-
公开(公告)号：CN113515782A
公开(公告)日：2021-10-19
申请号：CN202110716097.6
申请日：2021-06-18
Applicant: 北京工业大学
Abstract: 一种基于区块链与零知识证明的个人轨迹证明方法涉及区块链技术与零知识证明技术领域，具体如下：涉及个人轨迹生成与个人轨迹验证两类过程：在个人轨迹生成过程中，用户与信号接入点交互后生成可信的位置信息，并将该信息加密上链；在个人轨迹证明过程中，用户为证明个人轨迹的相关信息，向位置服务商提供零知识轨迹证明，服务商通过区块链智能合约验证该证明是否有效，根据结果提供相应的服务。本方法能够在基于位置服务场景下用户提供个人信息时，避免身份信息与轨迹信息绑定、用户隐私信息暴露的可能；同时杜绝了未经审核的用户提交不合法的证明，保护验证方的利益。
-
公开(公告)号：CN113490143A
公开(公告)日：2021-10-08
申请号：CN202110816004.7
申请日：2021-07-19
Applicant: 北京工业大学
Abstract: 本发明公开了一种错误基站和重复基站筛查修正的方法，涉及无线通信领域。其特征在于，该方法包括：获取用户产生的话单数据；在时间序列中，基于用户产生的话单数据，找出异常基站和正常基站；以规定的固定格式记录异常基站数据和正常基站数据；划分异常基站为错误基站类型或者重复基站类型；修正异常基站的位置信息并更新基站信息表。相较于现有的技术，本发明的有益效果是：方便快捷的对系统中记录的基站位置信息进行检测，找到系统中的异常基站；有效的划分异常基站为错误基站类型或者重复基站类型；以最少的人力成本迅速迭代优化基站信息表，为LBS应用打下坚实基础。
-
公开(公告)号：CN108108756A
公开(公告)日：2018-06-01
申请号：CN201711368252.X
申请日：2017-12-18
Applicant: 北京工业大学
IPC: G06K9/62
Abstract: 本发明公开一种基于SVM分类算法的话单信息中敏感电话发现方法，包括以下步骤：步骤1、在话单大数据中寻找出用户话单中与一般、普通电话具有根本性差异的具有一系列敏感特征的电话号码；步骤2、对电信运营商话单大数据进行挖掘、分析，在用户话单大数据中提取不同号码的通话记录特征信息；步骤3、把上述特征信息做为训练SVM分类模型的特征向量，在话单大数据中选取一定量已知的话单数据，训练SVM分类模型；步骤4、采用改SVM分类算法模型，对话单中可能的敏感电话号码与正常号码进行区分，寻找出可疑电话。
-
公开(公告)号：CN108093418A
公开(公告)日：2018-05-29
申请号：CN201711366689.X
申请日：2017-12-18
Applicant: 北京工业大学
CPC classification number: H04W24/02 , G06K9/6276 , H04L41/142 , H04L41/147 , H04W72/1252
Abstract: 本发明公开一种基于K最近邻算法的话单信息挖掘通话预测、动态基站接入方法，包括：步骤1、在话单大数据中寻找出基站一段时间内，时间点相对规律性的、固定的通话信息，以及该基站所能承担的最大移动终端接入量；2、对上述具有规律性电话号码，以其通话时间点，接入连续性，不同通话时间方差等参数作为统计信息为特征，基于K最近邻算法对每一号码进行精确分类；3、当基站预测将达到饱和程度时，提前规划通知附近基站，将其他的临时接入移动终端连接申请主动导入其他附近基站；4、判断该基站每天的繁忙、空闲程度，决定是否为该基站扩容以及在附近部署新的固定或临时性基站，或将周围基站暂时关闭、拆撤。
-
公开(公告)号：CN108090787A
公开(公告)日：2018-05-29
申请号：CN201711368254.9
申请日：2017-12-18
Applicant: 北京工业大学
IPC: G06Q30/02
Abstract: 本发明公开一种基于Apriori算法的话单数据深度挖掘和用户行为预测的方法，包括如下步骤：步骤1、根据话单中相关信息和用户对应行为特征，找寻出其中某些特有话单信息与用户后续的一些行为特征的关联关系频度；步骤2、根据上述关联关系发生的频度强度，对上述关系进行排序。将排名靠前的具有较强关联性的相关项找出，进而根据此规则对不同用户的行为进行挖掘、统计；步骤3、基于Apriori算法给出用户相关行为等的预测。
-
Patent Agency Ranking
公开(公告)号：CN107613463A
公开(公告)日：2018-01-19
申请号：CN201710982621.8
申请日：2017-10-20
Applicant: 北京工业大学
Abstract: 本发明公开一种基于用户话单数据中不同基站接入频次加权的基站位置估计方法，括如下步骤：(1)对于经、纬度信息存疑的基站，在话单大数据中寻找与该基站进行连接了的全部电话号码；(2)对这些电话号码在连接该基站的一定时间范围内的话单数据进行分析，基于时空的连续性，对这些号码连接该存疑基站上、下文基站的信息进行统计；(3)针对上述基站，建立基站集合，根据集合中不同基站出现的频次，计算上述基站在基站估计中的权值，对存疑基站的经、纬度信息进行加权平均计算；(4)对上述目标多天数据进行采集，剔除干扰外点，并采用最小二乘估计算法计算平均值作为最终存疑基站的经、纬度估计值。
-
公开(公告)号：CN107609196A
公开(公告)日：2018-01-19
申请号：CN201710975842.2
申请日：2017-10-19
Applicant: 北京工业大学
Abstract: 本发明公开一种基于用户话单大数据特征信息的AdaBoost用户居住地判别方法，基于统计方法进行以下3个特征的不同统计向量：1、计算用户一段时间，每天话单中最大未通话时间间隔的重合度；2、计算用户多日话单中重合最大未通话间隔连续的天数；3、计算用户每天话单中的最大未通话时长。根据上述信息获得该话单的多个统计向量，基于AdaBoost分类算法，以及用户的居住地与非居住地样本，对模型进行训练，并使用训练所获得模型对用户的居住地进行判断，通过精准的特征向量选择，使得最终基于AdaBoost算法的分类器分类效果更佳、分类精度更高。
-
公开(公告)号：CN119903123A
公开(公告)日：2025-04-29
申请号：CN202510095343.9
申请日：2025-01-21
Applicant: 北京工业大学
IPC: G06F16/29 , G06F16/56 , G06V20/13 , G06V20/70 , G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/082 , G06N3/09 , G06N3/0985
Abstract: 本发明公开了基于深度学习语义分割算法的光伏电站矢量数据集构建方法。首先，获取开源卫星遥感影像数据和多源异构数据并进行地理校准处理，确保影像和多源数据的一致性。其次，采用渔网划分方法对研究区矢量进行分割，并结合多源数据作为先验知识，通过空间分层抽样算法获取采样区域。人工标注采样区内的光伏电站，构造语义分割训练集与验证集。基于DSFA‑SwinNet网络和训练数据，建立光伏电站分割模型。最后，利用该模型对剩余研究区域进行分割处理，并通过过滤和形态学处理优化分割结果，将栅格数据转化为矢量格式，完成光伏电站矢量数据集的构建。
-
公开(公告)号：CN112905800B
公开(公告)日：2025-01-14
申请号：CN202110092936.1
申请日：2021-01-25
Applicant: 北京工业大学
IPC: G06F16/36 , G06F16/35 , G06F16/958 , G06F18/2431
Abstract: 本发明公开了基于公众人物舆情知识图谱和XGBoost多特征融合情感预警方法，采用XGBoost梯度提升决策树和知识图谱结合的方式，从多特征角度对舆情预警值进行分析。首先实时获取微博文本，对每个微博文本进行处理。之后通过LDA实现主题提取，XGBoost进行微博情感分析，公众人物舆情知识图谱的构建，舆情事件热度计算。最后情感预警值计算与等级划分。采用XGBoost梯度提升决策树和知识图谱结合的方法，同时设计提出话题和事件的热度值和情感预警值计算公式，从转发、评论、点赞和情感极性等多维传播特征角度对舆情预警值进行计算，并对话题和事件采用不同的等级划分机制，使得舆情分析更加准确和快速。
-
公开(公告)号：CN119249196A
公开(公告)日：2025-01-03
申请号：CN202411243577.5
申请日：2024-09-05
Applicant: 北京工业大学
IPC: G06F18/24 , G10L25/18 , G10L25/24 , G10L25/30 , G10L25/63 , G06F18/15 , G06F18/213 , G06F18/25 , G06F40/284 , G06F40/295 , G06N3/045 , G06N3/09
Abstract: 本发明公开了一种基于权重策略的文本音频多模态情感识别方法，采用基于ERNIE模型的文本处理方法，利用知识化的语言表征技术有效捕获文本中的语义信息，通过设计多注意力机制的文本情感识别模型，动态调整权重并多层次地捕获文本中的关键情感信息，从而精确输出情感分类结果。针对音频数据，进行预处理包括降噪、分段和归一化，确保后续特征提取的准确性，从音频数据中提取MFCC和GFCC特征，并经过归一化处理和拼接，形成高维特征向量，以此输出音频的情感分类结果。通过基于深度学习的权重策略，模型能够自动学习并优化文本和音频特征的融合权重，最终将文本和音频特征非线性地融合，生成最优的融合特征表示。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.026 seconds)
