端；客户端初始化本地模型并得到他方字典、训练新的本地模型和对本地数据进行投影，并将本地模型和部分投影结果上传服务器；服务器聚合得到新的全局模型和新的全局字典并下发客户端；重复上述步骤，服务器得到最终的投影模型；服务下发投影模型到客户端；客户端采用投影模型投影本地数据并将结果上传服务器；服务器将接收到的所有投影结果绘制到一张散点图上，完成多方投影。本发明还提供了一种包括所述基于数据安全性的多方投影方法的多方生产数据分析方法。本发明方法的投影效果好、安全性高且效率较高。
-
公开(公告)号：CN112000897B
公开(公告)日：2022-03-25
申请号：CN202010397619.6
申请日：2020-05-12
Applicant: 中南大学
IPC: G06F16/9536 , G06F16/9538 , G06Q50/00
Abstract: 本发明公开了一种用于提升节点中心性的链路推荐方法，包括选取待分析的网络并获取对应的网络节点；计算网络节点关于待分析的网络中剩余节点的中心性敏感度，以及网络节点与待分析的网络中剩余节点建立链路的链路代价；对待分析的网络中的网络节点进行推荐度排序；根据推荐度排序结果得到最终的链路推荐方案。本发明还公开了包括了所述用于提升节点中心性的链路推荐方法的用户推荐方法。本发明根据选定的研究节点计算该节点对网络中其他节点的链路代价和中心性敏感度，并根据链路代价和中心性敏感度对备选节点进行排名，并通过多步链路建立方式对链路建立过程进行优化，能给用户推荐能够有效提高研究节点中心性、可靠性高且实用性好的链路。
-
公开(公告)号：CN111382274A
公开(公告)日：2020-07-07
申请号：CN202010208815.4
申请日：2020-03-23
Applicant: 中南大学
Abstract: 本发明公开了一种有标签高维数据的最优投影集合方法，包括获取需要投影的有标签高维数据的所有类别对；计算类别对之间的类别对可分离向量空间；对可分离高维空间范围求交集得到可分离向量空间的交空间；选取可分离向量空间的交空间中的轴组成二维投影集合并得到最终的最优投影集合。本发明还公开了包括所述有标签高维数据的最优投影集合方法的情感文本分类方法。本发明通过类别对可分离向量空间的交集选取交空间中的轴组成二维投影集合，来组成最终的有标签高维数据的最优投影集合，因此本发明方法能够有效帮助呈现有标签高维数据中的类别信息，而且可靠性高，实用性好。
-
公开(公告)号：CN108171785A
公开(公告)日：2018-06-15
申请号：CN201810061647.3
申请日：2018-01-22
Abstract: 本发明提供了一种用于光线跟踪的SAH‑KD树设计方法，包括：步骤S1、在进行所述SAH‑KD树的构建之前，对节点中的当前根节点的所有三角面片进行预处理；步骤S2、按层次递归构建所述SAH‑KD树，生成当前所述节点的左、右子节点的有序包围盒序列，并计算出当前层次每个所述节点的包围盒的三个维度的表面积；步骤S3、求出当前节点需要划分的维度，生成每一层所有所述节点的空间树和候选划分点，计算出每个所述候选划分点对应的SAH值；步骤S4、选择最小SAH值对应的所述候选划分点作为当前节点的最优划分点，并将该当前节点分成左、右两个子节点。与相关技术相比，本发明提供的用于光线跟踪的SAH‑KD树设计方法构建的SAH‑KD树性能好且效率高。
-
公开(公告)号：CN107423763A
公开(公告)日：2017-12-01
申请号：CN201710619475.2
申请日：2017-07-26
Applicant: 中南大学
IPC: G06K9/62
CPC classification number: G06K9/6232 , G06K9/6219
Abstract: 本发明公开了一种高维数据的二维投影方法，包括建立基于测地距离的数据点相关性度量；建立局部子空间差度量；建立局部子空间差-测地距离投影，完成高维数据的二维投影。本发明还提供了实现所述高维数据的二维投影方法的投影系统。本发明在对非线性数据降维的过程中保持了数据的内蕴结构，兼具子空间探索分析和直观方便的交互操作，能够帮助用户在探索和分析高维数据时能够快速发现数据的聚类结构，而且对子空间聚类和分析来说是可靠的技术基础，在高维数据处理中显著减少了试错次数和分析结果的冗余度，提高了数据探索的可靠性。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.022 seconds)
