-
公开(公告)号：CN111124422A
公开(公告)日：2020-05-08
申请号：CN201911357483.X
申请日：2019-12-25
Applicant: 成都互诚在线科技有限公司 , 电子科技大学
IPC: G06F8/41
Abstract: 本发明为一种基于抽象语法树的EOS智能合约语言转换方法，通过孩子兄弟表示法（二叉链表树）存储抽象语法树各个节点，能够针对自定义文法构造，将EOS智能合约源码转化为功能等价的形式化验证语言，并通过加入符号表共同实现翻译动作，实现可定制化的翻译过程。用这种翻译方法翻译出来的EOS智能合约代码具有结构清晰、可复现、扩容性强、适应性强的特点，解决了形式化验证方法无法验证EOS智能合约源码的问题。本发明可扩容性强，实际应用表现十分良好，为区块链的智能合约翻译提供了有效的思路以及技术。
-
公开(公告)号：CN119006819A
公开(公告)日：2024-11-22
申请号：CN202411114276.2
申请日：2024-08-14
Applicant: 电子科技大学
Abstract: 本发明公开了基于量子多视图模糊c均值聚类的脑图像分割方法、系统及设备，属于图像处理领域，主要包括：对图像进行多视图特征提取，得到不同视图特征数据，并对不同视图特征数据进行视图自适应特征修正和权重调整；对不同视图特征数据进行参数量子化，其中所述参数包括聚类模糊度和聚类中心；利用目标函数优化量子化后的参数，得到最优的聚类模糊度和聚类中心；基于最优的聚类模糊度和聚类中心，利用视图融合方法整合来自不同视图的特征信息，获取最终的分割效果。本发明通过将模糊C均值聚类算法中的参数量子化，并利用量子位的转换过程获得实数编码值，能够在多个子空间中搜索最优解，可以更有效地处理高维数据并避免局部最优的问题。
-
公开(公告)号：CN118200340A
公开(公告)日：2024-06-14
申请号：CN202410435169.3
申请日：2024-04-11
Applicant: 电子科技大学
IPC: H04L67/1095 , H04L67/104 , H04L67/145 , H04L67/146
Abstract: 本发明涉及分布式集群技术领域，公开了一种不可靠网络条件下集群机器人的实时一致性方法，包括设计Learner状态节点，通过向可联系的Follower节点发送数据请求，适应非完全连通的网络拓扑结构；优化日志组织结构，通过时间戳和Leader节点ID唯一标识日志；设计节点两级优先级，第一优先级根据节点日志大小以及近期日志时间戳新旧程度动态更新，第二优先级在集群启动时配置并全局唯一；分区合并流程，设计分区之间合并以及分区间日志同步的流程；联合共识方法，通过联合Leader的共识方法解决在分区合并期间集群对外服务的问题。本发明同现有的技术相比，主要针对并解决了在网络分区、闪断情况下，集群分区内的选主、数据一致性问题。
-
公开(公告)号：CN111124485B
公开(公告)日：2023-03-10
申请号：CN201911328421.6
申请日：2019-12-20
Applicant: 成都互诚在线科技有限公司 , 电子科技大学
IPC: G06F8/72
Abstract: 本发明公开了一种基于中间语言的形式化规约语言简化方法，将应用程序转化为中间语言程序，然后将中间语言程序映射为Lolisa语言程序；所述中间语言程序包括类型finitpar_type和结构list_pars，采用类型finitpar_type将参数形式化为Type类型，采用结构list_pars将形式化参数列表整合为list类型。本发明将应用程序转化为中间语言程序，中间语言将简化形式化语言的语法，然后根据中间语言和底层的Lolisa语言的转换关系，将中间语言程序转化为Lolisa编写的形式化程序。本发明简化了形式化语言的数据类型和文法规则，提高了形式化验证的用户友好度。
-
公开(公告)号：CN114461629A
公开(公告)日：2022-05-10
申请号：CN202210125353.9
申请日：2022-02-10
Applicant: 电子科技大学 , 中国航发四川燃气涡轮研究院
IPC: G06F16/215 , G06F17/18 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种航空发动机温度标定方法、装置和存储介质，方法包括模型训练步骤，模型训练步骤包括以下子步骤：获取历史试验数据并进行分类，历史试验数据的类别包括基类数据和标准吹风试验数据，基类数据的数据量大且标签值准确度低，标准吹风试验数据的数据量小且标签值准确度高；初始化元模型，将基类数据输入元模型并进行训练；使用训练完成的元模型初始化温度标定模型；利用标准吹风试验数据训练温度标定模型。本发明不再依赖于物理测量方法，只需利用历史试验数据对模型进行提前训练，进行一次航空发动机温度标定所需成本更小，时间更短，同时减少了操作人员负担；相较于普通机器学习方法，模型训练成本更低，模型泛化效果更好。
-
Patent Agency Ranking
公开(公告)号：CN112330003A
公开(公告)日：2021-02-05
申请号：CN202011166750.8
申请日：2020-10-27
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于双向循环神经网络的周期型容量数据预测方法、系统及存储介质，该方法：通过对指标数据类型进行分类，将指标数据的数据类型分为趋势型、周期型和不规则型，从而提升指标预测效率；然后针对周期型的指标数据进行预测，并提出基于双向循环神经网络的预测模型，即首先通过忙闲分布算法，得到忙闲规律序列，再通过搭建包含一层双向基本循环神经网络和一层双向长短时记忆网络的双向循环神经网络模型，最后，再通过线性回归模型对双向循环神经网络输出的结果进行优化，得到最终的预测结果。因此，本发明能够在指标和业务的多样性的场景下，保证容量预测结果的准确率。
-
公开(公告)号：CN111368203A
公开(公告)日：2020-07-03
申请号：CN202010157620.1
申请日：2020-03-09
Applicant: 电子科技大学
IPC: G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于图神经网络的新闻推荐方法及其系统，首先通过用户行为生成层用户行为序列生成用户-新闻交互行为结构图，通过行为矩阵生成层生成用户-新闻行为交互矩阵，再由节点向量化模型层处理用户-新闻交互行为结构图生成全局目标新闻特征向量、由概率矩阵分解层处理用户-新闻行为交互矩阵得到局部目标新闻特征向量、用户特征向量；然后由融合层将全局目标新闻特征向量、局部目标新闻特征向量线性叠加为目标新闻特征向量，再对目标新闻特征向量、用户特征向量做内积得到用户对新闻的预测评分；将所有新闻的预测评分进行排序，选取顺序排在前K个的进行推荐。本发明满足了推荐新闻的时效性且有效结合用户的行为偏好及内容偏好。
-
公开(公告)号：CN118977477A
公开(公告)日：2024-11-19
申请号：CN202411044302.9
申请日：2024-07-31
Applicant: 电子科技大学
IPC: B32B9/04 , B32B37/15 , A23L3/358 , G01N21/33 , G01N21/80 , B65D65/40 , B65D65/46 , C08L5/12 , C08L5/00 , C08K5/053 , C08K3/22 , C08K5/1545 , C08J5/18
Abstract: 本发明提供一种可降解多功能纳米复合薄膜，所述薄膜为复合双层结构，主要由琼脂、花青素和TiO2纳米颗粒复合而成，旨在解决传统食品包装薄膜的不可降解、健康隐患和功能单一等问题。本发明采用琼脂和花青素等可降解材料制备薄膜，并添加半导体纳米颗粒二氧化钛(TiO2)作为保护层，赋予薄膜pH响应变色、抗紫外线和抗菌等多种功能，有效提高食品新鲜度和安全性，延长保质期，并减少环境污染。
-
公开(公告)号：CN116775495A
公开(公告)日：2023-09-19
申请号：CN202310881355.5
申请日：2023-07-18
Abstract: 本发明公开了基于时间序列的软件测试方法、系统、存储介质及设备，属于软件测试领域，使用PCA分析方法提取待测项目程序的特征，得到待测数据集，采用时间序列分割聚类算法对待测数据集进行初次聚类，并对初次聚类进行准确性评估，得到初次聚类结果；其中，聚类相同的一组项目模块代码进行具体功能的划分，得到一组新的测试用例，并根据新的测试用例划分新的待测试模块；对所述初次聚类结果使用时间序列分割聚类算法进行二次聚类，得到最终的测试用例集合。本发明能够准确提取出测试用例的功能模块，提升了软件测试各环节的覆盖面，实现更加智能化的聚类识别从而减少重复软件测试。
-
公开(公告)号：CN116187189A
公开(公告)日：2023-05-30
申请号：CN202310177140.5
申请日：2023-02-28
Applicant: 电子科技大学 , 中国航发四川燃气涡轮研究院
IPC: G06F30/27
Abstract: 本发明公开了一种基于深度强化学习的物理模型校准方法及系统，包括：从物理实验中观测到多通道的实验数据，并根据所述实验数据构建物理模型；将所述实验数据输入到深度学习模型中，通过深度学习模型对实验数据进行预测得到预测值；将所述预测值作为物理模型的中间变量参与物理模型的计算，得到仿真值；根据所述仿真值优化所述深度学习模型。本发明中深度学习模型的输出用于优化物理模型，物理模型的输出反馈优化深度学习模型形成嵌入式的融合模型，保证物理模型校准成功。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.027 seconds)
