-
公开(公告)号：CN100433654C
公开(公告)日：2008-11-12
申请号：CN200610031645.7
申请日：2006-05-12
Applicant: 湖南大学
Abstract: 一种基于节点轨迹标签的无结构P2P副本一致性维护方法，它通过在消息报文中添加已经接收到更新消息的节点地址轨迹标签，利用此标签在消息传输源头完成传输过程中的消息冗余判断，控制冗余消息传输，减少冗余副本更新消息数量，断绝副本更新消息传输循环。还用Bloom Filter优化地址链表示和节点地址查找，减少添加到报文中的轨迹长度，同时简化传输节点的冗余判断。该发明可大大降低冗余消息数目，提高P2P系统的可扩展性，副本节点网络连通性越强，消息数目和传输带宽减少越明显。本发明可用于无结构P2P副本维护、无线网络资源副本维护、复杂网络病毒免疫传输维护等其他自组织网络或分布式存储系统资源一致性维护中。
-
公开(公告)号：CN1737799A
公开(公告)日：2006-02-22
申请号：CN200510032146.5
申请日：2005-09-09
Applicant: 湖南大学
IPC: G06F17/30
Abstract: 一种基于分档Bloom Filter结构的查询方法，它将元素根据不同的查询代价分为不同的子集，通过考查每档子集最低查询失效率的关系，建立每档子集合最低假阳性率表示集合整体最低查询失效代价目标函数，使用类目标函数梯度遗传算法获得每档的最优哈希函数个数ki，再完成集合到向量的映射与查找。它用于分布式计算、计算机网络资源定位、数据库的交互查询、P2P网络资源交互、传感器网络信息交换、计算机网络监测、计算机缓存系统设计等产生大量数据、需要进行交互查询的领域，可以大大减少集合查询的失效代价，实现集合的总体查询代价最小，由此降低资源消耗。
-
公开(公告)号：CN119383273B
公开(公告)日：2025-03-14
申请号：CN202411962545.0
申请日：2024-12-30
Applicant: 湖南大学
IPC: H04N1/41 , H04N19/134 , H04N19/42
Abstract: 本发明公开了不稳定无线环境下遥感图像压缩传输方法、系统及设备，涉及数据压缩技术领域。首先，在预设的监测时间段内，对无线网络数据和遥感图像信息进行实时监测与处理，根据网络波动值动态切换网络环境并调整遥感图像的压缩率与采样率，然后对图像进行压缩，并在传输过程中检测与分析传输数据，若传输的遥感图像质量较低，接收端申请发送端重传遥感图像，以保证数据传输质量，根据实时网络状况智能调整图像压缩率和采样率，有效应对无线网络的不稳定性，确保遥感图像在传输过程中保持高质量，同时提高传输效率和可靠性。
-
公开(公告)号：CN119094772A
公开(公告)日：2024-12-06
申请号：CN202411341582.X
申请日：2024-09-25
Applicant: 湖南大学
IPC: H04N19/169 , H04N19/164 , H04N19/42 , H04N19/44 , H04N19/196 , H04N19/463
Abstract: 本发明公开了一种遥感图像数据压缩传输方法、终端设备及计算机程序产品，将原始遥感数据利用语义特征提取网络表示为更加紧凑、更加高质量的特征表示；并且根据下游任务的目的，使用注意力增强网络计算语义特征权重后对语义特征进行精确的筛选；同时考虑在具有噪声可变信道的复杂环境下利用联合信源信道编码来压缩和传输遥感图像来增强方法的鲁棒性；最终被传输的压缩后的语义特征随后被解码并输入到下游任务模块中进行监督学习，以指导压缩的训练过程。本发明能够针对不同下游任务去除冗余语义特征信息，在降低传输消耗的同时提高任务的完成质量。
-
公开(公告)号：CN118573630A
公开(公告)日：2024-08-30
申请号：CN202410512472.9
申请日：2024-04-26
Applicant: 湖南大学
IPC: H04L47/10
Abstract: 本发明公开了一种针对时延敏感型任务的流量调度方法及系统，在路由前考虑时延敏感型任务的传输时延要求，借助Markovian Arrival Process/Markovian Service Process/Single Server Queue Model，计算时延敏感型任务的端到端时延，提出端到端时延的松弛化表示，利用线性规划，显式对其进行约束，实现更加高效的路由方式。在四种实际网络拓扑上的大量实验结果表明，本发明的方法能够在不降低网络整体性能的前提下，有效地降低时延敏感型任务的端到端时延，并在大多数情况下达到最优性能的目标，对未知的流量矩阵和不同的流量变化具有良好的泛化能力。
-
Patent Agency Ranking
公开(公告)号：CN118051506A
公开(公告)日：2024-05-17
申请号：CN202311782117.5
申请日：2023-12-22
Applicant: 湖南大学
IPC: G06F16/215 , G06F16/2458 , G06N3/048 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种缺失流量数据补全方法、终端设备及存储介质，通过进行源节点、目的节点和时间槽的嵌入的两两外积操作，构建了特征图。这种方法更有效地模拟和挖掘源节点、目的节点以及时间之间的流量关系。进一步，利用卷积神经网络和时序卷积神经网络进行高级特征挖掘，使模型具备更强的表达能力。此外，本发明考虑了不同源节点、目的节点和时间槽之间网络流量的顺序和数值分布情况，并通过对比损失计算，从流量数据的结构和排列中提取潜在的模式和依赖关系，学到流量数值的大小和分布差异。因此，该模型在缺失流量数据的情况下，能够更准确地完成数据补全任务。
-
公开(公告)号：CN117746157A
公开(公告)日：2024-03-22
申请号：CN202311851063.3
申请日：2023-12-29
Applicant: 湖南大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0495 , G06N3/082 , G06N3/084
Abstract: 本发明公开了一种基于神经网络剪枝的轻量级图像分类方法及系统，利用BN层缩放因子的绝对值作为衡量卷积核重要程度的指标，并在损失函数中对缩放因子引入l1正则化稀疏，使得网络能够正确识别不同卷积核的重要程度。通过分析和计算卷积核变化率，确定包含全部存在冗余参数的卷积核的剪枝比例pbest％，从而进行后续剪枝操作。本发明提高了图像分类的精度。
-
公开(公告)号：CN110941793B
公开(公告)日：2023-10-27
申请号：CN201911145150.0
申请日：2019-11-21
Applicant: 湖南大学
IPC: G06F17/16
Abstract: 本发明公开了一种网络流量数据填充方法、装置、设备及存储介质，将网络流量数据建模成三维原始张量，深入挖掘网络流量数据之间的周期性特征，反映了网络流量数据的多维特性；将Expectile回归与CP分解结合来构造损失函数，通过对设定权重w的选择可以有针对性的进行数据的精准恢复，实现对大象流数据的精准恢复；同时，Expectile回归既能描述数据的中心特性，又能描述数据的尾部特性，反映了数据的全貌特征，解决了传统方法无法描述数据各部分局部特性的问题；该方法根据非负矩阵分解算法与Expectile回归对因子矩阵进行更新，在更新过程中，既不需要像ALS算法计算矩阵的逆矩阵，又无需像SGD算法反复权衡一个合适的学习步长，极大地降低了计算的复杂度。
-
公开(公告)号：CN116662852A
公开(公告)日：2023-08-29
申请号：CN202310615867.7
申请日：2023-05-29
Applicant: 湖南大学
Abstract: 本发明公开了一种基于流量采样的设备类型识别方法、终端设备和存储介质，不需要采集完整的设备流量，仅需在网关处进行流量的采样，即可进行设备识别。为了应对流量特征缺失的问题，传统的张量填充算法学习张量行、列、深度对应的嵌入本身，不能推广到未知的行、列或深度，存在需要反复重训练，缺失特征补全耗时长，开销大的问题。本发明提出了一种归纳式张量填充方法，该方法能够利用历史信息，学习生成嵌入的函数，进行快速、有效设备流量特征补全。
-
公开(公告)号：CN114422382B
公开(公告)日：2023-02-28
申请号：CN202210105778.3
申请日：2022-01-28
Applicant: 湖南大学
IPC: H04L41/147 , H04L41/16 , H04L43/0876 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种网络流量预测方法、计算机装置、产品及存储介质，本发明分别学习邻近的、以日为周期、以周为周期的三种不同范围的数据的时空特征。将三个模块的输出通过自适应融合机制进行融合，并将融合结果输入预测网络中得到预测序列。设计了门控空洞卷积网络，能够在参数比较小的情况下学习数据时间维度上的长相关性；还设计了混合跳图卷积网络，能够学习数据复杂的空间相关性；此外，为了能够为了充分建模网络节点之间动态的和多层次的相互依赖关系，本发明还提出了一个图学习网络，以数据驱动的方式为STA模块中不同的混合跳图卷积网络学习从浅层次到深层次的邻接矩阵。因此M2STL具有更强的时空学习能力来进行网络流量预测。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.023 seconds)
