-
公开(公告)号：CN115664905A
公开(公告)日：2023-01-31
申请号：CN202211272403.2
申请日：2022-10-18
Applicant: 东南大学
IPC: H04L27/00 , H04L27/26 , H04L25/02 , G06F18/213 , G06F18/24
Abstract: 本发明公开了一种基于多域物理层指纹特征的Wi‑Fi设备识别系统及方法，包括信号采集与处理模块、特征提取模块及指纹识别模块，信号采集与处理模块利用USRP采集无线电信号，经USRP解调后的复数基带信号的采样信号作为无线接收机输入，软件解调后，采样信号被解码至数据链路层，输出帧数据；特征提取模块对帧数据进行信号处理与特征提取，提取射频信号具有的调制域特征、波形域特征以及统计度量和调制编码方案特征；指纹识别模块基于提取的特征进行分类模型训练，根据特征的维度及特征间的相关性选择最佳的分类模型，将WIFI信号经机器学习后生成的输入特征量传给最佳分类模型，进行设备的指纹匹配，实现设备的识别，大幅度提升Wi‑Fi设备指纹识别的准确率和效率。
-
公开(公告)号：CN115659989A
公开(公告)日：2023-01-31
申请号：CN202211219884.0
申请日：2022-10-06
Applicant: 东南大学
IPC: G06F40/30 , G06F40/284 , G06F40/18 , G06F18/22 , G06F18/214 , G06F18/24 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于文本语义映射关系的Web表格异常数据发现方法。本发明旨在发现Web表格中的带有模糊甚至错误语义信息的异常数据。该方法主要包括三个部分：语义表示模块、列类型推断模块以及错误发现模块。首先，通过语义表示模块表征单元格文本的含义，针对表格中的某一个单元格，根据上下文信息将单元格中的字符串文本表征为语义向量；然后，通过列类型推断模块推断该单元格所在列的类型，获取列的模式信息；最后，基于主列单元格和目标单元格在列类型和单元格文本语义向量之间的映射关系，发现并标注表格中的异常数据。
-
公开(公告)号：CN114662661A
公开(公告)日：2022-06-24
申请号：CN202210282401.5
申请日：2022-03-22
Applicant: 东南大学
Abstract: 本发明公开一种边缘计算下异构处理器加速多出口DNN(Deep Neural Networks)推理的方法，首先针对不同负载下的CPU与GPU，分别统计深度神经网络各层在CPU、GPU上的计算成本、各层提前退出分支出口的分类能力以及各网络层中间数据量大小；然后分析数据，得出特定负载情况下，将深度神经网络各层分配给CPU(GPU)处理器的最优并行组合模型；最后在终端设备上在线监测分析CPU、GPU的负载情况、以及当前的计算能力，以最小化推理时延为目标对深度神经网络推理任务进行切分，任务切块分别被分配在GPU与CPU，最终形成基于异构处理器的推理加速框架。此种方法能够提高推理的灵活性，保证准确率，降低推理总时延，满足边缘智能应用的实时性与高精度需求。
-
公开(公告)号：CN110533183B
公开(公告)日：2021-08-20
申请号：CN201910815750.7
申请日：2019-08-30
Applicant: 东南大学
Abstract: 本发明提供一种流水线分布式深度学习中异构网络感知的模型划分与任务放置方法，主要包含三个部分，分别是深度学习模型刻画、模型划分与任务放置、流水线分布式训练。本发明首先针对深度学习应用在GPU训练过程中的资源需求，刻画出其训练执行过程中计算时间、中间结果通信数量、参数同步量等相应指标，并将其作为模型划分与任务放置的输入。然后根据模型刻画得出指标以及GPU集群的异构网络连接拓扑，设计基于min‑max的动态规划算法执行模型划分与任务放置，目的是最小化划分之后各阶段任务执行时间的最大值，以确保负载均衡。最后根据划分放置结果，在模型并行的基础上使用流水线分时注入数据进行分布式训练，实现训练速度与精度的有效保障。
-
公开(公告)号：CN112131490A
公开(公告)日：2020-12-25
申请号：CN202010989380.1
申请日：2020-09-18
Applicant: 东南大学
IPC: G06F16/9537 , G06F16/36 , G06N3/08
Abstract: 本发明公开了一种知识图谱驱动下区域敏感的兴趣点推荐方法。给定用户和用户所处的地理位置以及用户的历史访问记录，兴趣点推荐希望寻找到用户将来最有可能访问的k个兴趣点。本发明以知识图谱作为辅助手段，其节点包含实体节点和属性节点，边表示实体与实体、实体与属性的关系。知识图谱可以串联各类兴趣点实体的关系，同时有效表征地理空间关系。基于知识图谱学习兴趣点类型特征和属性特征，并用L维向量表示。然后根据兴趣点地理位置关系定义区域范围以表征区域环境特征，结合兴趣点特征描述地理影响，共同进行兴趣点推荐。最后，使用基于知识图谱的位置兴趣点推荐算法进一步筛选候选结果，将得分最高的k个兴趣点作为结果返回给用户。
-
Patent Agency Ranking
公开(公告)号：CN118115531A
公开(公告)日：2024-05-31
申请号：CN202211513314.2
申请日：2022-11-29
Applicant: 中国移动通信有限公司研究院 , 东南大学 , 中国移动通信集团有限公司
IPC: G06T7/246 , G06V10/764
Abstract: 本发明提供一种多目标跟踪方法、装置及终端，涉及通信技术领域。该方法包括：将原始图像数据按照第一切分粒度进行切分，得到多个数据集；将所述多个数据集输入分类器模型进行图像内容复杂程度预测，并对预测得到的预测结果进行分类；按照分类后的预测结果对所述多个数据集进行分类，并向服务器发送分类后的数据集；接收所述服务器发送的多目标跟踪结果；其中，所述多目标跟踪结果是将所述分类后的数据集按照不同分类对应的分支跟踪模型推理得到的，且不同分类对应的分支跟踪模型的计算量不同。本发明能够解决目前的多目标跟踪方法存在计算冗余、图片传输开销大以及推理延迟的问题。
-
公开(公告)号：CN115577797B
公开(公告)日：2023-09-26
申请号：CN202211273252.2
申请日：2022-10-18
Applicant: 东南大学 , 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
Abstract: 本发明提供一种基于噪声感知的联邦学习优化方法及系统，解决联邦学习场景中客户端本地数据集的样本存在噪声而导致的全局模型精度下降的问题。本发明首先针对联邦学习中客户端本地数据集的样本噪声现象，提出使用标签冲突矩阵来表示数据噪声，然后使用标签矫正网络(LCN)拟合噪声数据集中的标签冲突概率分布，从而达到对噪声样本错误标签值的矫正效果；为了更有效的实现标签矫正网络和联邦学习模型的训练，本发明提出采用元学习的训练模式来实现同步优化；最后，本发明还提出了一种基于交叉验证的数据采样算法，从原始噪声数据集选择出一批带有相对正确标签的数据样本，从而提升LCN模型的标签矫正效果，最终提高联邦学习中训练模型的精度。
-
公开(公告)号：CN115169715A
公开(公告)日：2022-10-11
申请号：CN202210856811.6
申请日：2022-07-20
Applicant: 东南大学
IPC: G06Q10/04 , G06Q10/06 , G06Q50/26 , G06F16/2458 , G06F16/29
Abstract: 本发明公开了一种城市环境下多时间段稀疏犯罪发生地点的预测方法。所述方法包括城市空间和犯罪记录建模、门控循环网络‑神经常微分方程‑贝叶斯GRU‑ODE‑Bayes犯罪地点预测模型、数据增强模块、邻近重复增强模块。根据真实数据进行处理来抽象数据得到模型输入向量；通过GRU‑ODE‑Bayes犯罪地点预测模型通过输入城市网格嵌入和犯罪特征来预测犯罪地点；并使用数据增强模块来丰富稀疏犯罪的训练数据，使用邻近重复增强模块来实现连续的犯罪预测。本发明能对稀疏犯罪地点进行一个有效的预测，利于公共安全和城市治理。
-
公开(公告)号：CN110061927B
公开(公告)日：2021-07-23
申请号：CN201910344246.3
申请日：2019-04-26
Applicant: 东南大学
IPC: H04L12/801
Abstract: 本发明公开了一种多队列数据中心环境中基于显示拥塞通知(ECN)的标记方法，主要解决传统ECN无法感知微突发流、无法适应动态网络的问题。本发明主要包含三个部分，分别是ECN阈值下界计算、阈值基值设置和阈值动态调整。本发明首先针对多队列数据中心环境下微突发流的产生和传输过程进行稳态分析，为每一个交换队列求解出ECN阈值的下界，保证交换机队列缓冲区能够有效地吸收微突发流。然后基于理想的Generic Packet Schedule(GPS)模型，对ECN阈值下界进行调整并为每个队列设置阈值基值，保证交换队列的入队速率和出队速率平衡，最后，基于提高网络吞吐量的目标，针对交换机内存资源建立队列缓冲区最大化利用的优化模型，提出ECN阈值动态调整算法。
-
公开(公告)号：CN110533183A
公开(公告)日：2019-12-03
申请号：CN201910815750.7
申请日：2019-08-30
Applicant: 东南大学
Abstract: 本发明提供一种流水线分布式深度学习中异构网络感知的模型划分与任务放置方法，主要包含三个部分，分别是深度学习模型刻画、模型划分与任务放置、流水线分布式训练。本发明首先针对深度学习应用在GPU训练过程中的资源需求，刻画出其训练执行过程中计算时间、中间结果通信数量、参数同步量等相应指标，并将其作为模型划分与任务放置的输入。然后根据模型刻画得出指标以及GPU集群的异构网络连接拓扑，设计基于min-max的动态规划算法执行模型划分与任务放置，目的是最小化划分之后各阶段任务执行时间的最大值，以确保负载均衡。最后根据划分放置结果，在模型并行的基础上使用流水线分时注入数据进行分布式训练，实现训练速度与精度的有效保障。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.019 seconds)
