-
Patent Agency Ranking
公开(公告)号：CN107330477A
公开(公告)日：2017-11-07
申请号：CN201710605177.8
申请日：2017-07-24
Applicant: 南京邮电大学
IPC: G06K9/62
CPC classification number: G06K9/6218 , G06K9/6223
Abstract: 本发明公开了一种针对非均衡数据分类的改进SMOTE再抽样方法。该方法首先用K-Means方法对样本集中的少数类样本进行聚类，并删除聚类后每个类簇质心距离多数类样本最近的噪声样本类，而后在每一个类簇中利用KNN方法将类簇分为三类并删除噪声样本类。最后在每一个类簇中输入一个随机数并根据随机数与类簇中样本集类型的占比关系选择某个样本集进行SMOTE方法过抽样。本发明提出的改进型K-Means-SMOTE方法相比传统SMOTE方法在预测网路电视机顶盒用户的投诉模型中效果显著提高。
-
公开(公告)号：CN105550704A
公开(公告)日：2016-05-04
申请号：CN201510916426.6
申请日：2015-12-10
Applicant: 南京邮电大学
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K9/6267
Abstract: 本发明公开了基于混合公共因子分析器的分布式高维数据分类方法，该方法通过网络中不同节点之间的协作，以分布式方式实现高维数据的分类。各个节点处用混合公共因子分析器来建模其高维数据的分布，整个分类分成训练和识别两个部分。在训练过程中，首先进行模型参数的初始化和局部计算，然后将计算好的三组中间变量进行广播扩散，当节点收到其邻居节点广播来的中间变量时，计算联合统计量并完成参数的估计，该过程不断迭代直至收敛。在识别阶段，待分类的数据输入任一节点，计算其关于训练出的每一类数据所对应的模型的对数似然值，将最大对数似然值对应的类别作为识别结果。采用本方法可以实现高维数据的分布式降维，网络中的每个节点都获得较高并且一致的分类性能，此外节点间只传输交互中间变量可以有效地保护数据的隐私。
-
公开(公告)号：CN105809793B
公开(公告)日：2018-05-11
申请号：CN201610143634.1
申请日：2016-03-14
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于iBeacon技术实现的车辆解锁方法，该方法解决了针对汽车驾驶人在忘记携带钥匙的情况下无法打开车门或者在钥匙被盗的情况下，窃贼可以轻易发动车辆的问题。该方法包括离线信号收集，建立区域的信号强度空间生成指纹库，设置原始轨迹，绘制轨迹图，并存入数据库；随之进行在线位置定位，包括精确点判断、匹配定位和惯性点的判断与选择；最后，根据定位信息生成解锁过程的轨迹向量，绘制轨迹图，并与预先设置的轨迹图比较，如果图形一致，则解锁成功；反之，解锁失败。该方法实现了车辆的智能解锁，提高了汽车使用的安全性。
-
公开(公告)号：CN105809793A
公开(公告)日：2016-07-27
申请号：CN201610143634.1
申请日：2016-03-14
Applicant: 南京邮电大学
CPC classification number: G07C9/00071 , G07C9/00563 , H04W4/02 , H04W4/80
Abstract: 本发明公开了一种基于iBeacon技术实现的车辆解锁方法，该方法解决了针对汽车驾驶人在忘记携带钥匙的情况下无法打开车门或者在钥匙被盗的情况下，窃贼可以轻易发动车辆的问题。该方法包括离线信号收集，建立区域的信号强度空间生成指纹库，设置原始轨迹，绘制轨迹图，并存入数据库；随之进行在线位置定位，包括精确点判断、匹配定位和惯性点的判断与选择；最后，根据定位信息生成解锁过程的轨迹向量，绘制轨迹图，并与预先设置的轨迹图比较，如果图形一致，则解锁成功；反之，解锁失败。该方法实现了车辆的智能解锁，提高了汽车使用的安全性。
-
公开(公告)号：CN105550704B
公开(公告)日：2019-01-01
申请号：CN201510916426.6
申请日：2015-12-10
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明公开了基于混合公共因子分析器的分布式高维数据分类方法，该方法通过网络中不同节点之间的协作，以分布式方式实现高维数据的分类。各个节点处用混合公共因子分析器来建模其高维数据的分布，整个分类分成训练和识别两个部分。在训练过程中，首先进行模型参数的初始化和局部计算，然后将计算好的三组中间变量进行广播扩散，当节点收到其邻居节点广播来的中间变量时，计算联合统计量并完成参数的估计，该过程不断迭代直至收敛。在识别阶段，待分类的数据输入任一节点，计算其关于训练出的每一类数据所对应的模型的对数似然值，将最大对数似然值对应的类别作为识别结果。采用本方法可以实现高维数据的分布式降维，网络中的每个节点都获得较高并且一致的分类性能，此外节点间只传输交互中间变量可以有效地保护数据的隐私。
-
-
-
-
Search Results
5
records
(took 0.017 seconds)
