-
公开(公告)号：CN107708153A
公开(公告)日：2018-02-16
申请号：CN201710909318.5
申请日：2017-09-29
Applicant: 重庆邮电大学
IPC: H04W28/06
Abstract: 本发明公开了一种无线调制解调器上行分组数据处理方法，无线Modem在接收到主机发送的上行数据时，接口驱动模块申请PDDU存储空间，接口驱动模块、接口适配模块、PDCP模块、RLC模块在上行分组数据处理过程中，直接将本层封装信息添加到PDDU和/或修改上行分组数据存储的偏移地址及数据长度，然后发送所述偏移地址和数据长度到下一个模块来实现各个模块对上行分组数据的处理。本发明的技术方案减少了上行分组数据处理过程中数据拷贝和保存、存储空间申请和释放的操作次数，有效提高了上行分组数据处理过程的效率。
-
公开(公告)号：CN107491779A
公开(公告)日：2017-12-19
申请号：CN201710502536.7
申请日：2017-06-27
Applicant: 重庆邮电大学
IPC: G06K9/62
CPC classification number: G06K9/6223 , G06K9/6265
Abstract: 本发明请求保护一种基于密度峰值的网格聚类算法，能够高效的对大规模数据进行处理。首先，本文将N维空间粒化为不相交的长方形网格单元，然后统计单元空间的信息。利用密度峰值聚类寻找中心点的思想确定中心单元，即中心网格单元被一些低局部密度的数据单元包围，而且与比自身局部密度高的网格单元的距离相对较大。最后合并与中心网格单元相近网格单元，从而得出聚类结果。在UCI人工数据集上的仿真实验结果表明，本文算法能够较快的得出聚类中心，有效的处理大规模数据的聚类问题，具有较高的效率，与原始的密度峰值聚类算法相比，在不同数据集上时间损耗降低10～100倍，而精度损失维持在5％～8％。
-
公开(公告)号：CN106874478A
公开(公告)日：2017-06-20
申请号：CN201710086932.6
申请日：2017-02-17
Applicant: 重庆邮电大学
IPC: G06F17/30
CPC classification number: G06F17/30705 , G06F2216/03
Abstract: 本发明请求保护一种基于Spark大数据平台的并行化随机标签子集多标签文本分类方法。首先,读取大规模文本数据集和配置信息文件，创建分布式数据集RDD，将训练数据集和预测数据集缓存到内存中，完成初始化操作。其次，并行地随机生成规定数目的标签子集，由原始训练集为每一个标签子集生成一个新的训练集，再次，将新训练集的多个标签通过标签幂集法转换为单个标签，该数据集转化为一个单标签多类数据集，并行地为这些数据集训练一个基分类器。然后，进行预测将得到的单标签多类预测结果转化为多标签结果。最后，将所有预测结果进行汇总投票，得到测试集最终的多标签预测结果。本发明提高了分类的精度、大幅降低处理大规模多标签数据的学习时间。
-
公开(公告)号：CN106780458A
公开(公告)日：2017-05-31
申请号：CN201611135778.9
申请日：2016-12-09
Applicant: 重庆邮电大学
IPC: G06T7/00
Abstract: 本发明涉及一种点云骨架提取方法及装置，属于三维图像处理技术领域。本发明提供的一种点云骨架提取方法及装置，该方法的步骤包括：基于最优质量传输理论，从点云模型中进行随机下采样，得到采样点集合，然后基于最优质量传输的方法迭代收缩采样点提取点云模型的骨架点，根据传输计划确定骨架点相邻关系并连接骨架点，最后对骨架作平滑化处理得到连续的一维曲线骨架。本发明所述的点云骨架提取方法及装置，基于最优质量传输理论，提取曲线骨架具有很好的抗噪性，使用熵正则化计算最优质量传输，降低了程序的时间复杂度，具有较高的准确性。
-
公开(公告)号：CN117808911A
公开(公告)日：2024-04-02
申请号：CN202311585523.2
申请日：2023-11-24
Applicant: 重庆邮电大学
IPC: G06T11/00 , G06T7/80 , G06T7/73 , G06N3/0464 , G06N3/08
Abstract: 本发明属于CT重建技术领域，具体涉及一种基于深度学习的锥形束CT重建方法；该方法包括：获取原始CT数据集并对其进行预处理，得到2D投影数据；将2D投影数据输入到U‑net网络中进行处理，得到2D投影特征；将目标点投影到2D投影数据上，根据2D投影特征获取目标点在2D投影数据上的特征向量；采用第一多层感知机聚合目标点的特征向量和位置信息，得到目标点的位置感知特征向量；采用注意力聚合机制对位置感知特征向量进行处理，得到聚合特征向量；将聚合特征向量输入到第二多层感知机中进行处理，得到目标点的密度值；本发明在稀疏视角下也能够有较好的效果，提高了密度预测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN107067025B
公开(公告)日：2020-12-22
申请号：CN201710081921.9
申请日：2017-02-15
Applicant: 重庆邮电大学
IPC: G06K9/62
Abstract: 本发明请求保护一种基于主动学习的文本数据自动标注方法，属于主动学习领域，包括以下步骤：101对已标记和未标记数据进行处理；102利用多个不同分类器对未标记数据进行分类；103选出分歧熵低的数据；104对分歧熵低的数据进行人工标记；105对人工标记结果进行自检。本发明针对如何在减少人工标注数据的数量的同时，尽量保证人工标注数据的准确性问题，通过结合主动学习方法发明一个附带自检功能的数据自动标注系统，达到缩减工作量且提高人工标注数据准确性的目的。
-
公开(公告)号：CN106777006B
公开(公告)日：2020-10-23
申请号：CN201611115832.3
申请日：2016-12-07
Applicant: 重庆邮电大学
IPC: G06F16/953 , G06F16/35
Abstract: 本发明涉及一种基于Spark下并行超网络的分类算法，具体包括以下步骤：步骤S1.把文本数据部署到Spark平台上；步骤S2.在Spark平台上对文本数据进行并行化预处理；步骤S3.在Spark平台上，对超网络算法的演化学习进行并行化实现。本发明主要解决在大规模文本数据量的情况下，演化超网络分类算法的并行处理问题，通过分布式数据存储阶段，数据预处理阶段，并且通过改变超边结构以及超网络演化计算方式，修改目标函数，完成对超网络算法的并行化处理，提高传统超网络的分类算法性能和效率，解决在海量数据中，传统的超网络模型已经难以满足时间和空间的限制。
-
公开(公告)号：CN107274478B
公开(公告)日：2020-09-29
申请号：CN201710357429.X
申请日：2017-05-19
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种便携的婴幼儿足生物力学异常智能检测与辅诊矫正系统，涉及足生物力学数据采集、多模态数据融合、3D图形学、人工智能等技术领域。包括：1)足部数据扫描设备安放在基层医院，扫描获取足部数据并将数据通过网络传输到云端服务器；2)云端服务器存储、建档婴幼儿足部数据，生成该儿童足部3D模型，并开发智能诊疗算法，根据获取的足部数据智能判断是否异常，再将诊断结果返回基层医院；3)若检测结果异常，在给用户返回诊断结果的同时，云端服务器上的智能诊疗算法针对该异常数据生成矫正鞋或鞋垫3D模型并发送至指定医院或机构的3D打印中心；4)3D打印中心打印出对应的矫正鞋或鞋垫，交付给用户使用。
-
公开(公告)号：CN106570173B
公开(公告)日：2020-09-29
申请号：CN201610988558.4
申请日：2016-11-09
Applicant: 重庆邮电大学
IPC: G06F16/35
Abstract: 本发明请求保护一种基于Spark的高维稀疏文本数据聚类方法，包括步骤：用RDD读入数据集；并用RDD接口设计出分布式稀疏向量集；分布式稀疏向量集与其所在结点的完整数据集计算相似度，按编号抽象为相似矩阵。将存放的相似矩阵对称化，并求其归一化形式和Laplace矩阵形式。4、利用SVD分解步骤3中归一化Laplace矩阵，5、步骤4构建的新矩阵作为样本输入到K‑means模型进行训练。6、利用建立的模型对测试集进行聚类。本发明提高了传统谱聚类算法在大数据集下的运算性能。
-
公开(公告)号：CN107332848B
公开(公告)日：2020-05-12
申请号：CN201710542877.7
申请日：2017-07-05
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于大数据的网络流量异常实时监测的系统，使用了一种解耦合的系统设计，数据采集，数据处理，数据分析与及时响应自成一体，系统高度模块化。其特征在于：用嗅探器进行了数据的分布式采集，实现全网监测，实时抓取网络数据包信息。根据URL结构设定了特定规则，构建数据处理模块，实现对URL的有效信息提取。大量URL数据输入到利用bagging集成的机器学习器中进行有监督式学习，得到能够识别URL类型的数据分析模块；Web端与移动客户端的结合以多角度，多层次呈现数据。安装在服务器上的防御插件实现了对服务器的及时防护，与此同时，实时更新系统分类器数据，提高系统实用性。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.024 seconds)
