-
公开(公告)号：CN106529667A
公开(公告)日：2017-03-22
申请号：CN201610863792.4
申请日：2016-09-23
Applicant: 中国石油大学(华东)
CPC classification number: G06N3/0436 , G06N3/0454 , G06N3/08
Abstract: 本发明提出了一种大数据环境下基于模糊深度学习的测井相识别与分析方法，首先，构建模糊区域卷积神经网络，将给出目标假设区域和目标识别放入同一个网络中，共享卷积计算，一个训练过程更新整个网络的权重；接下来，把输入的测井数据集分割成若干小数据集，每一个小数据集经过模糊区域卷积神经网络进行卷积和池化操作的步骤；然后，利用分类后的特征构建测井相-沉积相知识库，所述测井相-沉积相知识库基于无歧义的测井数据、沉积相融合方法，建立相应的包含沉积相、沉积亚相、沉积微相的知识库以支持对沉积相与测井相的关联分析，从而建立测井相-沉积相知识库，确定当前的测井数据与沉积相的对应关系。
-
公开(公告)号：CN105868691A
公开(公告)日：2016-08-17
申请号：CN201610148321.5
申请日：2016-03-08
Applicant: 中国石油大学(华东)
CPC classification number: G06K9/00724 , G06K2209/21 , G06K2209/23 , G06N3/02
Abstract: 本发明提出一种基于快速区域卷积神经网络的城市车辆追踪方法，在监控视频中标注要追踪的车辆，输入到神经网络中进行快速的训练得到模型，通过识别道路监控视频来判断该车辆是否在此路口出现，在地图上标注出所有检测到此车辆的摄像头的位置，按照时间顺序连接，就可以得到此车辆的行驶轨迹，使用车辆的历史轨迹可以预测车辆的行驶方向，在最短的时间找出车辆在城市中的位置。
-
公开(公告)号：CN105760422A
公开(公告)日：2016-07-13
申请号：CN201610040257.9
申请日：2016-01-18
Applicant: 中国石油大学(华东)
CPC classification number: G06F9/545 , G06F16/24568
Abstract: 本发明提出了一种面向迭代式海量实时流计算方法，属于[在线，批处理/流处理，Iterative]类型的大数据编程模型，包括以下步骤：步骤一、搭建集群环境；步骤二、开发拓扑结构，上传拓扑任务到大数据集群环境；步骤三、打开监控页面；步骤四、启动监控器，感知拓扑结构的运行状态。本发明提出了一种面向迭代式海量实时流计算方法，能够为特定算法或应用提供数据迭代计算的编程基础；具有低延迟、迭代计算、内存计算、高度并行等优点；在充分利用现有的大数据底层通信技术的前提下，实时读取海量流数据，迭代计算并行化的数据流，达到满足特定业务下数据迭代计算的需求。
-
公开(公告)号：CN105700947A
公开(公告)日：2016-06-22
申请号：CN201610084894.6
申请日：2016-02-02
Applicant: 中国石油大学(华东)
CPC classification number: G06F9/4881 , G06F9/5083
Abstract: 本发明提出了一种针对实时云环境Storm的提高网络资源利用率计算方法，在一个Tuple数据从一个Spout或者Bolt发送之前，结合拓扑动态结构，首先进行第一个判断过程，判断即将接受Tuple数据的Bolt是否与发射Tuple数据的Spout或者Bolt在同一个Worker里面；如果是，那么直接将数据的引用或指针发送给接受Bolt；如果不是，那么接下来进行第二个判断过程，判断即将接受Tuple数据的Bolt是否与发射Tuple数据的Spout或者Bolt在同一个物理节点上。本发明旨在确定Tuple的发送者与接收者之间的部署关系，来减少网络开销。
-
公开(公告)号：CN105678214A
公开(公告)日：2016-06-15
申请号：CN201510995736.1
申请日：2015-12-21
Applicant: 中国石油大学(华东)
CPC classification number: G06K9/00825 , G06K9/6268
Abstract: 本发明提出了一种云环境下基于卷积神经网络车型识别的车流量统计方法，包括以下步骤：构建车型数据库；设计用于车型识别的卷积神经网络；进行卷积神经网络的训练；利用实时云平台进行车型识别；利用卡尔曼滤波器跟踪车辆，统计相应车型的车流量。本发明的云环境下基于卷积神经网络车型识别的车流量统计方法，将基于卷积神经网络的图像识别技术与云计算相结合，把基于车型识别的车流量统计利用云计算技术并行化，提高车流量统计的速率；在充分利用计算资源的前提下，找到最优的网络，对车型进行识别，统计出车流量，达到实时的目的。
-
Patent Agency Ranking
公开(公告)号：CN105630652A
公开(公告)日：2016-06-01
申请号：CN201610084893.1
申请日：2016-02-02
Applicant: 中国石油大学(华东)
CPC classification number: G06F11/3006 , G06F9/45508 , G06F11/323 , G06F2201/805
Abstract: 本发明提出了一种面向实时大数据平台Storm的运行时三维可视化系统，周期性地与Storm云环境主节点交互，感知集群节点个数和资源消耗、worker与任务线程到Storm云的物理映射、每个任务资源消耗、拓扑结构的静态结构和动态属性的状态，实现对Storm云环境内部运行状态的监控；同时，利用OpenGL在Java虚拟机上实现的JOGL开源库来实现对所获得的状态的实时可视化。本发明的面向实时大数据平台Storm的运行时三维可视化系统具有资源消耗少的特点，不会与Storm集群运行的任务争抢资源。
-
公开(公告)号：CN105721199B
公开(公告)日：2019-06-07
申请号：CN201610040259.8
申请日：2016-01-18
Applicant: 中国石油大学(华东)
IPC: H04L12/24
Abstract: 本发明提出了一种基于核密度估计与模糊推理系统的实时云服务瓶颈检测方法，包括以下步骤：步骤1、启动实时云环境，运行云服务；步骤2、启动实时云服务状态参数获取组件；步骤3、获取某一段时间内集群正常运行环境下的云服务状态参数，采用核密度估计模型对其进行建模，同时开启模糊推理系统；步骤4、新获得的状态参数输入到该模糊推理系统中，计算出瓶颈指数；步骤5、设置阈值，观察每一个云服务瓶颈指数的历史规律，如果在某一时间段内一直超过阈值，则启动预警机制。本发明的方法能够实时获取云集群中每一个服务的运行状态，存入数据仓库；实现对每一个实时云服务的瓶颈检测；当实时云服务的瓶颈指数长时间超过某一阈值，启动预警机制。
-
公开(公告)号：CN106874883A
公开(公告)日：2017-06-20
申请号：CN201710106887.6
申请日：2017-02-27
Applicant: 中国石油大学(华东)
CPC classification number: G06K9/00228 , G06F9/5044 , G06K9/00268 , G06K9/00288 , G06K9/00979 , G06K9/6256 , G06K9/6267
Abstract: 本发明公开了一种基于深度学习的实时人脸检测方法及系统，该方法包括以下步骤：构建的人脸图像数据库和卷积神经网络，利用构建的数据库对神经网络进行训练，得到最优的卷积神经网络以及人脸数据库中的人脸特征；构建storm拓扑结构；数据源输入组件将实时视频流分发给各数据处理组件，数据处理组件通过卷积神经网络对人脸和非人脸进行分类、人脸边界框回归、坐标定位，得到人脸检测的结果。本发明通过优化后的卷积神经网络对人脸图像数据进行特征提取，有效地提高了特征提取的准确率，将Storm架构和卷积神经网络的特征提取相结合，提高了人脸检测的效率。
-
公开(公告)号：CN106372402A
公开(公告)日：2017-02-01
申请号：CN201610762101.1
申请日：2016-08-30
Applicant: 中国石油大学(华东)
CPC classification number: G06F19/00 , G06N3/0436 , G06N3/0454
Abstract: 本发明提出了一种大数据环境下模糊区域卷积神经网络的并行化方法，首先，构建模糊区域卷积神经网络，将给出目标假设区域和目标识别放入同一个网络中，共享卷积计算，一个训练过程更新整个网络的权重；接下来，把输入的测井数据集分割成若干小数据集，多个工作流并行化经过模糊区域卷积神经网络进行卷积和池化操作，每一小数据集单独利用梯度下降进行训练。本发明优化网络结构和参数，实现更好的分析性能和精度；而且，本发明针对不同的测井数据集调整FR-CNN模糊化的层数，使提取的特征更好的反映油气储层本身的特性，可以解决测井数据模糊性问题；本发明利用多GPU进行FR-CNN的并行训练和执行，以提高FR-CNN的效率。
-
公开(公告)号：CN105678216A
公开(公告)日：2016-06-15
申请号：CN201511003082.6
申请日：2015-12-21
Applicant: 中国石油大学(华东)
CPC classification number: G06K9/00718 , G06K9/6269
Abstract: 本发明提出了一种基于深度学习的时空数据流视频行为识别方法。相比于传统使用单数据流，也就是单一视频流的深度学习方法，本发明使用了时空数据流，即空间流和时间流，空间流从静态的视频帧中识别视频中的目标类别，而时间流从视频中的运动成分中识别目标的运动，最后将这两者的分类结果相融合，得到最终的行为类别。本发明将目标和运动分开识别，能够减少神经网络计算的负担，同时有效提高准确率。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.028 seconds)
