-
公开(公告)号：CN114980172A
公开(公告)日：2022-08-30
申请号：CN202210568991.8
申请日：2022-05-24
Applicant: 重庆邮电大学
Abstract: 本发明属于无线网络通信技术领域，具体涉及一种基于边缘计算和元深度强化学习的多任务路由优化方法，该方法包括：终端设备入网将路由任务发送给控制器；控制器根据路由任务构建子模型，并采用优化的元模型对子模型参数进行更新；终端设备根据子模型参数对本地模型参数进行更新，并获取终端的设备的局部状态信息，采用本地模型对局部状态信息进行处理，得到对应的动作；终端设备根据得到的动作与环境进行交互，得到经验信息；控制器计算经验信息的引导奖励值，并对经验信息进行更新；根据更新后的经验信息执行路由；本发明在对元模型参数进行更新过程中，采用GRU优化器来更新元模型参数，避免梯度下降方法中人为配置学习率导致的不适配问题。
-
公开(公告)号：CN112286666B
公开(公告)日：2022-07-15
申请号：CN202011287136.7
申请日：2020-11-17
Applicant: 重庆邮电大学
Abstract: 本发明属于任务卸载领域，具体涉及一种基于回调机制的细粒度数据流可靠卸载方法；所述卸载方法包括客户端设备与边缘云服务器按照MQTT建立连接；按照数据流类型所对应的第一特定帧片段提取粗粒度数据流；采用卷积神经网络从粗粒度数据流中的第二特定帧片段提取细粒度数据流；客户端将细粒度数据流上传至边缘云服务器中，向客户端设备返回上行回调消息；边缘云服务器进行数据处理后生成结果，并将结果回传至客户端设备中，向边缘云服务器返回下行回调信息；否则直接在客户端设备对细粒度数据流进行本地处理生成结果；本发明基于回调机制保证了数据上行至服务器以及结果下发至客户端，能够显著提升QoE；并提升了计算资源的利用率。
-
公开(公告)号：CN114500325A
公开(公告)日：2022-05-13
申请号：CN202210102260.4
申请日：2022-01-27
Applicant: 重庆邮电大学
IPC: H04L43/0817 , H04L41/0631 , G06N3/04 , G06N3/08
Abstract: 本发明属于故障检测领域，特别涉及一种基于无监督迁移学习的SDN控制器故障自适应智能检测方法，包括构建GRU‑VAE模型，并将源领域数据作为训练数据对GRU‑VAE模型进行训练，将训练获取的领域知识进行知识迁移形成检测器；将待检测的数据作为目标领域数据，并将源领域数据和目标领域数据中的特征变换到Grassmann流形空间中并基于多核MMD的动态分布对该空间中特征进行对齐，计算对齐后源领域数据和目标领域数据的边缘分布差异；根据边缘分布差异更新检测器平衡因子；检测器对数据进行检测，并判断检测结果是否收敛，若收敛则输出检测结果，否则返回重新计算边缘分布差异；本发明减少故障检测中域之间的数据漂移问题。
-
公开(公告)号：CN113111581A
公开(公告)日：2021-07-13
申请号：CN202110385031.3
申请日：2021-04-09
Applicant: 重庆邮电大学
Abstract: 本发明涉及时空轨迹预测技术领域，具体涉及一种结合时空因素和基于图神经网络的LSTM轨迹预测方法，获取用户的签到数据；数据预处理：根据用户的平均签到数量和社交关系情况进行筛选；划分位置域，并采用聚类方法将同一位置域的用户赋予相同的位置标签；将时空因素引入门控机制，采用长短时记忆神经网络LSTM和历史轨迹序列学习用户的移动习惯，建立个人移动轨迹模型；将时间序列输入个人移动轨迹模型中预测用户未来某个时间段的出行轨迹；采用基于图神经网络的位置语义推断方法推断出行轨迹预测结果中的位置语义类别。本发明针对基于位置的社交网络产生的签到数据的稀疏性，结合文本内容进行位置发现和提取，扩展位置数量，提高预测准确率。
-
公开(公告)号：CN112800756A
公开(公告)日：2021-05-14
申请号：CN202011334119.4
申请日：2020-11-25
Applicant: 重庆邮电大学
IPC: G06F40/284 , G06N3/04 , G06N3/08
Abstract: 本发明涉及计算机网络技术领域，特别涉及一种基于PRADO的实体识别方法，包括获取原始数据，并对原始数据进行分词、标注处理；在PRADO层，基于投影嵌入模型，使用局部敏感哈希构建投影网络，将句子中的每个字转化为低维的Embedding词表；利用BiLSTM神经网络上下文关联的特点提取Embedding向量特征；将BiLSTM层获取的特征向量通过注意力机制的方法分配以不同的注意力权重；利用CRF完成序列标注的任务；本发明采用LSH算法来构建投影网络，以达到减少词嵌入向量参数的目的，同时使用注意力机制来保证该特征向量与全文的联系，来消除LSH算法不能较好的联系上下文的隐患。
-
Patent Agency Ranking
公开(公告)号：CN111459628A
公开(公告)日：2020-07-28
申请号：CN202010172152.5
申请日：2020-03-12
Applicant: 重庆邮电大学
Abstract: 本发明涉及资源分配与任务调度领域，尤其涉及一种基于改进量子蚁群算法的Spark平台任务调度方法，包括节点信息监测模块收集所在节点的CPU利用率、内存利用率与网络传输速度等状态信息并周期性的发送到节点信息收集模块，由节点信息收集模块对其收集的节点状态指标进行更新；Spark调度器将待调度的任务信息和当前可用的计算资源节点列表发送到任务调度管理模块；任务调度管理模块从节点信息收集模块获取当前可用的计算资源节点列表的状态信息，再通过任务调度管理模块内置的改进量子蚁群算法来规划调度方案，并将该调度方案返回给Spark调度器，Spark调度器完成调度；本发明可以有效缩短任务执行时间跨度，提高任务执行效率。
-
公开(公告)号：CN110958575A
公开(公告)日：2020-04-03
申请号：CN201911210986.4
申请日：2019-12-02
Abstract: 本发明涉及定位技术领域，特别涉及一种基于WiFi融合预测的定位方法及系统，方法包括在参考点处采集来自各个接入点的RSSI；建立改进卡尔曼模型，并对不同环境下的改进卡尔曼模型进行训练，将获取的数据输入训练好的改进卡尔曼模型进行滤波，获得指纹库；移动终端采集RSSI，并利用改进卡尔曼模型进行滤波；根据指纹库和基于上一个时刻位置约束的WKNN定位算法得到WiFi定位系统的定位结果；判断历史轨迹库中轨迹数量是否达到阈值，若达到则根据历史轨迹库中的数据通过融合传感器信息的马尔科夫预测模型得到当前位置的预测结果；本发明提升整个定位系统的精度，整个系统即使在恶劣的室内环境中依然可以保证很好的定位性能。
-
公开(公告)号：CN110784366A
公开(公告)日：2020-02-11
申请号：CN201911097117.5
申请日：2019-11-11
IPC: H04L12/24 , H04L12/803 , H04L12/933 , H04L29/08
Abstract: 本发明属于软件定义网络技术领域，特别涉及一种SDN中基于IMMAC算法的交换机迁移方法，包括获取每个控制器的负载信息以及软件定义网络的网络拓扑；根据每个控制器的负载信息计算单个控制器负载以及控制集群负载的平均值；若控制集群负载平均值大于控制集群负载阈值且单个控制器负载小于单个控制器的负载阈值则根据软件定义网络的网络拓扑制定交换机迁移策略；利用IMMAC算法对制定的交换机迁移策略进行优化，并完成交换机的迁移；本发明不仅可以减少邻近控制器容易出现过载的概率，也能降低高负载控制器响应交换机请求的时间，而且本文提出的IMMAC算法，相较于引入传统的遗传等智能算法来说，可以提高算法时间效率、求解精度。
-
公开(公告)号：CN109660656A
公开(公告)日：2019-04-19
申请号：CN201811380538.4
申请日：2018-11-20
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种智能终端应用程序识别方法，基于机器学习的流量识别方法具有良好的扩展性，可以挖掘网络流量的隐含的特征，能准确识别加密网络流，而且还能发现新的网络应用。由于基于机器学习的分类方法较智能、灵活，近年来，越来越多的网络流量分类研究集中在这一领域。与现有技术相比，本发明使用载荷分析部分信息，避免侵犯隐私并且对加密流量进行识别，具有推广应用的价值。
-
公开(公告)号：CN108446179A
公开(公告)日：2018-08-24
申请号：CN201810208263.X
申请日：2018-03-14
Applicant: 重庆邮电大学
IPC: G06F9/50
Abstract: 本发明属于资源分配技术领域，公开了一种基于负载均衡机制的权重优先Task任务调度方法，避免单个高权值worker节点负载过高，以及大的task任务直接被丢弃的问题进行改进；首先将task任务进行分类，以task任务读取速度和占用资源量的大小两个条件，将task任务分为四类；在各个worker节点上加入负载均衡模块，使之成为分布式负载均衡模型；并动态监测各worker节点上的资源使用和负载情况，在master节点上根据权值的大小，再通过与task分类情况进行映射至各个worker节点，再进行task任务的调度。解决各个高权值worker节点间负载不均衡及队列拥堵的问题。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.018 seconds)
