-
公开(公告)号：CN114786156A
公开(公告)日：2022-07-22
申请号：CN202210435224.X
申请日：2022-04-24
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的车联网优化任务边缘卸载方法，应用于车联网边缘计算系统，所述车联网边缘计算系统包括路侧单元和车载单元，所述路侧单元包括边缘计算服务器，所述车联网边缘计算系统还包括云计算服务器，所述边缘计算服务器包括至少两个卸载单元，以及与每个卸载单元对应的调度单元和惩罚判定单元，所述卸载单元中加装有用于卸载决策的深度神经网络，将超出边缘计算服务器可用计算能力的任务从边缘计算服务器调度至云端计算服务器。本发明有效降低了车联网边缘计算系统的总时延与总能耗。
-
公开(公告)号：CN112653751B
公开(公告)日：2022-05-13
申请号：CN202011503520.6
申请日：2020-12-18
Applicant: 杭州电子科技大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明公开了一种物联网环境下基于多层极限学习机的分布式入侵检测方法，由于相关设备的资源受约束的特性，用于实现自动攻击检测的这类计算较重的任务，都要移到边界设备上，以便让处理功能靠近数据源。这些边界设备能运行预置的分类模型。但当面对大量的训练数据时，却没有足够的存储和处理能力来构造和升级这类模型。为解决这一问题，本发明将计算密集和存储量大的训练运算移到云服务器中进行，构建并在云服务器中训练单隐藏层极限学习机和多隐藏层极限学习机模型，以让边界设备基于云服务器中预置的深度学习模型来执行流量分类，从而分类出是正常流量还是网络攻击，并通过实验分析得出多隐藏层极限学习机拥有更好的性能。
-
公开(公告)号：CN113660196A
公开(公告)日：2021-11-16
申请号：CN202110744826.9
申请日：2021-07-01
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的网络流量异常检测方法及装置，对训练数据集进行预处理，采用预处理后的训练数据集训练构建的MSCNN‑SLSTM混合神经网络，所述MSCNN‑SLSTM混合神经网络依次包括两个串接的一维多尺度卷积层、一个最大池化层、两个并列的堆叠式长短期记忆网络、一个全连接层以及分类层；采用训练好的MSCNN‑SLSTM混合神经网络对网络流量进行检测，输出检测结果。本发明将MSCNN与SLSTM神经网络结合在一起学习原始网络数据流的时空特征，有效地提高了入侵检测的准确率。
-
公开(公告)号：CN110245620B
公开(公告)日：2021-08-20
申请号：CN201910524163.2
申请日：2019-06-18
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种基于注意力的非最大化抑制方法，包括：步骤S1、将测试图像输入预先训练好的Faster RCNN网络，提取所述图像的特征信息，Region of Interest网络部分输出各个建议区域上不同类别目标的分类置信度；步骤S2、将所述分类置信度作为注意力驱动信号进行自上而下的反向传播，生成目标注意力地图；步骤S3、根据所述注意力地图计算每一检测边界框的感兴趣概率，并将所述感兴趣概率与所述分类置信度的加权和作为感兴趣分数，优化NMS边界框检测。本发明能够充分利用网络中图像的特征信息，以有效解决目标分类置信度的空间信息缺失问题，调节分类置信度与定位精度的不一致性；并且在不用修改网络或者额外的网络训练情况下，改进了NMS，提高了目标检测的精度。
-
公开(公告)号：CN110516529A
公开(公告)日：2019-11-29
申请号：CN201910614783.5
申请日：2019-07-09
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习图像处理的投喂检测方法和系统，包括：获取训练集和测试集；构建融合CLAHE算法和MobileNet神经网络的RetinaNet目标检测网络，利用训练集训练优化RetinaNet目标检测网络；根据训练优化后的RetinaNet目标检测网络获得模型权重文件，将模型权重文件读取至融合非极大值抑制算法的ImageAI库中，得到投喂检测模型，利用测试集验证投喂检测模型至达到收敛条件；获取待检测监控视频，采用投喂检测模型检测待检测监控视频中每一实时监控图片中是否有投喂动作，若连续M张实时监控图片的检测结果为存在投喂动作，则向管理员终端发送报警信息。本发明可靠有效地检测投喂情况，降低投喂监管的人力物力，提高了投喂监管的及时性，降低投喂行为对动物和环境的危害。
-
Patent Agency Ranking
公开(公告)号：CN104796235A
公开(公告)日：2015-07-22
申请号：CN201510170652.4
申请日：2015-04-13
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于丢包率的卫星通信自适应拥塞控制方法：1、发送端生成结构为初始发送数据段的长度M1和由编号1到M1的数据包所组成的初始发送数据段的初始数据块并将其发送至接收端；2、接收端生成结构为丢包起始序号Si、数据接收指示序列及丢包数Ni确认数据块并将其发送至发送端；3、发送端接收到确认数据块后，按照步骤生成新的数据块，新数据块的结构为新发送数据段的长度Mi、编号1到Mi的新发数据段、编号为1到Ni的重传数据段；重传数据段用丢包起始序号Si进行标识以便接收端进行辨认；4、根据丢包率Xi的大小，通过公式Mi+1＝αMi/Xi自适应地计算新发送数据段的长度Mi+1。
-
公开(公告)号：CN103117771B
公开(公告)日：2015-03-25
申请号：CN201310027599.3
申请日：2013-01-23
Applicant: 杭州电子科技大学
IPC: H04B1/7115 , H04B7/15
Abstract: 本发明公开了一种CDMA2000数字直放站的上行链路合路方法，本发明其核心思想是将CDMA2000数字直放站上行链路的AD采样数据对齐相加，首先用随机函数生成两个二进制矩阵信号，分别代表用户1和用户2信号；其次，对矩阵信号进行QPSK复扩频；再者对复扩频后的矩阵信号进行随机延时，并将延时后的信号输入成型滤波器进行波束成形，以实现信号的模拟化过程；再然后将波束成形后的信号进行AD采样，得到用户的数字域信号；最后将两个用户的数字域信号对齐相加。然后对合路后的信号进行解复扩频，从而可解得用户1和用户2的有用信息，并将该有用信号与原始信号作比较。本发明性能稳定，复杂度低，具有较好的应用价值。
-
公开(公告)号：CN102387509A
公开(公告)日：2012-03-21
申请号：CN201110392132.X
申请日：2011-12-01
Applicant: 杭州电子科技大学
CPC classification number: Y02D70/00
Abstract: 本发明公开了认知容迟网络中基于用户服务质量要求的多资源联合分配与优化方法，基于正交频分复用调制的认知容迟网络模型，根据网络中不同用户的服务质量要求进行用户分类：高服务质量的认知用户、一般服务质量的认知用户。对于高服务质量的认知用户，采用基于余量自适应准则的子载波比特联合分配，在满足用户传输业务速率要求的同时最小化干扰功率；对于一般服务质量的认知用户，采用基于速率自适应准则的子载波功率联合分配，在满足用户总干扰功率受限条件下最大化用户的传输速率。本发明根据不同用户业务的服务质量要求采取不同的多资源联合分配与优化方法，以实现基于正交频分复用的认知容迟网络资源优化分配，在高效利用系统资源的同时实现频谱共享。
-
公开(公告)号：CN101047474B
公开(公告)日：2010-06-02
申请号：CN200710067957.8
申请日：2007-04-10
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种TD-SCDMA上行链路方法。目前MIMO技术还未在TD-SCDMA系统中得到应用。本发明提出了一种将MIMO技术应用于TD-SCDMA上行链路系统中的一种方案。本方案采用在移动台发射端使用两副天线，并对发送数据进行空时编码，在基站接收端采用多副天线接收。本系统在接收时先考虑多用户信号的分离，然后再考虑对用户信号进行时空解码。本方案可以增加TD-SCDMA系统容量，提高系统性能，而且空时码解码复杂度低，易于实现。
-
公开(公告)号：CN101252385A
公开(公告)日：2008-08-27
申请号：CN200810059863.0
申请日：2008-02-22
Applicant: 杭州电子科技大学 , 浙江新时讯通信技术有限公司
Abstract: 本发明涉及TDD数字基带直放站中实现信号同步的方法。目前数字基带直放站多依靠时隙间的保护时间来调节，易导致通话链路中断。本发明方法包括设置信道补偿方式为UW补偿和设置总发送提前量。其中设置信道补偿方式为UW补偿是将接收到的信号解调成基带信号发送给RXDR和CIR并读取，通过信道识别号判断各逻辑信道，并判断接收的UW是否有错误，无误则设置补偿方式为UW补偿。设置总发送提前量首先是根据数字基带直放站与基站的距离计算距离发送提前量，与解调发送提前量和微调发送提前量的总和作为总发送提前量。通过本发明方法，可以克服直放站和基站之间距离带来的时延以及信号在解调中所带来的时延，实现直放站和基站的时隙同步和位同步。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.029 seconds)
