-
公开(公告)号：CN113032390B
公开(公告)日：2023-03-21
申请号：CN202110162262.8
申请日：2021-02-05
Applicant: 浙江大学
IPC: G06F16/22
Abstract: 本发明公开了一种内存数据库中的工作负载自适应学习型索引方法。该方法结合基数树和具有最大误差界的分段线性模型，通过机器学习模型利用数据分布来降低索引的内存占用，同时保持稳定的查询性能。在此基础上，使用一种高效的插入缓冲来降低数据插入更新的成本，同时为了缓解数据插入对索引性能的影响，使用两种工作负载自适应的重组优化方法，有针对性地对工作负载中点查询和范围查询涉及的热点数据进行优化。该方法具有较高的构建效率和较低的内存占用，也保证了相对高效的查询性能，并且能够很好地支持插入和更新；同时通过感知查询工作负载有针对性地进行重组优化，以较低的代价降低了插入对于索引性能的影响。
-
公开(公告)号：CN115541037A
公开(公告)日：2022-12-30
申请号：CN202211240794.X
申请日：2022-10-11
Applicant: 浙江大学
IPC: G01J11/00
Abstract: 本发明提出了一种雪崩光电二极管传感器电路，属于光电应用领域。本发明使用低压差线性稳压器电路提供稳定的正负电源电压，雪崩光电二极管传感器的PN结吸收射入的激光后会形成光电流信号，并转换为负、正电压两路差分信号；使用差分转单端电路用于将两路差分信号转换为单端信号输出；使用偏置控制电路控制雪崩光电二极管传感器的高压偏置电压，使光电流信号成倍激增。为了避免电源等的电磁干扰，本发明采用差分信号的形式传输，最终将差分信号转换为单端信号输出。该电路能够有效解决电磁干扰和电源的干扰，保证测量结果准确，同时，外连温度闭环控制电路使得传感器工作于相对稳定的温度下，保持传感器具有较好的线性范围和最佳灵敏度。
-
公开(公告)号：CN114878423A
公开(公告)日：2022-08-09
申请号：CN202210448376.3
申请日：2022-04-26
Applicant: 浙江大学 , 广东博智林机器人有限公司
Abstract: 本发明公开了一种基于环境尘土含量回光自动增强的调制方法和系统、装置、电子设备和存储介质，属于激光扫描领域。首先获取测量的回光信号，并判断数字信号的幅度，若不满足信号识别要求，则对数字信号进行增益处理：获取外部环境的尘土含量值，根据尘土含量值确定增益区间，在增益区间内由小到大对数字信号进行增益处理，直至满足信号识别的要求。本发明可以对超出阈值的信号进行增益调节，避免信号过大或过小，从而提高鉴相结果的精准度，进而提高激光扫描测距的精度。
-
公开(公告)号：CN112069199B
公开(公告)日：2022-08-05
申请号：CN202010842798.X
申请日：2020-08-20
Applicant: 浙江大学
IPC: G06F16/242 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于中间语法树的多轮自然语言转SQL方法。为解决传统端到端方法存在自然语言和SQL间的语义代沟，忽略了SQL内在的语法逻辑等问题，本发明设计了一种类SQL的中间语法树文法，以非端到端的方式，采用编码‑解码架构的语法神经网络，在轮次维度上迭代，按照语法树逻辑由粗到细的两阶段生成每一轮的中间语法树，并在后处理阶段推理生成SQL。应对多轮会话间语义依赖导致生成SQL局部重叠现象，本发明提出了对历史生成SQL的复用策略，进一步地提高了转化准确率。本发明在智能数据库系统等场景中具有广泛的应用前景。
-
公开(公告)号：CN114842268A
公开(公告)日：2022-08-02
申请号：CN202210579416.8
申请日：2022-05-25
Applicant: 浙江大学计算机创新技术研究院
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/08
Abstract: 本发明公开了一种基于数据增强的深度学习对抗训练方法。所述数据增强模块，对数据中的每一数据样本应用多次数据增强或数据变换得到多个增强样本；还包括对抗攻击模块，对抗攻击模块对增强样本施加扰动以生成对抗样本，再输入到对抗训练模块的目标模型中用于进行训练；所述对抗训练模块，将生成的对抗样本中使得损失函数最大的对抗样本组件训练数据集对目标模型进行训练。本发明在大大缓解了对抗训练普遍存在的鲁棒过拟合现象的同时提升了模型的精度，达到提升模型精度以及增强模型鲁棒性的目的。
-
Patent Agency Ranking
公开(公告)号：CN114580633A
公开(公告)日：2022-06-03
申请号：CN202210225240.6
申请日：2022-03-09
Applicant: 浙江大学
Abstract: 本发明公开了一种基于低参数增长快照模型的连续学习方法。本发明将参与训练的模型分为快照模型以及全局模型，全局模型通过顺序学习任务序列中的所有任务以此来接收所有任务中所需要的知识，快照模型为任务流中的每个独立任务训练出来用于存储知识的模型。在学习当前到达的任务时，将学习流程分为两个阶段，第一个阶段是对快照模型进行学习，第二个阶段是利用习得的快照模型来指导约束全局模型学习。本发明利用低参数增长的方法来实现空间高效的快照模型存储，以此来消解对历史数据的依赖，保护用户隐私。使用全局模型保留所有任务的信息，在推断阶段不会引入额外的计算代价。
-
公开(公告)号：CN111475508B
公开(公告)日：2022-05-03
申请号：CN202010244529.3
申请日：2020-03-31
Applicant: 浙江大学
IPC: G06F16/22 , G06F16/2455
Abstract: 本发明公开了一种优化叶子节点合并操作的高效索引方法。该方法的特点是引入了新的一种适合NVM的叶子节点结构设计和高效原地合并操作。该方法首先将索引分成存储在DRAM中的缓冲B树和存储在NVM中的基础B树。在索引执行写操作的过程中，首先写入缓冲B树的日志文件里，再修改缓冲B树；当所述缓冲B树的容量超过阈值，借助基础B树叶子节点结构设计，将缓冲B树通过原地合并操作合入NVM上的基础B树，并通过WBINVD指令高效地将脏数据持久化到NVM。当原地合并操作完成后，清空缓存B树以及NVM上的日志文件，完成对所述写操作的索引过程。该索引方法能够有效地降低对于NVM的写入次数，降低NVM的损耗，提升写入性能。
-
公开(公告)号：CN109634949B
公开(公告)日：2022-04-12
申请号：CN201811628044.3
申请日：2018-12-28
Applicant: 浙江大学
IPC: G06F16/215
Abstract: 本发明公开了一种基于多数据版本的混合数据清洗方法。本发明利用马尔科夫逻辑网络概率图模型和最小化修复原则，将定性技术与定量技术结合到本发明中，设计高效的数据清洗方法，对错误的结构化数据进行检测和修正，保证清洗结果既能够对违反规则约束的脏数据进行清洗且满足对数据集的改动代价最小，又能使其符合统计学特性。本发明先根据马尔科夫逻辑索引技术将整个数据集划分为块和组，然后执行两阶段的数据清洗。第一阶段通过引入可信度分数的评价标准，对每个组内的数据进行清洗以得到多版本的数据清洗结果；第二阶段通过引入融合分数的评价标准，对前置阶段产生的多版本结果进行融合，从而生成最终统一的清洗结果。
-
公开(公告)号：CN110716933B
公开(公告)日：2022-03-15
申请号：CN201910934795.6
申请日：2019-09-29
Applicant: 浙江大学
IPC: G06F16/22 , G06F16/2458
Abstract: 本发明公开了一种面向新型城轨列车大数据的高伸缩分布式索引方法。针对新型城轨列车大数据采用服务器集群进行存储构建数据库，形成一个图状拓扑结构的服务器集群，为每台服务器分配一个辅键索引范围作为索引区间；将键值类型数据进行分片，分布式地存储到服务器上，每台服务器对本地的数据分片建立分片索引；每台服务器从本地的分片索引中选取中间节点，建立外链索引发布到其他确定服务器上；利用辅键索引处理查询请求。本发明快速定位查找并定位保存了所需数据区块的服务器，建立辅助索引可支持迅速、准确的数据查询功能，解决了键值存储模型缺乏辅助索引的问题，能够提高大数据存储系统的数据检索效率，具有高伸缩性和低延迟的特点。
-
公开(公告)号：CN113658236A
公开(公告)日：2021-11-16
申请号：CN202110918646.8
申请日：2021-08-11
Applicant: 浙江大学计算机创新技术研究院
IPC: G06T7/33
Abstract: 本发明公开了一种基于图注意力机制的残缺点云配准方法。构建残缺点云配准网络并训练，利用残缺点云配准网络对待测物体的目标点云和源点云处理获得旋转变换和平移变换结果，进而变换实现点云配准；使用多层感知机网络提取残缺点云的高维特征，使用图注意力机制增强这些高维特征对点云空间结构信息的捕获能力和对关键匹配点的注意力，在全连接层获得的残缺点云各自高维特征基础上构建点云虚拟匹配对应点；使用奇异值分解获得点云间的旋转变换和平移变换。本发明方法能够有效解决不完整对应残缺点云之间的配准问题，能提升配准算法对关键配准点的注意力，避免非对应点的干扰，对点云缺失、高噪声、任意初始对应位置等复杂环境具有较强的适用性。
-
-
-
-
-
-
-
-
-
Search Results
352
records
(took 0.106 seconds)
