-
公开(公告)号：CN103365975B
公开(公告)日：2017-02-22
申请号：CN201310265361.4
申请日：2013-06-27
Applicant: 河海大学
IPC: G06F17/30
Abstract: 本发明公开一种考虑数据起源的基于SP树的Web服务匹配方法及模型，将数据起源作为Web服务匹配的一个约束属性，通过与输入数据的起源信息进行匹配计算，（1）设计一种考虑数据起源的基于SP树的Web服务匹配方法，综合考虑功能匹配和数据起源匹配两个方面，提高Web服务匹配的准确率；（2）建立一种考虑数据起源的Web服务匹配模型，采用匹配器模块实现Web服务的匹配请求，并返回结果集（；3）重点设计基于SP树的数据How起源匹配方法，根据How起源转化的SP树得到其How起源匹配度。本发明充分考虑了输入数据的起源信息，保证了输入数据的质量，有效提高了Web服务匹配的查准率。
-
公开(公告)号：CN105635255A
公开(公告)日：2016-06-01
申请号：CN201510981230.5
申请日：2015-12-23
Applicant: 河海大学
CPC classification number: H04L67/322 , H04L63/126
Abstract: 本发明公开了一种数据起源可信性约束下基于skyline的Web服务选择方法。首先，依据数据起源可信性，基于skyline，给出了Web服务选择方法框架；然后，结合QoS数据，通过skyline计算，给出Web服务选择算法。方法包含以下步骤：1)通过Web服务输入数据起源可信度和Web服务流程可信度，获取Web服务的可信度；2)综合QoS数据以及Web服务可信度进行Skyline计算，剔除冗余的候选服务获得skyline服务；3)利用QoS计算模型，对Skyline服务进行计算得到最终的候选集。采用本文的发明方法，从数据起源角度衡量Web服务的可信度，并将Web服务的可信度与QoS数据结合，提出一种基于skyline计算的Web服务选择算法，对Web服务进行筛选和评判，提高了Web服务选择的准确度和效率。
-
公开(公告)号：CN104361073A
公开(公告)日：2015-02-18
申请号：CN201410635328.0
申请日：2014-11-12
Applicant: 河海大学
IPC: G06F17/30
CPC classification number: G06F17/30572 , G06F17/30604
Abstract: 本发明公开一种面向用户视图的过程依赖关系分析方法，根据工作流执行流程，细化或抽象数据的How起源信息，来满足不同用户对于数据的不同级别How起源信息需求，具体利用细化操作和合成操作完成过程依赖关系分析，其特征在于，包括以下步骤：(1)给出过程依赖关系分析模型；(2)设计一种过程依赖关系分析的方法，基于工作流执行流程以及细化、合成操作，构造一套规则，完成过程不同级别之间依赖关系的分析；(3)实现基于过程依赖关系分析的用户视图。采用本发明的方法，充分考虑用户需求的不同，能够满足不同用户对于不同抽象级别How起源信息需求。
-
公开(公告)号：CN103365975A
公开(公告)日：2013-10-23
申请号：CN201310265361.4
申请日：2013-06-27
Applicant: 河海大学
IPC: G06F17/30
Abstract: 本发明公开一种考虑数据起源的基于SP树的Web服务匹配方法及模型，将数据起源作为Web服务匹配的一个约束属性，通过与输入数据的起源信息进行匹配计算，（1）设计一种考虑数据起源的基于SP树的Web服务匹配方法，综合考虑功能匹配和数据起源匹配两个方面，提高Web服务匹配的准确率；（2）建立一种考虑数据起源的Web服务匹配模型，采用匹配器模块实现Web服务的匹配请求，并返回结果集；（3）重点设计基于SP树的数据How起源匹配方法，根据How起源转化的SP树得到其How起源匹配度。本发明充分考虑了输入数据的起源信息，保证了输入数据的质量，有效提高了Web服务匹配的查准率。
-
公开(公告)号：CN104503969B
公开(公告)日：2018-02-06
申请号：CN201410589001.4
申请日：2014-10-28
Applicant: 河海大学
IPC: G06F17/30
Abstract: 本文发明设计了一种基于How起源的Web合成服务可信度计算方法，包含以下步骤：1)针对Web合成服务执行流程，转化为SP二叉树；2)基于SP二叉树，设计一套可信度计算规则，用数学推理证明了规则的合理性和正确性；3)使用设计的规则，给出计算可信度的算法，实现Web合成服务可信度计算。采用本发明的方法，充分考虑了How起源在合成服务可信度评估中的应用，通过Web合成服务的输入数据及演化过程，能够判断Web合成服务的可信度。
-
Patent Agency Ranking
公开(公告)号：CN118154369A
公开(公告)日：2024-06-07
申请号：CN202311262546.X
申请日：2023-09-27
Applicant: 河海大学
Abstract: 本申请提供一种面向智慧运营的校园IOC可视化平台，其具有系统接口、IOC模块、响应单元和输出模块，该平台通过系统接口对接学校现有系统获取各类型数据对象及其对应的属性信息，然后由IOC模块建立各类型数据对象属性信息和逻辑关系所对应的与DOM对象和JS对象之间的映射。由此，本申请能够通过响应单元，利用IOC模块所获取的对象获得相应的响应结果，并通过输出模块触发相应的终端进行现场处理和反馈。由此，本申请能够面向全校区实现智慧运营管理服务需求，实现数据与连接驱动下的智慧校园运营，实现各类校园数据的主题可视化大屏展示，针对全校域、各院系及各安防监控区域控域实现针对性预警分析，并实现多移动端间迅速的预警响应与快速处置。
-
公开(公告)号：CN115759972A
公开(公告)日：2023-03-07
申请号：CN202211421422.7
申请日：2022-11-14
Applicant: 河海大学
Abstract: 本发明提供了一种互惠性协同项目知识管理系统，涉及知识管理技术领域，包括CSCW工具集、项目群管理模块、知识管理模块和项目管理模块。其中，CSCW工具集实现对项目群管理的技术支持，项目群管理模块用于对项目管理模块和知识管理模块进行组织协调，知识管理模块用于对知识资源管理和利用，为业务项目提供知识支持和监督评估，同时知识管理模块为项目管理模块的开展提供知识支持和评估，项目管理模块用于将项目管理过程中形成的经验和案例为知识管理模块贡献知识。本发明引入协同理论和技术，促进知识管理与业务流程的融合，解决协同创新中的效力、效能和效应缺失问题，同时引入互惠性理论，为协同行为提供动力支持。
-
公开(公告)号：CN104503969A
公开(公告)日：2015-04-08
申请号：CN201410589001.4
申请日：2014-10-28
Applicant: 河海大学
IPC: G06F17/30
CPC classification number: G06F17/30864 , G06F17/3089
Abstract: 本文发明设计了一种基于How起源的Web合成服务可信度计算方法，包含以下步骤：1)针对Web合成服务执行流程，转化为SP二叉树；2)基于SP二叉树，设计一套可信度计算规则，用数学推理证明了规则的合理性和正确性；3)使用设计的规则，给出计算可信度的算法，实现Web合成服务可信度计算。采用本发明的方法，充分考虑了How起源在合成服务可信度评估中的应用，通过Web合成服务的输入数据及演化过程，能够判断Web合成服务的可信度。
-
公开(公告)号：CN117668072A
公开(公告)日：2024-03-08
申请号：CN202311622063.6
申请日：2023-11-30
Applicant: 河海大学
IPC: G06F16/25 , G06F16/28 , G06F16/26 , G06F16/2455 , G06F16/248 , G06F9/455 , G06F21/60
Abstract: 本申请所提供的用于校园中异构数据源大数据的数字底座系统，其包括底座数据库、前端框架、流/批一体化处理采集单元。本申请利用前端框架，基于B/S架构的维度分析计算能力，实现对各项校园数据的处理与展示。本系统能够在终端设备中提供统一的采集接口，实现校园数据的图形化处理以及实现各类结构化、半结构化、非结构化大数据采集接入互联的流批一体大数据的采集交换；可通过流批一体大数据采集交换实现校园全域数据中心的智慧校园数字底座，面向校园内外各类结构化、非结构化、半结构化的大数据实现数据采集、清洗、加工、汇聚、计算，实现数据的标准化、主题化输出，并同时利用两者之间的链接通道保证采集交换过程中数据流的稳定性和安全性。
-
公开(公告)号：CN116797930A
公开(公告)日：2023-09-22
申请号：CN202310761651.1
申请日：2023-06-26
Applicant: 河海大学
IPC: G06V20/10 , G06V10/40 , G06V10/80 , G06V10/82 , G06V10/774 , G06V10/764 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种残差卷积与多尺度特征融合的海岛多时相遥感影像变化检测方法。该方法包括以下步骤:1)输入端影像输入到编码器中进行初步卷积，提取其中的特征信息，形成输入端特征图；2)使用四组优化的残差卷积块依次对影像特征信息进行下采样，进一步提取特征信息；3)将经过卷积以及分别经过各优化的残差卷积块进行下采样的一共五组特征信息，分别复制到五组多尺度特征融合块中，学习变化与未变化的特征4)使用损失函数指导残差卷积块和多尺度特征融合块的训练；5)将其中四组特征信息分别复制到四个图像块中；6)将五组特征信息分别经过各图像块并进行上采样；7)将各组特征信息处理为输出端影像。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.019 seconds)
