-
公开(公告)号：CN118842570B
公开(公告)日：2025-05-09
申请号：CN202410934223.9
申请日：2024-07-11
Applicant: 南京理工大学
IPC: H04L9/00 , H04L9/40 , H04L67/1023 , H04L67/104 , H04L67/1061
Abstract: 本发明公开了一种基于节点性能评分机制的区块链分片方法，属于区块链技术领域，该方法使用智能合约对节点性能进行评分后将各节点分配在各个分片中后将各账户分配在各分片中，使得在减小跨分片交易的同时各个分片所需处理的交易数与分片的性能评分呈正相关，从而使整个区块链系统达到负载均衡；通过智能合约对节点进行性能评分可以确保公平公正，不可篡改以及去中心化，降低依赖第三方的风险；本发明提供的一种基于节点性能评分机制的区块链分片方法，建立了一个具备高吞吐量以及负载均衡的区块链系统。
-
公开(公告)号：CN118741413B
公开(公告)日：2025-02-25
申请号：CN202410773849.6
申请日：2024-06-14
Applicant: 南京理工大学
Abstract: 本发明属于室内定位技术领域，公开了一种基于联邦迁移学习的室内无线定位方法，包括以下步骤：S1、在边缘节点在源域和目标域采集RSS，构建源域和目标域指纹库；S2、中央服务器初始化全局模型，进行联邦学习训练，经过多轮训练直到收敛，得到源域定位模型；S3、把源域定位模型迁移到目标域，对模型进行调整，进行联邦迁移学习训练，经过多轮训练直到收敛，得到目标域定位模型；S4、对定位模型输入待定位的设备的信号特征，定位模型输出该设备的位置信息。本发明采用上述的一种基于联邦迁移学习的室内无线定位方法，可以快速适应新场景、使新定位模型可以快速收敛，并且提高模型的性能。
-
公开(公告)号：CN119277491A
公开(公告)日：2025-01-07
申请号：CN202411422828.6
申请日：2024-10-12
Abstract: 本发明公开了一种基于扩散模型和强化学习的基站节能调控方法，属于通信领域，具体包括以下步骤：步骤S1：构建流量动态变化的模拟基站环境；步骤S2：结合扩散模型的特点设计强化学习的策略网络；步骤S3：设计强化学习的奖励函数；步骤S4：在步骤S1构建的模拟基站环境中训练扩散模型，使扩散模型根据观测情况做出动态决策。本发明构建了一个能够反映用户流量动态变化的模拟场景，并将模型在该场景下进行迭代训练，在这个场景中，模型将经历一系列的迭代训练，以适应复杂且不断变化的流量环境，做出动态的节能控制决策。本发明在节能方面表现优异，并且维持了一定水平的用户服务质量。
-
公开(公告)号：CN118736320B
公开(公告)日：2025-01-07
申请号：CN202410928525.5
申请日：2024-07-11
Applicant: 南京理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/098 , G06N3/096 , G06F21/62
Abstract: 本发明公开了一种基于联邦迁移学习的工业缺陷分类方法，属于联邦学习及工业缺陷分类技术领域，包括数据准备，训练客户端在本地收集和预处理工业生产过程中产生的缺陷数据，进行数据处理；本地模型训练，训练客户端通过高低双通道多头注意力机制模块对步骤S1处理后的数据进行输入训练，直至本地模型收敛；模型更新与上传；模型权重计算与聚合；模型部署与推断，目标客户端接收服务端发送的全局模型，用于待测数据进行工业缺陷分类。本发明采用上述一种基于联邦迁移学习的工业缺陷分类方法，在保护隐私和处理多源域小样本类别不平衡的缺陷分类任务方面展现出强大迁移泛化性能，为在数据集稀少和需要增强隐私保护的场景下实现缺陷分类提供了新思路。
-
公开(公告)号：CN119172723A
公开(公告)日：2024-12-20
申请号：CN202411431250.0
申请日：2024-10-14
Abstract: 本发明公开了一种基于集成学习和RNN神经网络的工业资产室内无线定位方法，涉及移动工业资产目标室内定位技术领域，将WIFI定位与UWB定位相结合的方式，首先将大范围室内定位面积划分成单位区域，WIFI定位采用由各类机器学习算法模型聚合成的集成学习算法，用于解算移动目标具体所处区域；再使用该区域内的UWB定位RNN模型，确定移动目标在区域内的精准位置或移动路径；最后跟据精确定位的坐标反向传播误差、更新各类机器学习的权重以矫正模型，经过多次迭代逐步优化当前模型，达到该场景下的最佳定位模型。本发明建立了分级明确的移动目标室内定位方法，提供可靠的目标定位方法和流程，改进了现有定位方式分级不明确、适应性有限、不能全流程跟踪等弊端。
-
Patent Agency Ranking
公开(公告)号：CN117763127B
公开(公告)日：2024-08-13
申请号：CN202410039085.8
申请日：2024-01-10
Applicant: 南京理工大学
IPC: G06F16/332 , G06F16/36 , G06F18/214 , G06N3/045 , G06N3/092
Abstract: 本发明公开了一种基于强化学习和知识库匹配的工业问答模型训练方法，包括以下步骤：S1、收集工业领域内的专业知识问答构建工业知识库，对奖励模型进行训练，针对工业知识问答，将工业问答模型的输出与工业知识库的内容进行匹配比较，根据相似度得出奖励值；S2、将奖励值按序排列，并利用排序损失函数训练更新奖励模型网络的参数；S3、进行工业问答模型训练，对奖励值加入惩罚项，并利用强化学习算法对工业问答模型进行多次训练后，获得最优策略。本发明采用上述的一种基于强化学习和知识库匹配的工业问答模型训练方法，利用强化学习算法，经过多次迭代训练，帮助工业问答模型学习理解工业专业知识，提高了工业问答模型问答的精确度。
-
公开(公告)号：CN117176321B
公开(公告)日：2024-06-07
申请号：CN202311066453.X
申请日：2023-08-23
Applicant: 南京理工大学
IPC: H04L9/00 , G06F16/23 , H04L67/104
Abstract: 本发明公开了一种基于区块链技术的分布式信誉管理方法，包括：生成不同应用场景的指定数据，把用户账户和所生成的数据打包为数据聚合合约存储到区块链上，并广播数据聚合合约的账户到评估模块；评估节点收到数据聚合合约的账户后，访问其中的数据给用户评分并且为评分结果签名，多个校验节点对评分结果进行投票和签名，并通过数据聚合合约记录，数据聚合合约作为可验证凭证存储在区块链上；信誉管理合约以可验证凭证为依据，更新所有参与者的信誉值；将信誉值作为权益确定节点是否具有打包区块权，并且还作为区块链分叉选择的依据选择分支。本发明提出的分布式信誉管理机制适用于多种许可链场景，提升许可区块链共识的安全性和可靠性。
-
公开(公告)号：CN116680881A
公开(公告)日：2023-09-01
申请号：CN202310592510.1
申请日：2023-05-24
Applicant: 南京理工大学
Abstract: 本申请公开了基于边缘计算与电池能量可控的无人机路径优化方法。方法包括建立无人机搭载边缘计算服务器服务地面用户的系统模型；建立用户端和无人机边缘服务器端的任务积压队列；建立无人机的电池能量队列；为所有队列建立李雅普诺夫优化函数，在任务队列稳定和无人机能量队列稳定的约束下，建立使得用户的时间平均能耗总和最小化的优化问题。根据需要的迭代精度，设置迭代结束的阈值；利用块坐标下降法在每个时隙分别优化用户计算频率，用户关联和无人机的路径，将得到的结果作为下一次优化的初始值，直到迭代变量小于迭代的阈值；本申请使得用户与无人机之间延迟局限于一定范围内，并且实现对无人机电池能量的有效控制。
-
公开(公告)号：CN116126511A
公开(公告)日：2023-05-16
申请号：CN202210736414.5
申请日：2022-06-27
Applicant: 南京理工大学
IPC: G06F9/50 , G06N5/04 , G06Q30/0601 , G06Q40/12
Abstract: 本发明公开了一种基于边缘计算的区块链网络中计算与存储资源分配方法，具体为：将轻量级节点与边缘节点之间的博弈建模成两阶段的主从博弈模型，实现轻量级节点的计算与存储任务的卸载和边缘节点资源的分配；在轻量级节点之间达到纳什均衡状态，在多个轻量级节点与边缘节点之间达到主从博弈均衡状态。在第一阶段边缘节点作为领导者，分别为每个轻量级节点提供一个统一的单位算力与存储空间的报价；在第二阶段每个轻量级节点作为追随者，基于边缘节点给定的报价和其他节点的策略，决定轻量级节点自己的算力购买量和区块大小。本发明实现了轻量级节点的计算与存储任务的卸载和边缘节点资源的分配，能够以较低的复杂度迭代到主从博弈均衡点。
-
公开(公告)号：CN114020024B
公开(公告)日：2023-03-31
申请号：CN202111305350.5
申请日：2021-11-05
Applicant: 南京理工大学
IPC: G05D1/10
Abstract: 本发明公开一种算法效率高、性能好、能够更好地适应动态环境的基于蒙特卡洛树搜索的无人机路径规划方法。本发明方法包括如下步骤：(10)建立蒙特卡洛树，初始化根节点，并初始化无人机位置；(20)根据实验数据，设定蒙特卡洛树搜索算法训练总次数；(30)在设定训练总次数内，对蒙特卡洛树进行搜索算法训练，使蒙特卡洛树参数根据具体步骤进行迭代，无人机作出相应的动作；(40)当训练次数等于训练总次数时，训练结束，得到一棵训练完毕的蒙特卡洛树；根据所述训练完毕蒙特卡洛树的树结构，从根节点开始利用UCT算法持续向下选择UCT值最大的子节点，直到到达一个叶子节点为止，无人机根据所选择的节点执行相应的动作，即得到最优无人机路径。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.025 seconds)
