-
公开(公告)号：CN116881552A
公开(公告)日：2023-10-13
申请号：CN202310786127.X
申请日：2023-06-29
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F16/9536 , G06F16/9538 , G06F18/24 , G06N3/048 , G06N3/08 , G06Q30/0601 , G06F18/23213
Abstract: 本发明主要提出融合可靠性的联合神经协同过滤推荐系统，属于推荐技术领域。包括数据采集和预处理，转化为用户‑项目评分矩阵R；借助直觉模糊集概念来检测自然噪声并生成可靠性矩阵；设计双线性交互层提升获取特征向量低阶交互质量；通过统一的深度神经网络将评分训练和可靠性训练紧密耦合，从而双向增强评分预测和可靠性预测；根据预测分数对预测集合排序，取前top‑N个作为推荐列表；根据实验得出的最佳可靠性阈值过滤不可靠的预测评级，确保最终推荐列表的可信度，有效提升模型推荐性能。
-
公开(公告)号：CN115858944A
公开(公告)日：2023-03-28
申请号：CN202211568216.9
申请日：2022-12-06
Applicant: 重庆邮电大学
IPC: G06F16/9536 , G06N3/04 , G06N3/084
Abstract: 本发明提出一种融合注意力机制的残差神经协同过滤推荐系统，属于推荐技术领域。包括有服务器，用于设置数据采集及准备模块、偏好信息提取模块、模型训练模块、模型预测和推荐模块。同时，服务器连接连接数据库，为上述模块提供数据信息；智能终端，即用户所使用的手机或者电脑，能够保留用户在终端上浏览、点击或购买物品的行为数据信息并将其传入上述数据库中进行保存；数据库，连接智能终端，用于保存用户在智能终端上留下的行为数据信息；数据采集及准备模块提取上述数据库提供的用户行为数据，并对其进行清洗和标准化；偏好信息提取模块从提供的用户行为数据中，提取用户对物品的偏好信息，以此建模；模型训练模块进行求解，获得模型的最优参数，最后通过推荐模块为每个用户提供个性化物品推荐，以提高用户的满意程度。
-
公开(公告)号：CN114898260A
公开(公告)日：2022-08-12
申请号：CN202210485011.8
申请日：2022-05-06
Applicant: 重庆邮电大学
Abstract: 本发明提出一种基于机器学习的网球动作评分方法及系统，属于动作评分领域。包括有智能终端、服务器端、数据库端三部分。智能终端用于收集用户网球动作相关数据并进行初步特征工程，然后通过网络协议将处理后的数据上传至数据库端；数据库负责存储用户相关数据以及服务器产生的过程性数据；服务器端从数据库端中提取网球动作特征数据，并基于Openpos和信息增益对数据进行进一步的清洗、筛选和聚合，然后利用LightGBM对用户网球动作规范进行评估，最后给出具体评分。经多次实验证明，本发明在评分准确率、模型推理速度、复杂场景适应能力都有着良好表现。
-
公开(公告)号：CN109951282B
公开(公告)日：2022-04-01
申请号：CN201910244707.X
申请日：2019-03-28
Applicant: 重庆邮电大学
Abstract: 本发明涉及基于分段CUBIC混沌映射的伪随机序列产生方法，属于混沌密码学领域。该方法具体包括：S1：随机设置初始值和初始控制参数；S2：根据PCMFO生成伪随机数；S3：迭代PCMFO，得到临时浮点数；S4：从临时浮点数中提取四个位数相同的临时值，作为自变量生成4个输出数；S5：并列四个输出数，即为伪随机序列。本发明在提高密码复杂度的同时，实现了效率和安全性之间的良好平衡。
-
公开(公告)号：CN113849772A
公开(公告)日：2021-12-28
申请号：CN202111206920.5
申请日：2021-10-15
Applicant: 重庆邮电大学
Abstract: 本发明涉及基于本地化差分隐私对矩阵分解算法的隐私信息保护，属于计算机推荐系统领域和信息安全领域，包括将训练模型解耦的分布式框架，用户原始数据与服务器完全分离开；改进矩阵分解的传统模型，将项目潜在特征矩阵分裂为两个子矩阵之和；使用随机投影技术和piesewise机制对模型的中间参数即梯度进行扰动处理；服务器聚合来自所有用户的扰动梯度，进行模型参数更新，用户使用原始数据进行本地参数的更新。本发明具有良好的隐私保护和模型准确性。
-
Patent Agency Ranking
公开(公告)号：CN103812807A
公开(公告)日：2014-05-21
申请号：CN201410073771.3
申请日：2014-02-28
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于凸优化技术的增强余弦调制滤波器组多载波通信系统抗干扰能力的方法，属于无线通信技术领域。包括以下步骤：在发送端先对原始信号进行基带调制和R位串并变换得到并行信号；在并行信号中随机插入零值；对插入零值的信号进行余弦调制综合滤波器组调制，再由高斯信道发射出去；接收端对经过高斯信道后的接收信号进行处理，先进行快速傅里叶变换，再对信号进行频域均衡，接着对信号进行快速傅里叶逆变换得到时域信号；再将时域信号通过基于凸优化技术干扰估计模块后，得到包含的干扰信号，接着再将信号与干扰信号进行减运算，得到新的信号；对新的信号进行余弦调制滤波器分析滤波器组解调和基带解调等操作，获得原始发送信号。该方法能有效提高信号传输的可靠性。
-
公开(公告)号：CN119939657A
公开(公告)日：2025-05-06
申请号：CN202510021407.0
申请日：2025-01-06
Applicant: 重庆邮电大学
IPC: G06F21/62 , G06F21/12 , G06F16/9535 , G06F21/55 , G06N3/094 , G06N3/0475 , G06N5/04
Abstract: 本发明涉及一种面向生成式推荐系统的成员推理攻击方法，属于计算机推荐系统领域和信息安全领域。该方法具体包括：将目标用户的历史交互数据转换为目标模型需要的输入格式，并将其数据并入到另一个与目标数据集datatarget完全不重合的影子数据集datashadow，以相同的参数训练一个与目标模型结构一样的辅助模型modeleauxiliary，再讲目标用户的数据分别输入到目标模型modeltarget和辅助模型modelauxiliary中得到两个模型输出的推荐列表，计算推荐列表的重合度ε作为目标用户的特征；输入到推断模型modelinference，最后输出目标用户的成员关系。本发明在推断成员关系的准确性有良好的效用。
-
公开(公告)号：CN119863431A
公开(公告)日：2025-04-22
申请号：CN202411901802.X
申请日：2024-12-23
Applicant: 重庆邮电大学
IPC: G06T7/00 , G06T7/246 , G06T7/80 , G06T5/60 , G06T5/73 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及一种基于DeblurGAN‑v2与YOLOv5的移动场景下木材计数方法，属于信息技术领域。旨在解决现有技术中无法有效处理运动模糊图像，导致木材计数精度低、效率低下的问题。该方法利用工业相机采集移动场景中木材的运动模糊图像，并通过可视化图像标定工具对图像中的木材边界进行标记，构建原始数据集。将原始数据集输入DeblurGAN‑v2模型进行预处理操作，生成清晰图像，构建去模糊数据集。将去模糊数据集训练并建立基于YOLOv5的木材检测模型，并进行模型评估。将去模糊数据集中的图像输入训练好的YOLOv5模型进行预测，识别并计数图像中的木材。本发明显著提升了移动环境中木材计数的准确性和效率。
-
公开(公告)号：CN119149812A
公开(公告)日：2024-12-17
申请号：CN202411204347.8
申请日：2024-08-30
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F16/9536 , G06F18/22 , G06F18/10
Abstract: 本发明提出的一种通用的解决数据稀疏性的推荐框架，包括从数据库中获取和清理数据信息，以获得所需信息；使用用户与物品原始的评分矩阵R生成用户交互矩阵T，然后采用流行度对共同交互矩阵进行赋权；使用用户与物品原始的评分矩阵R并采用一种相似度计算方法生成相似度矩阵S；通过共同交互值Ti,j与系统设定的可靠性阈值t进行比较，将共同交互值低于阈值的对应位置相似度进行过滤，保留较高可靠性位置的相似度值Si,j；使用矩阵分解模型MF对去噪后的相似度矩阵进行填充，并进行对称化处理，生成去噪填充后的相似度矩；结合去噪填充后的相似度值和原始评分值以得到用户对物品的预测值；对用户对未评分物品的综合预测值进行排序，选取前k个项目以生成用户的推荐物品列表。
-
公开(公告)号：CN119066262A
公开(公告)日：2024-12-03
申请号：CN202410931735.X
申请日：2024-07-12
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F16/9536 , G06N3/0475 , G06N3/094 , G06N3/045
Abstract: 本发明提出了基于条件生成对抗网络的负采样推荐模型。首先，通过数据清理获取用户项目评级矩阵R，并将其划分为隐式矩阵：高评分矩阵P，及低评分和无评分的矩阵U。使用间谍技术将P矩阵中部分数据作为间谍样本加入U矩阵，提高判别器的区分能力。随后，生成器通过排序获取可靠的负样本，经过条件生成对抗网络训练获取负样本概率，并选择高概率负样本输入协同过滤生成对抗网络，同时选取相同数量的其他负样本训练缓解平凡解问题。负样本处理策略要求其余负样本的预测值趋近于非零小数，策略负采样的预测值接近于0。最终，推荐结果模块对预测评级进行排序，推送前k个项目给目标用户，生成个性化推荐列表。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.025 seconds)
