-
公开(公告)号：CN120011775A
公开(公告)日：2025-05-16
申请号：CN202510457782.X
申请日：2025-04-14
Applicant: 湖南科技大学
IPC: G06F18/2113 , G06F18/213 , G06F18/25 , G06F18/2321 , G06F17/13 , G06N3/045 , G06N3/0499 , G06N3/0455 , G06N3/0464 , G06F11/30
Abstract: 本申请公开了基于时序建模的设备监测指标筛选方法及系统，涉及服务器状态分析领域，该方法包括：获取设备监测时序数据；基于候选监测指标和辅助参数分别定义NCDE模型的主要输入和扩展输入，通过连续时间建模捕捉候选监测指标的预测残差和隐状态演化特征；在连续的时间窗口内计算候选监测指标的预测残差与系统运行状态之间的相关系数，计算相应的时变相关系数；融合各个候选监测指标的预测残差、时变相关系数和隐状态演化特征以得到相应的指标综合特征，并评估指标综合特征所对应的重要度得分，筛选用于设备监测的目标监测指标。由此，提升从服务器系统的海量监测参数中筛选的关键指标的准确性和时效性，有效减少了数据采集与存储开销。
-
公开(公告)号：CN119721187B
公开(公告)日：2025-05-06
申请号：CN202510217551.1
申请日：2025-02-26
Applicant: 湖南科技大学
IPC: G06N3/098 , G06N3/063 , G06N3/0464 , G06N3/10
Abstract: 本发明公开了一种基于张量填充的遍历式联邦学习方法及系统，包括：基于设备位宽对相应梯度进行分层张量建模；在服务器端将不同梯度中同一模型层的参数归类，将各层分别建模为一个张量；基于张量填充技术将位宽恢复组件中张量对应的不同位宽梯度进行对齐，并对所有梯度进行加权聚合，基于聚合后的权重生成新的全局模型；通过遍历窗口机制，在服务器和客户端中，选取全局模型的不同层进行每一轮训练，使全局模型在低容量设备中均匀训练，直到全局模型收敛。本发明通过结合张量填充和基于遍历的部分模型训练技术，利用张量分解和重构技术迭代恢复模型参数的精度，并采用遍历分层的方式适应不同设备的能力，确保资源受限的客户端也能均衡参与训练。
-
公开(公告)号：CN119785991A
公开(公告)日：2025-04-08
申请号：CN202411848468.6
申请日：2024-12-16
Applicant: 湖南科技大学
IPC: G16H40/20 , G06Q30/018 , G06F16/903 , G06F21/60 , G06F21/62
Abstract: 本发明涉及供应链数据处理技术领域，具体公开面向医疗供应链的链上链下数据高效处理与安全追溯方法，该方法通过供应链所属链下数据验证平台对医疗信息进行验证，获取医疗信息所属验证参数以及链下数据验证平台所属网络特征信息分析得到医疗信息验证合规度，由此判定是否将医疗信息直接上传至区块链所属数据处理平台，供应链所属链上查询平台接收医疗信息查询信号，同时查询区块链所属数据处理平台的医疗信息，由此获取医疗信息所属查询参数，并评估出医疗信息查询正确度，由此判定是否对医疗信息进行安全追溯，若出现查询正确结果较低的行为，则可以快速定位出问题节点，实现高效的安全追溯，从而提高了医疗供应链数据处理的准确性和可信度。
-
公开(公告)号：CN119558385A
公开(公告)日：2025-03-04
申请号：CN202411726035.3
申请日：2024-11-28
Applicant: 湖南科技大学
IPC: G06N3/098 , G06F18/214 , G06F18/2431
Abstract: 本发明公开了一种具有高泛化能力的分层联邦学习方法，涉及电数字数据处理技术领域。该具有高泛化能力的分层联邦学习方法，包括本地模型训练判断、Q值获取和全局模型生成。本发明通过获取客户端在预设时间段内提供的训练样本数据，根据训练样本数据判断客户端是否参与本地模型训练，同时获取本地模型训练过程中的损失期望值并选择边缘服务器，然后将参与本地模型训练的训练样本数据输入至DQN网络中得到预测Q值和目标Q值，最后将训练完成的本地模型上传至选择的边缘服务器中生成全局模型，进而实现了分层联邦学习框架开销与模型准确性之间平衡性的提高，解决了现有技术中分层联邦学习框架开销与模型准确性之间平衡性考虑不充分的问题。
-
公开(公告)号：CN118939404B
公开(公告)日：2025-01-03
申请号：CN202411425785.7
申请日：2024-10-14
Applicant: 湖南科技大学
Abstract: 本发明公开了一种基于拆分联邦学习的分布式调度方法，涉及电数字数据处理技术领域。该基于拆分联邦学习的分布式调度方法，包括以下步骤：获取客户端状态信息；进行匹配度评估；进行任务分配；进行动态优化。本发明通过对客户端状态信息、样本信息和任务数据进行匹配度评估，根据得到的资源匹配度指数筛选出待测客户端组，并进行任务分配得到任务队列，然后根据传输策略将任务队列传输给待测客户端组，最后根据任务执行评估指数进行动态优化，达到了更稳定的进行分布式资源调度的效果，解决了现有技术中存在基于拆分联邦学习的分布式调度过程中调度稳定性低的问题。
-
Patent Agency Ranking
公开(公告)号：CN118939404A
公开(公告)日：2024-11-12
申请号：CN202411425785.7
申请日：2024-10-14
Applicant: 湖南科技大学
Abstract: 本发明公开了一种基于拆分联邦学习的分布式调度方法，涉及电数字数据处理技术领域。该基于拆分联邦学习的分布式调度方法，包括以下步骤：获取客户端状态信息；进行匹配度评估；进行任务分配；进行动态优化。本发明通过对客户端状态信息、样本信息和任务数据进行匹配度评估，根据得到的资源匹配度指数筛选出待测客户端组，并进行任务分配得到任务队列，然后根据传输策略将任务队列传输给待测客户端组，最后根据任务执行评估指数进行动态优化，达到了更稳定的进行分布式资源调度的效果，解决了现有技术中存在基于拆分联邦学习的分布式调度过程中调度稳定性低的问题。
-
公开(公告)号：CN117934477B
公开(公告)日：2024-06-21
申请号：CN202410335529.2
申请日：2024-03-22
Applicant: 湖南科技大学
IPC: G06T7/00 , G06T7/73 , G06V10/82 , G06V10/80 , G06V10/44 , G06V10/52 , G06N3/0464 , G06N3/045 , G06N3/088
Abstract: 本发明提出一种基于无监督学习的脑肿瘤图像检测方法（MS‑NF）。对该方法的模型训练无需进行专业标注，完全在正常的数据集上进行。通过融合主干网络提取的多尺度特征图，捕捉异常在不同尺度下的物体信息细节。使用归一化流，将图像特征转化到潜在空间，由于训练完全在正常数据集上进行，测试时异常数据的确切似然将低于正常数据，从而获得具备判别性的阈值完成检测。还融合了通道和空间卷积注意力机制，通过共享网络使得模型关注于异常区域，进而提高检测性能。本发明借助异常检测思想对数据进行了良好建模，通过归一化流计算出样本数据的确切似然，通过在脑肿瘤数据集上的系列对比和消融实验证明了方案的可行性和有效性，提高脑肿瘤智能检测的精度。
-
公开(公告)号：CN117806806B
公开(公告)日：2024-05-17
申请号：CN202410218204.6
申请日：2024-02-28
Applicant: 湖南科技大学
Abstract: 本发明公开了任务部分卸载调度方法、终端设备及存储介质，涉及雾计算技术领域。该任务部分卸载调度方法、终端设备及存储介质，基于当前移动设备的本地资源信息判断是否可以本地执行任务，对于无法本地执行的任务进行任务分解，获得相互独立的各个子任务；获取各个子任务的任务处理相关信息，包括：子任务处理价值信息、子任务紧急信息，根据任务处理相关信息获取各个子任务的处理需求值，用于评估各个子任务需处理卸载的重要程度，展示各个子任务处理的优先级；获取子任务处理执行信息、节点负载信息，基于各个子任务处理的优先级依次计算出各个子任务的计算节点对应值，用于选取处理卸载各个子任务的计算节点，实现子任务卸载调度。
-
公开(公告)号：CN117934477A
公开(公告)日：2024-04-26
申请号：CN202410335529.2
申请日：2024-03-22
Applicant: 湖南科技大学
IPC: G06T7/00 , G06T7/73 , G06V10/82 , G06V10/80 , G06V10/44 , G06V10/52 , G06N3/0464 , G06N3/045 , G06N3/088
Abstract: 本发明提出一种基于无监督学习的脑肿瘤图像检测方法（MS‑NF）。对该方法的模型训练无需进行专业标注，完全在正常的数据集上进行。通过融合主干网络提取的多尺度特征图，捕捉异常在不同尺度下的物体信息细节。使用归一化流，将图像特征转化到潜在空间，由于训练完全在正常数据集上进行，测试时异常数据的确切似然将低于正常数据，从而获得具备判别性的阈值完成检测。还融合了通道和空间卷积注意力机制，通过共享网络使得模型关注于异常区域，进而提高检测性能。本发明借助异常检测思想对数据进行了良好建模，通过归一化流计算出样本数据的确切似然，通过在脑肿瘤数据集上的系列对比和消融实验证明了方案的可行性和有效性，提高脑肿瘤智能检测的精度。
-
公开(公告)号：CN117806806A
公开(公告)日：2024-04-02
申请号：CN202410218204.6
申请日：2024-02-28
Applicant: 湖南科技大学
Abstract: 本发明公开了任务部分卸载调度方法、终端设备及存储介质，涉及雾计算技术领域。该任务部分卸载调度方法、终端设备及存储介质，基于当前移动设备的本地资源信息判断是否可以本地执行任务，对于无法本地执行的任务进行任务分解，获得相互独立的各个子任务；获取各个子任务的任务处理相关信息，包括：子任务处理价值信息、子任务紧急信息，根据任务处理相关信息获取各个子任务的处理需求值，用于评估各个子任务需处理卸载的重要程度，展示各个子任务处理的优先级；获取子任务处理执行信息、节点负载信息，基于各个子任务处理的优先级依次计算出各个子任务的计算节点对应值，用于选取处理卸载各个子任务的计算节点，实现子任务卸载调度。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.028 seconds)
