-
公开(公告)号：CN112583575B
公开(公告)日：2023-05-09
申请号：CN202011413354.0
申请日：2020-12-04
Abstract: 本发明提供一种车联网中基于同态加密的联邦学习隐私保护方法，将基于同态加密的联邦学习引入车联网中，通过改进具有加法同态行的Paillier算法和具有乘法同态性的RSA算法，并结合AES算法和步长混淆的方式，同时采用分层加密技术，使加法同态在边缘端完成，而乘法同态在云端完成以提高加密效率，从而有效防止联邦学习恶意攻击，并有效降低加密导致的延迟的方法；该发明可以应用在车联网中进行隐私保护将联邦学习引入IoV中以解决用户隐私泄露问题。为了进一步地增强数据安全性，在联邦学习中引入高效的同态加密；而且改进了具有加法同态性的Paillier算法和具有乘法同态性的RSA算法，并结合AES算法和步长混淆的方式，构建一个具有全同态加密性的联邦学习架构。
-
公开(公告)号：CN112528730A
公开(公告)日：2021-03-19
申请号：CN202011128387.0
申请日：2020-10-20
Applicant: 福州大学
Abstract: 本发明涉及一种匈牙利算法下基于空间约束的成本矩阵优化方法，首先获取保存好的所有被跟踪目标的外观特征向量集合，然后获取该帧中所有行人检测的结果，并将他们结合构造初始的成本矩阵；接着根据之前被跟踪的目标的信息利用卡尔曼滤波来估计该目标的当前位置，根据估计位置和检测结果的相对关系来修改成本矩阵的权重，用于后续的指派任务；最后利用匈牙利算法获得成本矩阵的最优指派，据此将检测结果进行分配，并且更新和保存被跟踪目标的外貌特征。本发明能够根据视频场景来有效改善匈牙利算法的匹配效果，去除一些不合理的匹配。
-
-
公开(公告)号：CN105045880A
公开(公告)日：2015-11-11
申请号：CN201510430517.9
申请日：2015-07-22
Applicant: 福州大学
IPC: G06F17/30
CPC classification number: G06F17/30864 , G06F17/30985
Abstract: 本发明涉及一种不同数据源的兴趣点的模糊匹配方法，包括以下步骤：1、分别从两个不同的网站中采集兴趣点数据构成数据集A、B；2、提取名称完全匹配的兴趣点配对形成数据样本，通过数据样本计算平均位置偏差并确定匹配范围；3、分别从数据集A、B中取待匹配点和待匹配集；4、对待匹配点和待匹配集中所有兴趣点的名称进行逐级地址分词，然后通过地址词典过滤名称中的地址信息；5、采用KMP算法对待匹配点和待匹配集中每个兴趣点进行匹配，通过匹配率判断兴趣点是否相同；6、同理，对数据集A中的其他兴趣点，在数据集B中找出与其匹配的兴趣点。该方法有利于精确匹配不同数据源的兴趣点数据，过滤重复的数据。
-
公开(公告)号：CN104077412A
公开(公告)日：2014-10-01
申请号：CN201410334853.9
申请日：2014-07-14
Applicant: 福州大学
IPC: G06F17/30
CPC classification number: G06F17/3089 , G06K9/6297
Abstract: 本发明涉及一种基于多Markov链的微博用户兴趣预测方法，包括以下步骤：1、分别获取q个、p个用户发表的微博作为训练数据、测试数据；2、以用户为单位，对训练数据、测试数据进行预处理，提取每个用户的兴趣特征值；3、将训练数据转化为Markov链，再基于Markov链两两之间的聚类相似度，对Markov链进行合并，然后利用合并后的Markov链建立多Markov链模型；4、对测试数据进行用户分类；5、基于对测试数据分类得到的用户类别，利用多Markov链模型预测用户的兴趣特征。该方法可以有效预测微博用户的兴趣。
-
Patent Agency Ranking
公开(公告)号：CN114118373B
公开(公告)日：2024-11-01
申请号：CN202111412506.X
申请日：2021-11-25
Applicant: 福州大学
IPC: G06F18/15 , G06N3/044 , G06N3/08 , G06F123/02
Abstract: 本发明涉及一种基于回声状态网络的多维时间序列缺失补全方法，包括：步骤S1：构建回声状态网络模型；步骤S2:按照时间顺序，向回声状态网络模型的输入层提供每个时刻的外生变量，向输出层提供对应时刻的多维时间序列的观测值，若缺失的观测值尚未预补，则利用基于方向的最近邻策略进行暂时性预补;步骤S3:分别构建具有双向反馈的前向或双向回声状态网络，并更新所有时刻的内部状态；步骤S4:根据无需预补时刻的输入、内部状态和真实输出训练出网络的输出权重；步骤S5:根据需要预补时刻的输入、内部状态和步骤S4得到的输出权重计算输出估计值，并用于对预补值进行更新；步骤S6:重复步骤S3‑S5，用最后的预补值填补原始序列的缺失值。本发明考虑更加全面的数据相关性来提升多维时间序列的补全精度。
-
公开(公告)号：CN117236447A
公开(公告)日：2023-12-15
申请号：CN202311259394.8
申请日：2023-09-27
Applicant: 福州大学
Abstract: 本发明提供一种协同执行多种任务的在线稀疏群智感知方法，由数据收集、数据推断和训练数据更新三个部分组成。首先，通过挖掘真实数据的时空变化规律和相关性，本发明可以使用实时收集到的多任务数据更新训练数据，以保持模型持续更新。接着，本发明提出了一种具有分层架构的多智能体强化学习模型，尝试为每种感知任务分配合适的预算，并执行多种任务数据的协同收集。最后，本发明使用数据推断网络捕捉多种任务数据之间的时空相关性，推断未收集区域的数据，从而进一步降低感知成本，提高数据推断质量。
-
公开(公告)号：CN116611666A
公开(公告)日：2023-08-18
申请号：CN202310732444.3
申请日：2023-06-19
Applicant: 福州大学
IPC: G06Q10/0631 , G06F18/214 , G06Q50/26 , G06N3/006
Abstract: 本发明的目的在于提供一种可同时感知与执行的移动公共资源调度方法，通过两阶段的调度，即考虑短期执行效用也考虑长期预测效用以达到移动公共资源长期覆盖人流量最大化，综合考虑执行效用与感知效用，以达到长期覆盖人流的最大化，保证动态资源的高利用率。
-
公开(公告)号：CN112561950B
公开(公告)日：2022-12-13
申请号：CN202011547135.1
申请日：2020-12-24
Applicant: 福州大学
Abstract: 本发明涉及一种PointTrack框架下基于窗函数的点云采样方法，包括以下步骤：步骤S1：获取视频图像帧中所有目标的2D边界框，并输入到神经网络中进行分割，得到对应的前景与背景；步骤S2：根据分割结果对边界框在上下左右四个方向进行扩展，并将扩展后割的结果使用窗函数进行点云采样，分别得到前景和背景相对应的2D点云采样结果；步骤S3：将得到的前景点云进行整合，计算对应的颜色特征向量和形状特征向量，将得到的背景点云进行整合，并计算对应的颜色特征向量、形状特征向量以及类别向量，最终将得到的向量串联输入到PointTrak模型中。本发明能够使用窗函数更好的对点云采样进行控制，可以让采样的点更偏向于反应轮廓信息或者颜色信息，提高PointTrack多目标跟踪效果。
-
公开(公告)号：CN114912029A
公开(公告)日：2022-08-16
申请号：CN202210675748.6
申请日：2022-06-15
Applicant: 福州大学
IPC: G06F16/9535 , G06F16/9537
Abstract: 本发明涉及一种基于强化学习的稀疏群智感知在线用户招募方法，包括以下步骤：步骤S1：获取历史感知数据；步骤S2：构建用户的历史轨迹数据；步骤S3：构建用户招募模型和预算保留模型；步骤S4：训练用户招募模型和预算保留模型；步骤S5：利用预算保留模型判断是否在当前周期保留预算，若判断为“是”，则等待下一个周期到来再重复步骤S5，否则，跳转至步骤S6；步骤S6：招募贡献最大的一个用户，支付其相应的报酬后回到步骤S5；步骤S7：重复步骤S5和S6，直到预算不足或所有周期结束；步骤S8：结合推断算法推断完整的数据。该方法通过交替执行用户招募决策和预算保留决策，在预算和时间限制下，在线招募一组近似最优的用户完成稀疏群智感知任务。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.026 seconds)
