-
公开(公告)号：CN102355584A
公开(公告)日：2012-02-15
申请号：CN201110337754.2
申请日：2011-10-31
Applicant: 电子科技大学
Abstract: 本发明所要解决的技术问题是，提供一种使得编码器输出信号带宽稳定的基于帧内预测编码的模式码率控制方法，本发明对高、低比特率编码模式进行区分，使用不同的率失真模型来进行QP值的计算，具有很好的线性函数特性。每一帧编码完成后即可直接采用多元线性回归方式对率失真模型中α、β、γ三个参数进行实时更新，以便计算出更可靠的QP值来控制编码器输出恒定比特率。为了防止直接采用率失真模型计算QP值，可能会由于模型本身精度的波动，引起不恰当的QP计算结果，本发明通过波动范围限定处理来实现增量式QP值的调节控制，增量式控制即能保证QP值变化的方向或趋势符合调节目标的要求，又能防止波动误差。
-
公开(公告)号：CN118446056B
公开(公告)日：2025-03-11
申请号：CN202410617080.9
申请日：2024-05-17
Applicant: 电子科技大学
IPC: G06F30/23 , G06T17/20 , G06F17/11 , G06F111/10 , G06F113/08
Abstract: 本发明提供一种适用于任意网格的间断有限元单项式基函数构造方法，属于计算机辅助工程领域，用于混合网格计算。本发明将计算区域剖分成多种非结构网格能够最大化地填充计算区域，基函数的表达式对于不同单元是一致的，可以直接用于非结构混合网格上的间断有限元方法。该基函数空间的质量矩阵对角部分为1，非对角部分的绝对值小于1，满足主对角占优，计算更稳定；基函数在全局坐标下定义的，计算梯度时，不需要使用单元等参变换的雅可比矩阵，更直接、高效。
-
公开(公告)号：CN119025554A
公开(公告)日：2024-11-26
申请号：CN202411154225.2
申请日：2024-08-22
Applicant: 电子科技大学
IPC: G06F16/2453 , G06F16/2455 , G06N3/0442 , G06N3/084 , G06F16/242
Abstract: 本发明属于数据库查询优化任务领域，涉及一种跨数据库通用化下的不确定性量化查询代价估计方法。可以量化成本估算的不确定性，并准确有效地推广到未曾学习过的数据库。主要分为跨数据库表示模块CDR和不确定性成本估计模块CEU。CDR模块对跨数据库查询计划特征的最小集进行编码，同时使用Tree‑LSTM忽略特定于数据库的特征。随后CEU模块对数据库中给定的一组查询计划进行代价估计并输出估计的不确定度。该方法相比于传统的代价估计，可以量化成本估算的不确定性，并准确有效地推广到未曾学习过的数据库。
-
公开(公告)号：CN117421683A
公开(公告)日：2024-01-19
申请号：CN202311497275.6
申请日：2023-11-10
Applicant: 电子科技大学
IPC: G06F18/2433 , G06F18/22 , H04L101/659
Abstract: 本发明提供一种基于社区发现算法的活跃IPv6地址探测方法，对各种子集先通过加权无向图构造地址空间，加权无向图中的两地址之间的权重为这两个地址之间的相似度，再使用社区发现算法对地址空间进行划分得到各社区区域，一个社区区域对应一个地址模式；再对各社区区域进行异常检测，之后再降低社区发现算法使用的相似度的阈值后，基于广度优先搜索策略使用社区发现算法对所有异常地址进行划分，得到各社区区域对应的地址模式后返回异常检测步骤；直至达到预设空间划分次数后，使用预设的筛选策略来删除活跃度低的地址模式，然后将剩余的地址模式生成IPv6地址并作为预测的活跃地址输出。本发明减少了地址划分错误，提高了IPv6活跃地址的命中率。
-
公开(公告)号：CN117390063A
公开(公告)日：2024-01-12
申请号：CN202311596774.0
申请日：2023-11-28
Applicant: 电子科技大学
IPC: G06F16/2453 , G06F16/242 , G06F16/22 , G06N3/0464 , G06N3/08
Abstract: 本发明属于信息检索技术领域，具体涉及一种基于Listwise排序学习的数据库查询器优化方法。该方法引入列表排序来捕获所有候选计划的相对顺序，让它们与执行计划的实际计算成本的顺序保持一致。本发明设计了一种使用基于代价排序的损失函数进行训练的深度神经网络，应用基于树的卷积神经网络(TBCNN)来捕获执行计划的树结构特征以用于后续的排序任务，此外，还结合了掩码技术对计划枚举模块输出的候选计划进行编码，以增强模型的鲁棒性，让模型能够快速适应工作负载漂移和数据漂移。
-
Patent Agency Ranking
公开(公告)号：CN117113075A
公开(公告)日：2023-11-24
申请号：CN202310810875.7
申请日：2023-07-04
Applicant: 电子科技大学
IPC: G06F18/214 , G06F18/213 , G06N3/042 , G06N3/08 , G06F16/2453 , G06F16/242
Abstract: 本发明公开了基于图注意力网络的查询优化领域代价估计方法，包括以下步骤：获取数据并构建针对PostgreSQL数据库的训练集；构建代价估计模型的深度学习网络；将训练集传入代价估计模型对深度学习网络进行训练；基于需要预测的查询语句的数据，得到预测的代价；将代价估计模型外挂于PostgreSQL数据库中，实现在该数据库上的代价估计任务。本发明对传统的基数估计和代价估计方法的发展进行了调研，深入研究和分析了现有的学习型代价估计模型存在的问题，并提出了基于图注意力网络的代价估计模型。在特征编码中引入表格基数、基表选择率和连接选择率等有效的特征数据，从而提高了代价估计的准确性。
-
公开(公告)号：CN115935367A
公开(公告)日：2023-04-07
申请号：CN202211357260.5
申请日：2022-11-01
Applicant: 电子科技大学
IPC: G06F21/57 , G06F11/36 , G06N3/04 , G06N3/047 , G06F18/2415
Abstract: 本发明公开了一种基于图神经网络的源代码漏洞静态检测及定位方法，属于网络信息安全技术领域。包括对目标程序源代码依次进行词法、语法分析后生成抽象语法树；在抽象语法树的基础上加入控制流图、控制依赖图和数据依赖图以组合形成代码属性图；在代码属性图寻找调用类型的节点，根据找到的调用类型的节点信息建立函数调用图；将函数调用图添加到代码属性图中，利用函数调用图对控制流图与数据依赖图进行关联，形成关联代码属性图；构建基于图神经网络的漏洞检测及定位模型，将关联代码属性图输入至该模型中完成漏洞检测和定位。相较于现有的漏洞检测方法，本发明同时实现了漏洞的检测和定位，且准确率高。
-
公开(公告)号：CN115618004A
公开(公告)日：2023-01-17
申请号：CN202211402592.0
申请日：2022-11-10
Applicant: 电子科技大学
Abstract: 本发明属于自然语言处理技术领域，尤其是涉及一种基于prompt的表格事实检测方法。本发明首次在表格事实检测任务上使用Prompt方法，在小样本或零样本情况下有效的提高判断效果。首先是将表格事实检测任务形式改造成和预训练表格模型一致，不需要在预训练模型的基础上做过多训练；其次是定义了一个多组的映射关系，可以方便的将prompt的预测结果转化为表格事实检测结果。
-
公开(公告)号：CN115563248A
公开(公告)日：2023-01-03
申请号：CN202211226678.2
申请日：2022-10-09
Applicant: 电子科技大学
Abstract: 本发明属于自然语言处理和问答任务领域，涉及一种基于Text‑to‑SQL的表格开放域问答方法。首先使用检索器从表格语料库中初步筛选相关的表格得到表格池，然后按相似性分数排序得到前top‑k表格作为后续的输入；在提取回答时使用深度学习的Text‑to‑SQL模型，结合问句和表格模式信息将问句转换为SQL等的标准化的逻辑形式，在表格上执行SQL并判断执行结果是否发生错误；并以此结果作为相关性依据之一回溯至表格重排序，融入新一轮相似性计算中。本发明利用了Text‑to‑SQL模型的执行结果作为表格检索的相似性排序依据，使得所检索的表格更为准确，进而提升了整个开放域问答的结果准确性。
-
公开(公告)号：CN109032671B
公开(公告)日：2022-05-03
申请号：CN201810662859.7
申请日：2018-06-25
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于数据并行策略的分布式深度学习方法及系统，本发明的系统包括一个分布式计算框架Spark、PyTorch深度学习框架、轻量级Web应用框架Flask及pickle、urllib2等相关组件；Spark框架提供集群资源管理、数据分发、分布式计算的功能；PyTorch深度学习框架，提供神经网络定义的接口，提供神经网络上层训练计算的功能；flask框架提供参数服务器功能；urllib2模块负责提供工作节点与参数服务器节点的网络通信功能；pickle负责将神经网络模型中的参数序列化与反序列化，以在网络上进行传输。本发明有效的将PyTorch与Spark结合起来，通过Spark将PyTorch与底层分布式集群解耦、吸取了各自的优势，提供便捷的训练接口，高效实现基于数据并行的分布式训练过程。
-
-
-
-
-
-
-
-
-
Search Results
75
records
(took 0.023 seconds)
