-
公开(公告)号：CN105740349A
公开(公告)日：2016-07-06
申请号：CN201610049581.7
申请日：2016-01-25
Applicant: 重庆邮电大学
CPC classification number: G06F17/30705 , G06F17/2775 , G06F17/30737 , G06N3/084
Abstract: 本发明请求保护一种结合Doc2vec和卷积神经网络的情感分类方法，该方法将Doc2vec和CNN进行有效的结合。该结合方法对于特征的表示，不但考虑到了词与词之间的语义关系，并且解决了维数灾难，还考虑到了词与词之间的顺序问题。CNN可以通过学习一种深层的非线性的网络结构来弥补浅层特征学习方法的不足，采用分布式表示输入数据的表征，展现了强大的特征学习能力，特征提取和模式分类可以同时进行，CNN模型的稀疏连接和权重共享两个特点可以减少网络的训练参数，使神经网络结构变得更简单，适应性更强。结合Doc2vec和CNN来处理情感分类问题可显著提高情感分类的准确率。
-
公开(公告)号：CN114499874B
公开(公告)日：2023-10-31
申请号：CN202111642100.0
申请日：2021-12-29
Applicant: 重庆邮电大学
Abstract: 本发明属于区块链技术共识算法领域，具体涉及一种应用于工业互联网的拜占庭容错共识优化方法；该方法包括：协调阶段、准备阶段、投票阶段和提交阶段；协调阶段在区块链系统中选举Q个领导者，每个领导者配置一个协调者，其中协调者为在领导者集合中随机选取的领导者，每个领导者只能作为一个领导者的协调者；准备阶段客户端向所有领导者和协调者广播区块生成请求；投票阶段领导者和协调者对区块生成请求进行投票表决；提交阶段，领导者和协调者验证投票结果，若验证通过，则达成共识，若验证不通过，则共识失败；各个节点重复执行拜占庭容错共识优化算法，直到所有的节点完成共识；与现有技术相比，具有更低的时延、更高的吞吐量和更大的节点容量。
-
公开(公告)号：CN115175268A
公开(公告)日：2022-10-11
申请号：CN202210767617.0
申请日：2022-07-01
Applicant: 重庆邮电大学
Abstract: 本发明属于无线传感器网络技术领域，具体涉及一种基于深度强化学习的异构网络节能路由方法，传感器节点根据自身传感器的预定义计划感知环境，收集观测数据并存入对应的缓存队列；并在等待时间内，接收邻居节点传送的聚合数据并存入对应的缓存队列；传感器节点将同一缓存队列中的数据聚合，得到多种类型的聚合数据；根据Q学习自适应算法选择每种类型的聚合数据的下一跳传感器节点并转发；传感器节点根据下一跳传感器节点的响应更新对应传感器的Q表，本发明基于机器学习的自适应路由实现对网络动态变化的实时捕获，用较小的开销实现对整个网络的动态掌控，具有较好的节能性能，有效的延长了网络生命周期。
-
Patent Agency Ranking
公开(公告)号：CN114219477B
公开(公告)日：2022-09-16
申请号：CN202111296962.2
申请日：2021-11-03
Applicant: 重庆邮电大学
IPC: G06Q20/38 , G06Q20/40 , G06F16/901 , G06F16/903
Abstract: 本发明属于区块链技术领域，具体涉及一种基于链上存储的区块链数据存储扩展方法，包括：引入半节点存储部分区块详细数据以及全部区块索引值；引入副链存储哈希区块组数据；区块链网络中各节点对交易数据优化打包；将打包的交易数据发送给背书节点验证，验证后进行区块排序压缩；领导节点对排序压缩的区块进行接受与验证，验证成功将此区块广播至该网络所有节点并上链存储；散列新区块高度达到预设值时，多个连续新区块合为一个哈希区块组，根据各哈希区块组数据存储数量决定新节点是否存储数据，该发明对区块链的数据进行了结构优化与压缩，同时引入半节点减少区块链网络数据的臃肿，并能够保证所有节点在对交易数据查询时的效率以及真实性。
-
公开(公告)号：CN113971360A
公开(公告)日：2022-01-25
申请号：CN202111311671.6
申请日：2021-11-08
Applicant: 重庆邮电大学
IPC: G06F30/23 , G06K9/62 , G06F111/08
Abstract: 本发明属于数字孪生数据驱动技术领域，具体涉及一种基于数字孪生模型的组件状态估计方法；该方法包括：实时获取组件参数，将组件参数输入到改进的数字孪生模型中，得到原型组件的状态估计结果；本发明与传统的单一模型简化技术相比，可以有效地扩展到大型复杂系统，并为模型快速自适应提供了灵活表达的框架；避免了在单一模型缩减方法中计算成本随着参数的增加而迅速增加；降阶模型的使用大大加快了贝叶斯推理速度，实时求解更容易，由此产生的概率分类为数字孪生的更新提供了基础，同时对模型中的不确定性进行量化，提高了模型的精度。
-
公开(公告)号：CN110929581A
公开(公告)日：2020-03-27
申请号：CN201911024631.6
申请日：2019-10-25
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于时空特征加权卷积神经网络的脑电信号识别方法。包括步骤：先使用离散小波变换对运动想象脑电信号进行去噪。接着设计了一种时空特征加权卷积神经网络对处理后的脑电信号进行特征提取。第一层的卷积操作在运动想象脑电信号的时间尺度上进行，第二层的卷积操作在通道尺度上进行，这样提取的特征包含了运动想象脑电信号的时空特性；由于提取到的每个特征的重要程度不一样，所以在网络中加入了特征加权的模块，以使得重要的特征突出化，不重要的特征弱化。由该模型提取到的特征能够更加有效地反映各类运动想象脑电信号的特性，能够提高运动想象脑电信号的识别准确率。
-
公开(公告)号：CN106529476B
公开(公告)日：2019-09-10
申请号：CN201610993354.X
申请日：2016-11-11
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于深层堆叠网络的脑电信号特征提取及分类方法，首先使用Emotiv脑电信号采集仪采集脑电信号数据；对脑电信号进行去均值、滤波、归一化等预处理；然后使用多个受限玻尔兹曼机对单通道的脑电信号进行独立预训练，提取单个通道的脑电信号，将训练得到的参数用于神经网络的参数初始化；最后采用批量梯度下降的方法对网络进行微调，对各通道的脑电信号特征进行有效融合；对网络进行性能测试并实现分类。本发明能够获得较高的分类准确率。
-
公开(公告)号：CN105740349B
公开(公告)日：2019-03-08
申请号：CN201610049581.7
申请日：2016-01-25
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种结合Doc2vec和卷积神经网络的情感分类方法，该方法将Doc2vec和CNN进行有效的结合。该结合方法对于特征的表示，不但考虑到了词与词之间的语义关系，并且解决了维数灾难，还考虑到了词与词之间的顺序问题。CNN可以通过学习一种深层的非线性的网络结构来弥补浅层特征学习方法的不足，采用分布式表示输入数据的表征，展现了强大的特征学习能力，特征提取和模式分类可以同时进行，CNN模型的稀疏连接和权重共享两个特点可以减少网络的训练参数，使神经网络结构变得更简单，适应性更强。结合Doc2vec和CNN来处理情感分类问题可显著提高情感分类的准确率。
-
-
-
-
-
-
-
Search Results
38
records
(took 0.033 seconds)
