-
公开(公告)号：CN116630530A
公开(公告)日：2023-08-22
申请号：CN202310375911.1
申请日：2023-04-10
Applicant: 西安电子科技大学 , 西安电子科技大学杭州研究院
Abstract: 本发明公开了一种融合图像光流的动态场景偏振三维重建方法，包括：搭建偏振三维重建系统，获取待重建物体在不同角度的动态场景偏振图像；利用所述不同角度的动态场景偏振图像计算物体表面的偏振度；根据目标表面微面元的三维轮廓信息与目标表面法向量之间的映射关系，重建目标物体的三维表面函数；使用图像光流算法对动态场景进行重建，获得目标物体的三维表面重建结果；融合图像光流得到的三维表面重建结果，对利用目标微面元法向量获得的偏振三维重建结果进行校正，获得最终的三维重建结果。本发明通过融合图像光流的方法校正通过偏振三维成像得到的动态场景下的重建结果，有效提高了动态场景下偏振三维成像的准确性。
-
公开(公告)号：CN118780360A
公开(公告)日：2024-10-15
申请号：CN202410850246.1
申请日：2024-06-28
Applicant: 电子科技大学 , 喀什地区电子信息产业技术研究院
IPC: G06N5/025 , G06N5/04 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/044 , G06N3/0442 , G06N3/08
Abstract: 本发明属于知识图谱推理技术领域，公开了一种基于长短期依赖的时序知识图谱推理方法，将若干个历史子图序列合并为一个长期稠密图，并使用关系图神经网络进行建模，实体长期嵌入表示；针对当前时刻之前的若干子图序列，使用长期嵌入表示进行初始化，然后针对每一个子图序列，使用基于注意力机制的关系图神经网络和双重循环网络来对事件近期的演化进行建模，生成包含长期演化依赖和短期演化偏好的实体嵌入表示和关系嵌入表示；依据当前时刻的实体嵌入表示、关系嵌入表示和已知实体，通过解码器获取未来事件的最终预测结果。本发明通过联合建模长期和短期的事件演化动态性，以一种自适应的方法巧妙地融合长短期预测，从而提高了对未来事件预测精度。
-
公开(公告)号：CN113887806B
公开(公告)日：2023-04-07
申请号：CN202111169186.X
申请日：2021-10-08
Applicant: 电子科技大学
Abstract: 本发明公开了一种长尾级联流行度预测模型、训练方法及预测方法，该长尾级联流行度预测模型包括骨干网络、以及位于骨干网络之后的回归器，回归器包括并行设置的原始回归器和子网络SUB；骨干网络和原始回归器构成长尾级联流行度预测模型的基线模型；骨干网络用于提取长尾级联的时间特征和空间特征；原始回归器用于得到该长尾级联流行度的原始预测值；述子网络SUB用于得到该长尾级联流行度的加权偏差；以该长尾级联流行度的原始预测值与加权偏差之和作为最终流行度预测值。本发明利用解耦的思想，整个模型训练分为两个阶段，首先利用不同的采样策略来提取骨干网络的特征表示，然后将骨干网络的参数固定住，再通过几种不同的方法微调回归器，该回归器结合了原始的预测值和由子网络SUB产生的加权偏差值，达到更准确预测流行度的目的。
-
公开(公告)号：CN114021836A
公开(公告)日：2022-02-08
申请号：CN202111352050.2
申请日：2021-11-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于不同角度融合的多变量水库入水量预测系统、训练方法及应用，基于水库各变量历史观测值，首先通过随机循环神经网络和生成模型获得符合多模态分布的隐变量，然后通过注意力模型获得注意力矩阵，再将符合多模态分布的隐变量和注意力矩阵输入多层感知机，便可实现未来水库入水量的预测；相较于传统的人工经验判断和统计学方法，本发明对特定的场景具有建模能力；相较于传统的循环神经网络，本发明可以更好地捕捉多个观测值之间的关联和时间上较长的依赖，因而具有更高的准确率，不仅节省了大量的人力和物理成本，而且其预测结果也更有价值。
-
公开(公告)号：CN110232480B
公开(公告)日：2021-05-11
申请号：CN201910515356.1
申请日：2019-06-14
Applicant: 电子科技大学
Abstract: 本发明提供了一种利用变分的正则化流实现的项目推荐模型训练方法及项目推荐方法，采用带注意力机制的循环神经网络并加入正则化流的变分推断，通过学习会话序列的隐含变量，为用户推荐下一次点击的项目，只通过用户点击过的项目序列数据就可以稳定有效地近似推断整个会话序列的下一次点击项目，而且预测模型加入注意力机制来增强会话中重要的项目点的权重，大大提高了预测的精确度。此外，本发明在模型中加入了变分的正则化流去学习隐含变量的真实分布，这可以减小传统的变分模型(比如VAE)在基于会话的推荐问题中的误差。
-
Patent Agency Ranking
公开(公告)号：CN108564129B
公开(公告)日：2020-09-08
申请号：CN201810372762.2
申请日：2018-04-24
Applicant: 电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于生成对抗网络的轨迹数据分类方法，首先将真实轨迹数据输入生成对抗网络，使生成对抗网络训练至生成器生成与真实轨迹数据分布相同的仿真轨迹数据；然后利用生成对抗网络的生成器生成若干组仿真轨迹数据；最好对生成的若干组仿真轨迹数据与真实轨迹数据一起进行分类处理，得到轨迹用户映射。本发明通过生成对抗网络可以模拟真实轨迹数据的分布，以生成的仿真轨迹数据和真实轨迹数据一起作为轨迹数据分类的数据源，对轨迹数据进行分类，可以有效解决数据稀疏问题，避免稀疏轨迹数据对轨迹数据分类产生的负面影响；由于稀疏轨迹数据也存在相应的轨迹用户映射，因此能够实现对稀疏轨迹数据分类有助于提高数据分类效果。
-
公开(公告)号：CN105933345B
公开(公告)日：2019-10-18
申请号：CN201610498415.5
申请日：2016-06-28
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于线性秘密共享的可验证外包属性基加密方法：本发明采用线性秘密共享(LSSS)的访问结构，支持用户的直接撤销，将代理重加密技术和外包解密技术相结合，当用户被撤销后，在保证云服务器得不到关于明文任何消息的前提下，实现了用户离线更新解密密钥、代理服务器自动更新密文、外包解密的可验证性等功能。此外，本发明涉及通信开销较低，便于带宽、资源受限的移动设备的使用。
-
公开(公告)号：CN109636658A
公开(公告)日：2019-04-16
申请号：CN201910044138.4
申请日：2019-01-17
Applicant: 电子科技大学
CPC classification number: G06Q50/01 , G06N3/0454
Abstract: 本发明公开了一种基于图卷积的社交网络对齐方法，首先利用图卷积神经网络对社交网络中的用户关系进行网络嵌入，然后利用高斯核函数将嵌入空间升维，得到高维空间中节点的相似度矩阵，利用锚节点来表示非锚节点，得到两个社交网络最终的网络嵌入，再利用已知的锚节点信息来学习一个网络映射函数，最后利用该函数将两个社交网络中的节点进行对齐。本发明不需要提取大量的用户隐私信息，利用图形就能够很好地表示社交网络用户之间的社交关系。通过引入高斯核函数将嵌入空间升维，可以分离原始低维嵌入空间中不可分离的节点。利用已知锚节点来学习网络映射函数，可以大大地提高社交网络对齐的准确率，从而实现了一种优于现有方法的社交网络对齐方法。
-
公开(公告)号：CN105376057B
公开(公告)日：2019-03-01
申请号：CN201510779652.4
申请日：2015-11-13
Applicant: 电子科技大学
Abstract: 本发明公开了一种云外包解大规模线性方程组的方法，这是一种基于初等变换矩阵的非交互的云外包计算方案。初等变换矩阵具有比较低的计算复杂度，每次初等变换矩阵的乘积都只消耗O(n)的时间复杂度。加密一个普通的n阶矩阵，只需要n个初等变换矩阵，即可加密矩阵中的每一个元素。解大规模线性方程组问题可以写为Φ:Ax＝b，其中A是一个n×n的可逆矩阵，x,b是一个n×1的向量。在外包解大规模线性方程组的协议中，需要保护参数A,b与结果x的隐私。本发明利用初等变换矩阵对参数A,x,b进行加密处理，从而提高了降低了客户端处理问题的复杂度，设计出了客户端只需要O(n2)复杂度的协议，提高了计算效率。同时，本发明是一种非交互协议，客户端无需在问题求解阶段与服务器进行交互，只需要提交计算请求，即可获得外包计算结果。
-
公开(公告)号：CN104717217B
公开(公告)日：2018-04-06
申请号：CN201510119003.1
申请日：2015-03-18
Applicant: 电子科技大学
Abstract: 提出了一种云存储中基于部分授权的可证明安全数据持有性验证方法。新方法基于双线性对及部分授权技术,支持数据拥有者直接通过密钥变形方式委任代理方进行数据持有性验证。此外，数据拥有者可以随时撤销或更换代理方。证明了方案的安全性,并分析得出代理方不能从变形密钥中获得数据拥有者的密钥信息。与现有数据持有性验证方案相比,新方案在相同安全强度下,具有更小的计算量和通信量,且应用场景更加广泛。
-
-
-
-
-
-
-
-
-
Search Results
56
records
(took 0.035 seconds)
