-
公开(公告)号：CN106230496B
公开(公告)日：2019-05-07
申请号：CN201610629599.4
申请日：2016-08-03
IPC: H04B7/185 , H04L27/00 , H04L27/144 , H04L27/156
Abstract: 本发明涉及一种基于软输出维特比解调算法的星载AIS接收机解调方法，包括以下步骤：步骤A：参数模型化接收信号r(t)，星载AIS系统的接收信号参数包括信号的个数、信噪比和信号之间的功率差，用于构建卫星接收信号模型，并分析出AIS信号的状态转移特性；步骤B：输出对应比特的软值，并利用软值信息解调输出；步骤C：串行干扰消除模型，根据步骤B中获取的解调序列，重构AIS信号r1(t)；在原始接收信号中消除上述重构信号得r'(t)，再次重复步骤A和步骤B获得解调序列与现有技术相比，本发明具有明显提高了星载AIS系统接收机的解调性能，同时保证较低的运算复杂度等优点。
-
公开(公告)号：CN105512247B
公开(公告)日：2019-03-08
申请号：CN201510862311.3
申请日：2015-11-30
Applicant: 上海交通大学
IPC: G06F16/2458
Abstract: 本发明提出了一种基于一致性特征的非交互式差分隐私发布模型的优化方法，其先为数据集的每个属性建立体现匿名层次的抽象树结构，作为划分原始数据集的依据；所有抽象树的根节点集合组成初始化的划分区间，把原始数据集归入其中，然后自顶向下依次不重复地选取一个属性作为划分依据，按照这个属性的抽象树结构产生下一层区间集，并划分数据集，依次类推直到事先定义的算法迭代次数，最终生成一棵构造树，并在叶节点处加拉普拉斯噪音；接着利用节点间的一致性特性，运行噪音优化算法f，使得在满足差分隐私保护的前提下，用父节点做应答的方式替代子节点组合的计算模式，大幅度减轻发布数据集对于范围查询类应用的噪音叠加问题。本发明有效的地缓解了范围计数类查询中的噪音叠加问题，并且符合差分隐私保护的定义，减少了隐私保护的代价，有效提高了发布数据在后续应用中的可用性。
-
公开(公告)号：CN106230496A
公开(公告)日：2016-12-14
申请号：CN201610629599.4
申请日：2016-08-03
IPC: H04B7/185 , H04L27/00 , H04L27/144 , H04L27/156
CPC classification number: H04L27/144 , H04B7/18513 , H04L27/0014 , H04L27/156
Abstract: 本发明涉及一种基于软输出维特比解调算法的星载AIS接收机解调方法，包括以下步骤：步骤A：参数模型化接收信号r(t)，星载AIS系统的接收信号参数包括信号的个数、信噪比和信号之间的功率差，用于构建卫星接收信号模型，并分析出AIS信号的状态转移特性；步骤B：输出对应比特的软值，并利用软值信息解调输出；步骤C：串行干扰消除模型，根据步骤B中获取的解调序列，重构AIS信号r1(t)；在原始接收信号中消除上述重构信号得r'(t)，再次重复步骤A和步骤B获得解调序列 与现有技术相比，本发明具有明显提高了星载AIS系统接收机的解调性能，同时保证较低的运算复杂度等优点。
-
公开(公告)号：CN103207763B
公开(公告)日：2015-11-25
申请号：CN201310150963.5
申请日：2013-04-26
Applicant: 上海交通大学
IPC: G06F3/06
Abstract: 本发明公开了一种基于xen虚拟磁盘设备的前端缓存方法，该方法采用缓存最近对虚拟磁盘扇区访问的结果，进而提供一种接下去访问的扇区在缓存中就能找到的可能性。由于缓存设置在前端驱动中，使得虚拟磁盘读有可能直接在前端驱动中返回而不涉及到后端驱动。本发明完全保留现有xen前后端驱动优点，同时对虚拟机前端驱动做了少量修改，在代码路径添加了查询缓存的功能，只引入较少的额外开销。此外，由于因为在实际应用中缓存的命中率较高，该方法能明显提高xen虚拟磁盘设备的性能。
-
公开(公告)号：CN103064746A
公开(公告)日：2013-04-24
申请号：CN201310025314.2
申请日：2013-01-23
Applicant: 上海交通大学
IPC: G06F9/50
CPC classification number: G06F9/5038 , G06F9/45533 , G06F9/45558 , G06F9/4881 , G06F2009/4557 , G06F2209/485
Abstract: 本发明公开了一种基于当前credit进行预测调度的处理器资源精确分配方法，其中，Credit调度器的运行队列包括位于队列的前部分的处于UNDER优先级的VCPU、处于OVER优先级的VCPU、位于队列末尾的IDLE优先级的VCPU以及用于保存所有透支了credit的VCPU的等待队列，该方法基于VCPU所拥有的credit值来预测credit开始透支的时间点，并停止对该VCPU的调度，从而有效控制credit的消耗，进而达到精确分配处理器资源的目的。本发明提高了Credit调度器在NWC模式下分配处理器资源的精确度，提高了VCPU的隔离性，可以有效地对处理器资源进行划分。此外，该方法还能保留现有Credit调度器对小任务负载的响应快速响应，负载均衡的优点。
-
Patent Agency Ranking
公开(公告)号：CN116245610B
公开(公告)日：2024-05-17
申请号：CN202310193838.6
申请日：2023-03-02
Applicant: 上海交通大学 , 江苏嘉图网络科技股份有限公司
IPC: G06Q30/0601 , G06N7/01 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于蒙特卡洛方法和轻量化图神经网络的图书精排方法，涉及信息推荐领域，对用户节点执行初步分析，获取用户节点与第一图书候选集节点的第一图神经网络集；按照设定跳选取第一图神经网络集中的子图；分别针对子图中的用户节点及第一图书候选集节点中的每个执行至少两层带MC‑Dropout的神经网络的多次更新；依据用户节点的图嵌入求取节点的第一不确定评估参数；依据第一图书候选集节点的图嵌入求取节点的第二不确定评估参数；依据第一不确定评估参数与第二不确定评估参数计算不确定性加权相似度值；依据相似度值对第一图书候选集节点执行排序，获取对应用户节点的图书推荐。本发明能够在保持结果精确度的情况下获得简化计算的效果。
-
公开(公告)号：CN115481755A
公开(公告)日：2022-12-16
申请号：CN202211253769.5
申请日：2022-10-13
Applicant: 上海交通大学
Abstract: 本发明公开了一种基于自适应本地聚合的个性化联邦学习方法，涉及联邦学习技术领域，包括以下步骤：服务器发送全局模型Θ0到所有客户机中，初始化各个客户机的本地模型；客户机i执行第t轮迭代训练，执行自适应本地聚合，得到初始化本地模型；根据t值判断是否需要进行自适应本地聚合权重训练，以得到新的自适应本地聚合权重并更新初始化本地模型；采用梯度下降方式更新本地模型，并发送到服务器；服务器对接收到的本地模型执行全局聚合生成全局模型Θt。本发明能够捕获全局模型中提升本地模型质量的信息，促进本地模型训练，能够应用于现有的其他联邦学习方法，实现全局模型中信息的精准提取，并利用提取到的信息提升模型在各个客户机上的个性化表现。
-
公开(公告)号：CN109005060B
公开(公告)日：2022-01-25
申请号：CN201810870834.6
申请日：2018-08-02
Applicant: 上海交通大学
IPC: H04L41/0823 , H04L41/0833 , H04L41/14 , H04L67/10 , H04L9/40 , G06N3/04
Abstract: 本发明公开了一种基于层级化高度异构分布式系统的深度学习应用优化框架，涉及计算科学方向深度学习领域，包括运行准备阶段和运行阶段，所述运行准备阶段用于进行深度神经网络训练，所述运行阶段对分布式系统中各类设备进行任务分配，并使用数据加密模块对用户敏感数据进行隐私保护。本发明的系统任务异构特性，在保证整体性能的前提下，降低系统响应时间，保证用户体验，基于神经网络的数据加密模块，能够以较低的计算代价和存储代价对用户敏感数据进行隐私保护，保障用户数据安全。
-
公开(公告)号：CN113742778A
公开(公告)日：2021-12-03
申请号：CN202111092031.0
申请日：2021-09-17
Applicant: 上海交通大学
Abstract: 本发明涉及一种基于联邦学习和ALQ压缩的分布式机器学习方法及系统，所述系统包括一个服务器端和多个客户端，服务器端的功能包括初始化全局机器学习模型、分发模型至客户端、收集客户端的模型并计算新的全局模型；客户端的功能包括接收全局模型、用本地数据对模型进行训练以及上传训练好的本地模型，服务器端和客户端之间的通信数据通过ALQ压缩算法进行压缩。与现有技术相比，本发明具有保证数据隐私安全性、适用于对通信量和扩展性有严格要求的空间信息网络等优点。
-
公开(公告)号：CN112560760A
公开(公告)日：2021-03-26
申请号：CN202011550924.0
申请日：2020-12-24
Applicant: 上海交通大学
IPC: G06K9/00 , G06F16/738 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种注意力辅助的无监督视频摘要系统。本发明涉及深度学习，计算机视觉，视频分析等领域，所述系统包括挖掘视频帧长时依赖关系的全局自注意力模块，以无监督的方式学习视频帧表征的生成对抗网络模块。本发明在基于深度神经网络的视频摘要任务基础上实现了无监督的训练方式，从而减少了人工大规模标注数据的成本，克服部分网络需要预训练、模型参数过大过多等问题，提升了视频摘要模型的性能。
-
-
-
-
-
-
-
-
-
Search Results
54
records
(took 0.03 seconds)
