-
公开(公告)号：CN120031108A
公开(公告)日：2025-05-23
申请号：CN202510499985.5
申请日：2025-04-21
Applicant: 湖南科技大学
IPC: G06N3/098 , G06N3/0464 , G06V10/44 , G06V10/764 , G06V10/82
Abstract: 本发明公开了面向图像分类的鲁棒联邦学习架构，属于机器视觉技术领域，包括以下步骤：S1、筛选各训练客户端，对全局模型参数初始化；S2、得到各训练客户端的模拟增强数据；S3、得到各训练客户端的矫正后的特征向量；S4、得到局部模型训练的基本损失，由此进行各训练客户端的局部模型再训练；S5、得到各训练客户端的含噪局部模型，由此得到各训练客户端的局部更新模型，并上传至服务端；S6、服务端接收各训练客户端的局部更新模型，得到全局更新模型，重复S2至S6操作，直至全局更新模型收敛。解决了现有技术中在数据分布不均情况下，因数据异常出现导致的模型准确度下降的问题。
-
公开(公告)号：CN119847899A
公开(公告)日：2025-04-18
申请号：CN202510330557.X
申请日：2025-03-20
Applicant: 湖南科技大学
Abstract: 本发明涉及电子数字数据处理技术领域，具体为基于人工智能的分布式调度性能检测评估方法及系统，该方法包括：S1.采集各分布节点运行环境数据，经处理得到各分布节点环境干扰特征值；S2.采集各分布节点的系统运行数据，综合分析得到各分布节点系统运行性能评估指数，根据各分布节点系统运行性能评估指数进行任务分配；S3.采集系统的实时运行数据，综合分析得到系统稳定性评估指标，根据系统稳定性评估指标进行系统性能评估，本发明通过提供基于人工智能的分布式调度性能检测评估方法及系统，对系统的稳定性进行了全面评估。可以及时发现系统性能下降或潜在故障以及节点性能瓶颈，帮助提高系统的整体稳定性和处理能力。
-
公开(公告)号：CN119229315A
公开(公告)日：2024-12-31
申请号：CN202411758177.8
申请日：2024-12-03
Applicant: 湖南科技大学
IPC: G06V20/13 , G06V10/26 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种轻量级遥感图像小目标检测方法；通过轻量级卷积模块LFC，减少卷积操作所需要的参数量和计算量在有限计算资源和存储空间前提下完成特征提取和下采样；采用感受野扩展模块RFEB，通过多分支膨胀卷积扩展骨干网络的感受野，充分利用局部和全局上下文信息，解决遥感图像中的小目标会存在特征表示不足的问题；利用层次融合注意力模块HFAB，通过渐进式地堆叠空间注意力与自注意力，实现从粗粒度到细粒度的特征融合，使小目标的特征表示更加丰富；本发明提供的方法在保持目标检测精度的前提下，减少模型参数量和计算开销，有效降低了计算复杂度，提升了目标检测算法在边缘计算与实时监控场景中应用的可行性。
-
公开(公告)号：CN118174881B
公开(公告)日：2024-07-30
申请号：CN202410588729.9
申请日：2024-05-13
Applicant: 湖南科技大学
Abstract: 本发明公开了用于车辆自组织网络的数字签名验证方法，涉及区块链车载自组织网络领域。该用于车辆自组织网络的数字签名验证方法，通过计算得到车辆的临时公钥，判断认证索引表中是否存在车辆的临时公钥，获取临时公钥对应的随机数,计算车辆签名验证消息的相关值，验证车辆签名验证消息是否合法，确保车辆身份和消息的真实性和完整性，避免车辆伪造身份或篡改消息的情况发生，提高车辆自组织网络的效率和性能，通过对车辆的注册信息和车辆产生的交通信息分别由道路侧试装置的操作节点和RSU进行验证，以验证共识，并将索引表链起来，在认证开销和吞吐量方面都取得了较好的效果，能够较好地满足vanet对网络安全性、时效性和稳定性的要求。
-
公开(公告)号：CN119808898A
公开(公告)日：2025-04-11
申请号：CN202510308916.1
申请日：2025-03-17
Applicant: 湖南科技大学
Abstract: 本发明涉及联邦学习技术领域，具体公开一种具备数据感知能力的分层可信联邦学习方法，该方法通过分层可信联邦学习装置获取各客户端设备学习性能数据，并得到各客户端设备学习性能指标，判断是否对其进行性能预警，然后分层可信联邦学习装置将各客户端设备公钥上传至区块链，由此筛选出各可访问控制设备，确保了数据隐私，各可访问控制设备训练生成各可访问控制设备所属本地模型，随后得到各可访问控制设备所属本地模型训练特征值，并判断是否重新进行训练，同时获取各可访问控制设备的训练评估指数，由此完成智能分组，并对各组可访问控制设备所属本地模型进行聚合，生成全局模型，并上传到区块链完成全局模型更新，提高了模型训练效率和准确性。
-
Patent Agency Ranking
公开(公告)号：CN118395191A
公开(公告)日：2024-07-26
申请号：CN202410815645.4
申请日：2024-06-24
Applicant: 湖南科技大学
IPC: G06F18/214 , G06F18/10 , G06N3/098 , G06F21/62 , G06F21/64
Abstract: 本发明涉及一种维度驱动的去中心化联邦学习数据偏差处理方法（TrustBCFL），采用局部内在维度（LID）理论在本地数据集层面完成了噪声客户端识别，同时针对噪声客户端的噪声标签，使用最新的全局模型，根据样本的Loss值完成噪声标签校正，从而减少了联邦客户端数据集中的信息丢失。采用基于委员会共识的联邦学习本地模型筛选机制在模型层面完成了低质量局部模型更新的筛查，只有提交的模型LID值在阈值范围内的训练客户端才能通过验证委员会的交叉评估。本发明借助局部内在维度理论和区块链技术解决了传统联邦学习的本地数据偏差问题和单点故障问题，并有效平衡数据隐私和数据共享需求。
-
公开(公告)号：CN118312817A
公开(公告)日：2024-07-09
申请号：CN202410729844.3
申请日：2024-06-06
Applicant: 湖南科技大学
IPC: G06F18/23213 , G06F18/214 , G06F18/22
Abstract: 本发明涉及粒度粗糙熵改进技术领域，具体公开一种基于粒度粗糙熵的改进k‑Medoids聚类方法，该方法包括：粒度粗糙熵评估、最小距离比对以及聚类质量反馈，首先得到各需聚类数据样本对应的粒度粗糙熵，并筛选出各需聚类数据样本与对应的初始簇之间的最小距离，若该最小距离均小于设定的距离界定值，则进行聚类质量反馈；通过对粒度粗糙熵的分析，能够降低噪声和异常值对聚类结果的影响，并结合函数分析可以减少计算配置在运算时的运算工作量，提高计算配置的运行效率和数据处理的准确度，减少存储设备的存储负担，由此提高k‑Medoids聚类算法的聚类质量和准确性。
-
公开(公告)号：CN116996905A
公开(公告)日：2023-11-03
申请号：CN202310704343.5
申请日：2023-06-14
Applicant: 湖南科技大学
IPC: H04W24/02 , H04W16/14 , H04L67/1097
Abstract: 本发明公开了一种数据优化方法、设备及存储介质，初始化无线接入网络中节点群的随机位置与速度；计算无线接入网中每个节点的适应度值，根据节点的适应度值更新节点的速度与位置，进而调整节点的速度与位置，得到全体节点的全局最优位置；比较获得的全局最优位置和预设的适应值，若全局最优位置达到预设的适应值，则得到优化后的无线接入网络，通过Cybertwin将优化后的无线接入网络映射至边缘云与核心云，得到核心网络；将核心网络中的主节点与次节点之间的频谱共享问题转化为全局优化问题，得到基于区块链技术的动态频谱接入架构。
-
公开(公告)号：CN119229315B
公开(公告)日：2025-02-14
申请号：CN202411758177.8
申请日：2024-12-03
Applicant: 湖南科技大学
IPC: G06V20/13 , G06V10/26 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种轻量级遥感图像小目标检测方法；通过轻量级卷积模块LFC，减少卷积操作所需要的参数量和计算量在有限计算资源和存储空间前提下完成特征提取和下采样；采用感受野扩展模块RFEB，通过多分支膨胀卷积扩展骨干网络的感受野，充分利用局部和全局上下文信息，解决遥感图像中的小目标会存在特征表示不足的问题；利用层次融合注意力模块HFAB，通过渐进式地堆叠空间注意力与自注意力，实现从粗粒度到细粒度的特征融合，使小目标的特征表示更加丰富；本发明提供的方法在保持目标检测精度的前提下，减少模型参数量和计算开销，有效降低了计算复杂度，提升了目标检测算法在边缘计算与实时监控场景中应用的可行性。
-
公开(公告)号：CN118070246B
公开(公告)日：2024-07-09
申请号：CN202410465348.1
申请日：2024-04-18
Applicant: 湖南科技大学
Abstract: 本发明公开了一种智能工厂物联网设备的预测性维护方法，涉及智能工厂制造技术领域。该一种智能工厂物联网设备的预测性维护方法，采用随机森林模型和极端梯度增强模型进行初始预测，然后利用线性回归模型对初始预测结果进行进一步处理，得到最终预测结果。为保证物联网设备的正确维护，采用Shapley加性解释方法，增强模型在进行预测性维护时的可解释性。提高对物联网设备进行维护的预测精度，同时利用SHAP方法，可以解释整个生产过程中单个边缘设备对正常操作的影响程度，有助于工厂维护人员分析边缘设备的重要性，从而实现准确的工厂管理和维护。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.022 seconds)
