-
公开(公告)号：CN115510955A
公开(公告)日：2022-12-23
申请号：CN202211100628.X
申请日：2022-09-09
Applicant: 重庆邮电大学
Abstract: 本发明属于舆情分析领域，具体涉及一种基于用户信息和话题博弈关系的信息传播预测方法；该方法包括获取数据并提取相关属性，从而构建用户信息矩阵；基于获取数据建立全用户关系网络，挖取邻居用户对消息传播的影响，从而构建用户关系矩阵与用户信息矩阵融合；设计动态博弈策略，结合融合结果计算原生话题驱动力与衍生话题驱动力，进一步获取最新全用户关系网络；构建话题传播预测模型，预测话题下一时刻的传播趋势；本发明提出了一种能更有效地感知话题传播过程中前置情感和衍生话题等多种因素对用户行为的影响，更好地预测话题传播态势。
-
公开(公告)号：CN115358820A
公开(公告)日：2022-11-18
申请号：CN202211016627.7
申请日：2022-08-24
Applicant: 重庆邮电大学
IPC: G06Q30/06 , G06F16/535 , G06F16/9535 , G06F16/958 , G06V10/74 , G06V10/82
Abstract: 本发明属于互联网应用技术领域，特别涉及一种基于高清图像生成技术的兴趣画幅推荐方法，包括获取用户的历史交互行为数据，从中提取用户行为序列进行嵌入后与对应的粒度信息融合，得到输入向量；构建预测模型，预测模型的Item2Frame层根据输入向量获取多兴趣画幅矩阵，预测模型的高清兴趣画像生成层对得到的多兴趣画幅矩阵进行噪点补偿获取用户的整体高清兴趣画像的向量表示；计算用户的整体高清兴趣画像的向量表示与物品向量之间的相似度，将相似度最高的N个物品推荐给用户；本发明应用于电商平台为用户提供更为优质的服务，电商平台可以更准确地挖掘用户兴趣，从而推荐更多用户感兴趣的内容来为平台盈利。
-
公开(公告)号：CN115358790A
公开(公告)日：2022-11-18
申请号：CN202211016264.7
申请日：2022-08-24
Applicant: 重庆邮电大学
Abstract: 本发明属于电商大数据推荐领域，特别涉及一种基于多任务联合学习的点击转化率预测方法，包括获取商品信息并构建用户‑商品感兴趣度；根据获取的商品信息，获取商品节点序列和用户节点序列，根据得到的用户节点序列和商品节点序列计算该各自序列中节点与其相邻节点之间的二阶相似度；将商品节点和用户节点投影到相同的特征空间上，计算在该空间中一个节点的注意力系数，并利用该系数获得节点的聚合表示；利用用户‑商品感兴趣度对节点的聚合加权得到节点的最终嵌入表示，将最终嵌入表示的商品信息和用户信息嵌入到预测器中，通过预测器预测用户购买商品的概率；本发明可协助电商平台掌握消费群体行为特性分布，有利于广告主精准投放广告信息。
-
公开(公告)号：CN114978313A
公开(公告)日：2022-08-30
申请号：CN202210539304.X
申请日：2022-05-18
Applicant: 重庆邮电大学
IPC: H04B10/116 , H04B10/54 , H04L25/03 , G06V10/764 , G06V10/82 , G06V10/84 , G06N3/04 , G06N3/08
Abstract: 本发明属于可见光通信技术领域，具体涉及一种基于贝叶斯神经元的深度学习可见光CAP系统的非线性补偿方法；该方法包括：在可见光CPA系统中，将接收端下采样接收到的信号输入到基于贝叶斯神经元的深度学习非线性补偿模块中进行非线性补偿，得到补偿后的QAM信号；对补偿后的QAM信号进行QAM解映射，得到均衡信号，实现对可见光CAP系统的非线性补偿；本发明能将接收到的畸变信号补偿为发送前的正常信号，提高VLC系统的传输速度，改善系统的整体性能，本发明中神经网络的权重参数是随机变量，而非确定的值，可以给出预测的不确定性，防止过拟合，在非线性补偿上，具有非常强的鲁棒性。
-
公开(公告)号：CN110781411B
公开(公告)日：2022-06-28
申请号：CN201911068549.3
申请日：2019-11-05
Applicant: 重庆邮电大学
IPC: G06F16/9536 , G06F16/23 , G06F17/18 , G06Q10/04 , G06Q50/00
Abstract: 本发明属于网络技术，尤其涉及一种基于辟谣消息的谣言传播控制方法，包括获取社交网络中谣言话题以及与之相对应的辟谣话题的互动数据；基于演化博弈建立出用户转发预测模型，利用互动数据对其进行训练直至预测出用户在下一时间段转发谣言信息或辟谣信息的概率；建立谣言控制等级和辟谣控制等级，并分别对两种等级建立对应的信息传播控制方式；根据用户转发谣言信息或辟谣信息的概率对应设置谣言控制等级或辟谣控制等级；根据所述获取的谣言控制等级或辟谣控制等级获取对应的信息传播控制方式；按照所述信息传播控制方式控制所述谣言信息或辟谣信息的传播；本发明考虑到辟谣消息以及谣言消息的影响，提高了控制网络信息传播的准确性。
-
Patent Agency Ranking
公开(公告)号：CN106060763B
公开(公告)日：2019-12-31
申请号：CN201610355014.4
申请日：2016-05-25
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于用户位置信息的D2D通信干扰协调方法，涉及蜂窝和D2D混合通信网络中的干扰协调技术在LTE‑A系统中引入D2D通信，会在蜂窝用户与D2D用户之间产生相互干扰。本文提出了一种基于距离的干扰协调方法来限制两者之间的干扰，主要分为两个阶段，在第一阶段，通过对蜂窝用户中断概率的分析，得出一个以基站为中心的圆形区域，称为非复用区，即在此范围内的D2D用户不能复用蜂窝用户的资源；在第二个阶段，通过对D2D用户中断概率的分析，得出一个以D2D接收端为中心的圆形区域，称为非资源区，即D2D用户不能复用在此范围内的蜂窝用户的资源。该方法能显著地降低蜂窝用户与D2D用户的中断概率，同时降低基站侧的信令负担，并且具有很好地实现性。
-
公开(公告)号：CN104618277B
公开(公告)日：2018-02-27
申请号：CN201510009078.4
申请日：2015-01-08
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种在窄带干扰下的短波OFDM信道估计方法。首先利用LS算法估计出信道中导频的初始估计值，然后利用DFT(离散傅里叶变换)信道估计算法原理，即循环前缀码长度大于信道冲击响应原理对初始估计值进行第一次滤噪，通过将大于循环前缀码长度以外的估计值值置零的方法滤除了循环前缀以外的噪声。最后引入阈值对初始值进行第二次虑噪，通过将小于阈值的信号置零而大于的部分不变得出最终导频处的估计值。然后根据插值方式对导频估计进行插值得出整个信道的估计，并将时域的信道估计做DFT(离散傅里叶变换)变换得到频域信道估计。本发明提高了信道估计性能；同时本发明中导频采用梳状导频结构有效抑制了短波信号的快衰落。
-
公开(公告)号：CN107292390A
公开(公告)日：2017-10-24
申请号：CN201710371282.X
申请日：2017-05-24
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于混沌理论的信息传播预测模型，属于信息传播分析领域。它包括了从社交网络获取真实数据源，构筑用户静态多维转发因素属性机制，预测用户动态行为特征，构建热点话题传播模型四个部分。首先，获取相关数据，获得数据集。其次，从用户、信息、用户关系三个角度出发，提取影响用户的多种行为特征，量化信息传播概率。然后，根据混沌理论预测用户的动态行为。最后，在传统传染病SIR模型基础上，结合信息扩散与传染病蔓延相似的传播机理，综合考虑动态性的行为特征，改进得到一种基于混沌理论和用户行为的信息传播模型。该发明可以有效表征在线社交网络中的信息传播动态趋势，发现信息传播中的重要影响因素。
-
公开(公告)号：CN106060763A
公开(公告)日：2016-10-26
申请号：CN201610355014.4
申请日：2016-05-25
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于用户位置信息的D2D通信干扰协调方法，涉及蜂窝和D2D混合通信网络中的干扰协调技术在LTE‑A系统中引入D2D通信，会在蜂窝用户与D2D用户之间产生相互干扰。本文提出了一种基于距离的干扰协调方法来限制两者之间的干扰，主要分为两个阶段，在第一阶段，通过对蜂窝用户中断概率的分析，得出一个以基站为中心的圆形区域，称为非复用区，即在此范围内的D2D用户不能复用蜂窝用户的资源；在第二个阶段，通过对D2D用户中断概率的分析，得出一个以D2D接收端为中心的圆形区域，称为非资源区，即D2D用户不能复用在此范围内的蜂窝用户的资源。该方法能显著地降低蜂窝用户与D2D用户的中断概率，同时降低基站侧的信令负担，并且具有很好地实现性。
-
公开(公告)号：CN115859177B
公开(公告)日：2025-05-06
申请号：CN202211479507.0
申请日：2022-11-24
Applicant: 重庆邮电大学
IPC: G06F18/2411 , G06F18/214 , G06N3/006 , G06N3/0455 , G06N3/084
Abstract: 本发明涉及一种航空发动机的故障诊断方法，包括获取具有标签信息的原始航空发动机故障数据并将原始航空发动机故障数据划分为训练集和测试集；将训练集输入稀疏自编码器SAE并通过反向传播机制对稀疏自编码器SAE进行训练；将测试集中的样本输入训练好的稀疏自编码器SAE通过隐藏层降维得到稀疏样本向量；将稀疏样本向量输入SVM多分类器输出稀疏样本向量的预测结果，根据稀疏样本向量的预测结果和稀疏样本向量的标签信息利用粒子群算法计算SVM多分类器的最优参数；将目标航空发动机故障数据的稀疏样本向量输入SVM多分类器输出目标航空发动机故障数据的故障类别。
-
-
-
-
-
-
-
-
-
Search Results
59
records
(took 0.024 seconds)
