一种基于D-S证据理论的频谱感知准确率提升技术

    公开(公告)号:CN108322276A

    公开(公告)日:2018-07-24

    申请号:CN201810050534.3

    申请日:2018-01-18

    Abstract: 本发明公开了一种基于D-S证据理论的频谱感知准确率提升技术,首先根据认知用户的历史感知数据,计算认知用户在历史行为中的可信度值,从而剔除那些可信度低于一定阈值的认知用户选出具有代表性的认知用户参与频谱感知。根据历史数据筛选出来的认知用户,结合D-S证据理论方法,再次从代表性认知用户中选择更适合的认知用户参与频谱感知,从而可以判断当前信道的可用性。本发明能够有效地减少频谱感知过程中的能量消耗,同时有效地提高了频谱感知的准确率。

    基于评分机制的森林优化算法的特征选择方法

    公开(公告)号:CN106991432A

    公开(公告)日:2017-07-28

    申请号:CN201710130391.2

    申请日:2017-03-07

    CPC classification number: G06K9/6231 G06N20/00

    Abstract: 基于评分机制的森林优化算法的特征选择方法属于一种新的演化算法,从候选集选优策略、单个特征对特征集合的评分策略角度出发,够让具有较高适应度值的解具有更高的被选中的概率。使得每一次的选择不是完全随机的,而是带有一定的倾向性。从而能降低陷入局部最优解的概率,能够快速、有效的搜索到近似最优的特征子集。可应用在社交网络分类、web文本数据挖掘、图像处理等高维数据领域,能够起到很好的降维作用。

    一种基于车辆网络的移动感知聚类半异步联邦学习方法

    公开(公告)号:CN119089219B

    公开(公告)日:2025-03-28

    申请号:CN202411081288.X

    申请日:2024-08-08

    Inventor: 金子龙 杨春

    Abstract: 本发明属于车辆网络通信技术领域,具体涉及一种基于车辆网络的移动感知聚类半异步联邦学习方法,包括以下步骤:将车联网划分为多层网络,每一层中的车辆根据模型训练时间和车辆上传时间进行聚类,所有车辆都被聚类到相应的网络层中参与联邦训练;根据不同网络层的车辆对模型的影响,给不同网络层的模型分配不同的权重;在半异步联邦学习MSAFL框架中,中央服务器在模型成功上传后立即执行聚合过程,无需等待所有车辆在给定迭代中完成上传;收集车辆内部和外部的感知数据,并利用本地计算单元处理数据,实现数据共享和联合学习。本发明能够在保护数据隐私的前提下,提高车辆间分布式学习的效率和效果。

    一种基于车辆网络的移动感知聚类半异步联邦学习方法

    公开(公告)号:CN119089219A

    公开(公告)日:2024-12-06

    申请号:CN202411081288.X

    申请日:2024-08-08

    Inventor: 金子龙 杨春

    Abstract: 本发明属于车辆网络通信技术领域,具体涉及一种基于车辆网络的移动感知聚类半异步联邦学习方法,包括以下步骤:将车联网划分为多层网络,每一层中的车辆根据模型训练时间和车辆上传时间进行聚类,所有车辆都被聚类到相应的网络层中参与联邦训练;根据不同网络层的车辆对模型的影响,给不同网络层的模型分配不同的权重;在半异步联邦学习MSAFL框架中,中央服务器在模型成功上传后立即执行聚合过程,无需等待所有车辆在给定迭代中完成上传;收集车辆内部和外部的感知数据,并利用本地计算单元处理数据,实现数据共享和联合学习。本发明能够在保护数据隐私的前提下,提高车辆间分布式学习的效率和效果。

    移动边缘网络中个性化联邦学习的成本效益协同优化方法

    公开(公告)号:CN118798392A

    公开(公告)日:2024-10-18

    申请号:CN202411084480.4

    申请日:2024-08-08

    Inventor: 金子龙 黄金明

    Abstract: 本发明属于移动边缘计算通信技术领域,具体涉及移动边缘网络中个性化联邦学习的成本效益协同优化方法,包括,数据集的收集和处理,收集高速公路交通数据集的轨迹数据和手写数字数据集的数字图片,并将数字图片调整为相同大小,节点评估,通过优劣解距离法来评估所有节点的好坏,节点选择,在所有节点概率确定的条件下,根据概率随机选择参与训练的移动节点,模型训练,分别利用MCLR和DNN网络训练处理过的训练集数据对模型进行训练,模型传输,将训练好的模型参数调整,并上传到边缘服务器。本发明能够有利于缓解数据高异构性的问题同时提高模型训练精度,并大大降低了传输成本和通信延迟。

    一种基于深度强化学习的战术通信网络业务成帧方法

    公开(公告)号:CN118381581B

    公开(公告)日:2024-10-11

    申请号:CN202410823316.4

    申请日:2024-06-25

    Abstract: 本发明公开了一种基于深度强化学习的战术通信网络业务成帧方法,包括:划分待成帧数据包的业务类型,将上层待成帧的数据包添加到相应的发送等待队列;当需要传输数据包时,确定传输队列;对传输队列进行成帧判断,若成帧,则第一队列利用基于深度强化学习的自适应帧生成算法或者第二队列利用高效率帧生成算法执行成帧操作,生成数据帧,并由物理层进行发送;接收端解析收到的数据帧。本发明中针对不同业务不同的QoS要求,分别使用不同的成帧算法,对于时敏业务使用基于深度强化学习的自适应帧生成算法,保证在吞吐量提高的基础上降低成帧时延;对于非时敏业务,使用高效率帧生成算法,提高了帧效率,以及提高瓶颈链路的信道利用率。

    一种基于yolov5和注意力机制模型的疵点检测方法

    公开(公告)号:CN114037684B

    公开(公告)日:2024-06-14

    申请号:CN202111316595.8

    申请日:2021-11-08

    Abstract: 本发明公开了一种基于yo1ov5和注意力机制模型的疵点检测方法,包括:基于yo1ov5网络和注意力机制模型构建疵点检测模型;对导入的工业疵点图像进行预处理,将预处理图像导入疵点检测模型,得到形状不同的三个输出特征层;对形状不同的三个输出特征层进行预测,生成边界框并预测类别;对图像上疵点的类别和疵点的位置信息进行显示,得到疵点检测图像。本发明可以有效的提高模型对空间特征和通道特征的学习,通过检测头可以实现对不同大小的疵点进行检测,提高了对于大疵点的检测效果,从而提高检测效率,解决了当前工业疵点检测算法很难同时保证检测算法的准确率及实时性。

    一种基于链路分类的非均匀带宽分配方法

    公开(公告)号:CN118118439A

    公开(公告)日:2024-05-31

    申请号:CN202410491110.6

    申请日:2024-04-23

    Abstract: 本发明提供了一种基于链路分类的非均匀带宽分配方法,具体为:步骤1:获取网络拓扑中的数据流量,并计算出每条链路的剩余带宽;步骤2:当发送主机向接受主机发送业务时,交换机解析数据包中数据分组的分组头,根据分组头该交换机在自身的流表中查询该数据分组有无对应流规则,若有,则按照对应的流规则进行业务的发送;否则转步骤3;步骤3:寻找业务传输的所有简单路径;步骤4:将路径上的所有链路分为空闲链路,普通链路和瓶颈链路;并对空闲链路和瓶颈链路分配带宽;步骤5:计算每条路径的权重,选择最优路径;步骤6:对最优路径中的普通链路分配带宽;步骤7:将最优路径每条链路所分配到的带宽下发给交换机实现非均匀带宽分配。

    自动驾驶感知场景下基于推理相似性的联邦学习方法

    公开(公告)号:CN117973457A

    公开(公告)日:2024-05-03

    申请号:CN202410382744.8

    申请日:2024-04-01

    Inventor: 金子龙 张驰

    Abstract: 本发明公开了自动驾驶感知场景下基于推理相似性的联邦学习方法,包括对感知数据的采集,对数据的处理和转化操作;对传输的模型参数进行初始化设置;将预处理后的感知数据输入训练网络中,选择不同超参数对模型进行训练;对训练出的模型提取其中的logits进行传输;路侧单元收到不同车辆上传的参数后进行相似性聚类并对每一类数据进行加权聚合,将聚合后的新参数分别发送给对应的车辆客户端;客户端学习新的数据并作出相应的判断。通过本发明提出的方法,减少了数据异质性对感知效果的影响并且降低了通信成本,同时还能消除数据传输中的安全问题。

    一种基于高阶能量约束的视频对象分割算法

    公开(公告)号:CN110390293B

    公开(公告)日:2023-04-25

    申请号:CN201910649351.8

    申请日:2019-07-18

    Abstract: 本发明公开了一种基于高阶能量约束的视频对象分割算法,包括以下步骤:将视频帧序列进行超像素分割;根据超像素分割结果,使用高斯混合模型,对预先给定的已标记帧前/背景区域分别进行颜色特征的建模,获得分割数据项;根据分割数据项,结合多种特征,建立时空平滑项;根据分割数据项和时空平滑项,加入高阶能量项;将高阶能量项近似为数据项和平滑项;使用图割算法完成分割。本发明在数据项和平滑项的基础上加入了一种基于SIFT特征的高阶能量约束来保证视频分割的全局一致性,解决了当视频对象是运动的且形状不规则、帧间光流存在明显干扰时,分割效果非常不理想的问题以及高阶能量项优化计算负载过高的问题。

Patent Agency Ranking