-
公开(公告)号：CN106375452A
公开(公告)日：2017-02-01
申请号：CN201610805359.5
申请日：2016-09-05
Applicant: 河海大学
CPC classification number: H04L67/025 , H04L65/80
Abstract: 本发明公开了一种基于改进TF-IDF动态权值更新的加权分类Web服务QoS监控方法，根据后来数据某个具体的影响因子组合数据单元计算该影响因子组合数据单元出现前后的信息增益，提出基于信息增益的TF-IDF改进算法对之前的权值进行修正，考虑了影响因子组合数据单元在各个分类间的分布情况对影响因子组合权重计算的影响，从而提高了影响因子组合权重的计算精度。监控分为训练阶段和监控阶段，首先我们通过RPC获取样本数据流，最开始的一部分数据我们用来训练得到影响因子组合权值表，并且根据影响因子组合权值构造出加权朴素贝叶斯分类器。后来的数据用来监控，通过改进的TF-IDF算法对权值表进行动态更新，监控时调用加权朴素贝叶斯分类器，得到监控结果。
-
Patent Agency Ranking
公开(公告)号：CN106357437A
公开(公告)日：2017-01-25
申请号：CN201610800115.8
申请日：2016-08-31
Applicant: 河海大学
CPC classification number: H04L41/145 , H04L41/147 , H04L41/5038 , H04L67/02
Abstract: 本发明公开了一种基于多元时间序列的Web Service QoS预测方法。这种方法主要收集QoS属性历史数据和近期服务提供商发布的QoS广告数据信息，进行数据预处理后结合改进的RBF神经网络模型实现QoS属性的直接多步预测。考虑QoS的多个属性，基于多元时间序列做预测；QoS属性之间存在错综复杂的非线性关系，为描述这种关系，将收集到的历史QoS属性数据做相空间重构，近似恢复多个QoS属性的非线性关系系统；服务提供商的近期发布的QoS数据信息反映了未来QoS的变动和发展趋势，将这部分信息与相空间重构后的QoS属性数据相结合，构成QoS综合数据集；在训练后的RBF神经网络模型上做QoS属性的动态多步预测。
-
公开(公告)号：CN106448179A
公开(公告)日：2017-02-22
申请号：CN201610817566.2
申请日：2016-09-12
Applicant: 河海大学
CPC classification number: G08G1/0175 , G08G1/042 , G08G1/052 , G08G1/065
Abstract: 本发明公开了一种高速公路交通智能视频分析系统，主要实现的功能有高速公路车道线检测及视频视线与车道线夹角测定、实时及平均速度的测定与分析、大小车识别分析、车流量统计以及实时路网综合运行指数统计。在实现车辆测速与大小车识别分析中，采用了基于虚拟线圈的方法，并实现了用户参与的线圈参数绘制调整与系统自动的线圈绘制相结合的方式；具体在大小车车流量统计时，通过计算在虚拟线圈内的像素点来判断车辆大小与统计车流量。本发明具有前期参数的手动与自动双重校准，后期路网综合运行指数以用户参与的伸缩式折线图表回显，同时还具有多类丰富的分析监控功能，提高用户体验的同时具有很高的实用性与分析准确性。
-
公开(公告)号：CN110196456A
公开(公告)日：2019-09-03
申请号：CN201910467938.7
申请日：2019-05-31
Applicant: 河海大学
IPC: G01W1/10
Abstract: 本发明公开一种基于相似年灰色关联分析的中长期降雨径流预报方法，包括以下步骤：S1：数据预处理；S2：选择预报因子；S3：应用灰色关联分析的方法进行相似年选择，将挑选出的相似年数据集划分为训练集和测试集；S4：应用相似年训练集构建神经网络模型，应用测试集数据进行验证；S5：如果预报精度满足要求，则保存网络与预报结果；否则，转到步骤S2；本发明学习收敛速度快、能够避免气候气候变化或者人为条件对预报结果的影响，提高预报准确性。
-
公开(公告)号：CN106375452B
公开(公告)日：2019-07-12
申请号：CN201610805359.5
申请日：2016-09-05
Applicant: 河海大学
Abstract: 本发明公开了一种基于改进TF‑IDF动态权值更新的加权分类Web服务QoS监控方法，根据后来数据某个具体的影响因子组合数据单元计算该影响因子组合数据单元出现前后的信息增益，提出基于信息增益的TF‑IDF改进算法对之前的权值进行修正，考虑了影响因子组合数据单元在各个分类间的分布情况对影响因子组合权重计算的影响，从而提高了影响因子组合权重的计算精度。监控分为训练阶段和监控阶段，首先我们通过RPC获取样本数据流，最开始的一部分数据我们用来训练得到影响因子组合权值表，并且根据影响因子组合权值构造出加权朴素贝叶斯分类器。后来的数据用来监控，通过改进的TF‑IDF算法对权值表进行动态更新，监控时调用加权朴素贝叶斯分类器，得到监控结果。
-
公开(公告)号：CN106357437B
公开(公告)日：2019-07-12
申请号：CN201610800115.8
申请日：2016-08-31
Applicant: 河海大学
Abstract: 本发明公开了一种基于多元时间序列的Web Service QoS预测方法。这种方法主要收集QoS属性历史数据和近期服务提供商发布的QoS广告数据信息，进行数据预处理后结合改进的RBF神经网络模型实现QoS属性的直接多步预测。考虑QoS的多个属性，基于多元时间序列做预测；QoS属性之间存在错综复杂的非线性关系，为描述这种关系，将收集到的历史QoS属性数据做相空间重构，近似恢复多个QoS属性的非线性关系系统；服务提供商的近期发布的QoS数据信息反映了未来QoS的变动和发展趋势，将这部分信息与相空间重构后的QoS属性数据相结合，构成QoS综合数据集；在训练后的RBF神经网络模型上做QoS属性的动态多步预测。
-
-
-
-
-
Search Results
6
records
(took 0.025 seconds)
