-
公开(公告)号：CN113344119B
公开(公告)日：2024-07-12
申请号：CN202110718610.5
申请日：2021-06-28
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
IPC: G06V10/776 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V20/52
Abstract: 本发明是一种工业物联网复杂环境下的小样本烟雾监测方法，该监测方法利用两条并行分支实现烟雾检测，具体包括如下步骤：S1、第一条分支利用条件生成对抗网络生成数据集，将生成的数据集输入卷积神经网络中进行训练，将参数固定；S2、第二条分支采用迁移学习方法对源域图片和目标域的图片传入卷积神经网络进行训练，S3、将步骤S1和S2得到的概率进行加权得到新的概率，概率最高的标签即为所属类别，从而实现小样本下的烟雾检测。本发明结合了生成对抗网络和迁移学习方法，前者通过扩充数据集来解决小样本的问题，后者通过迁移学习来解决，二者结合，使得该模型即使在只有少量样本的情况下也能很好地在有雪环境下对烟雾进行监控。
-
公开(公告)号：CN113344119A
公开(公告)日：2021-09-03
申请号：CN202110718610.5
申请日：2021-06-28
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
Abstract: 本发明是一种工业物联网复杂环境下的小样本烟雾监测方法，该监测方法利用两条并行分支实现烟雾检测，具体包括如下步骤：S1、第一条分支利用条件生成对抗网络生成数据集，将生成的数据集输入卷积神经网络中进行训练，将参数固定；S2、第二条分支采用迁移学习方法对源域图片和目标域的图片传入卷积神经网络进行训练，S3、将步骤S1和S2得到的概率进行加权得到新的概率，概率最高的标签即为所属类别，从而实现小样本下的烟雾检测。本发明结合了生成对抗网络和迁移学习方法，前者通过扩充数据集来解决小样本的问题，后者通过迁移学习来解决，二者结合，使得该模型即使在只有少量样本的情况下也能很好地在有雪环境下对烟雾进行监控。
-
公开(公告)号：CN100409688C
公开(公告)日：2008-08-06
申请号：CN200510094729.0
申请日：2005-10-09
Applicant: 南京邮电大学
IPC: H04N7/18
Abstract: 一种实时多模式无线视频监控装置及其控制方法是一种综合多种公共无线移动通信网络(简称移动公网)和无线局域网(WLAN)接入的远程移动无线视频监控装置及其控制方法。该装置的无线视频终端包括核心板部分(1)和通信接口板部分(2)，核心板部分(1)和通信接口板部分(2)分别通过外部设备互联总线/外部设备互联总线扩展输入输出接口(3)相连；控制的方法如下：1).PCI-XIO接口初始化；2).编码及工作状态初始化；3).创建并开启各任务线程；4).挂起。该装置不仅可以在某个单一网络接入模式进行实时视频传输，也可以在任意两种网络组合模式(主要是WLAN/CDMA和WLAN/GPRS)或三种网络组合模式条件下进行视频传输，获得最佳的视频传输效果。
-
Patent Agency Ranking
公开(公告)号：CN1758753A
公开(公告)日：2006-04-12
申请号：CN200510094729.0
申请日：2005-10-09
Applicant: 南京邮电大学
IPC: H04N7/18
Abstract: 一种实时多模式无线视频监控装置及其控制方法是一种综合多种公共无线移动通信网络(简称移动公网)和无线局域网(WLAN)接入的远程移动无线视频监控装置及其控制方法。该装置的无线视频终端包括核心板部分(1)和通信接口板部分(2)，核心板部分(1)和通信接口板部分(2)分别通过外部设备互联总线/外部设备互联总线扩展输入输出接口(3)相连；控制的方法如下：1).PCI－XIO接口初始化；2).编码及工作状态初始化；3).创建并开启各任务线程；4).挂起。该装置不仅可以在某个单一网络接入模式进行实时视频传输，也可以在任意两种网络组合模式(主要是WLAN/CDMA和WLAN/GPRS)或三种网络组合模式条件下进行视频传输，获得最佳的视频传输效果。
-
公开(公告)号：CN113312105B
公开(公告)日：2023-05-02
申请号：CN202110619282.3
申请日：2021-06-03
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
IPC: G06F9/445 , G06F9/50 , G06N20/00 , H04L67/1004 , H04L67/12
Abstract: 本发明是一种基于Q学习的车辆任务部分卸载策略方法，该方法应用在车载自组织网络中，方法步骤如下：对于移动车辆终端所请求的任务，进行任务分类，排除两种极端的任务类型，将时延极其敏感的任务直接进行本地卸载，将需要计算资源量大的任务全部卸载到MEC服务器进行计算。其次，对于剩下的不容易判断类型的业务，定义任务分类因子为βn，筛选出其中一部分时延不大敏感，计算资源量也一般的任务，对筛选出的任务进行基于Q学习的部分卸载。最后，当所有移动车辆用户终端所请求任务的卸载决策确定后，将对每个MEC服务器中的用户进行计算资源的分配。本发明的策略方法充分利用本地资源和服务器资源，降低系统总开销。
-
公开(公告)号：CN113296845B
公开(公告)日：2022-10-14
申请号：CN202110619280.4
申请日：2021-06-03
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
Abstract: 本发明公开一种边缘计算环境下基于深度强化学习的多小区任务卸载算法，提出了一种改进的双深度Q网络算法，并基于双深度Q网络算法进行任务卸载算法设计，并将MEC边缘控制平台作为智能体与车联网环境进行交互，旨在相同的资源下优化任务处理速率与任务执行时延，另外在复杂业务场景下，针对DQN算法中存在的过估计问题，对DQN算法中的Q值函数进行改进，提高模型选择最优卸载策略的能力，本方案可以显著的提高计算与存储资源的利用率、有效降低车辆终端的任务执行时延，大幅度提高边缘侧计算与存储资源的利用率，并且算法收敛效率高于传统的DQN算法，解决了任务的最佳卸载比例问题，能够更有效地降低任务的执行时延。
-
公开(公告)号：CN113312105A
公开(公告)日：2021-08-27
申请号：CN202110619282.3
申请日：2021-06-03
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
Abstract: 本发明是一种基于Q学习的车辆任务部分卸载策略方法，该方法应用在车载自组织网络中，方法步骤如下：对于移动车辆终端所请求的任务，进行任务分类，排除两种极端的任务类型，将时延极其敏感的任务直接进行本地卸载，将需要计算资源量大的任务全部卸载到MEC服务器进行计算。其次，对于剩下的不容易判断类型的业务，定义任务分类因子为βn，筛选出其中一部分时延不大敏感，计算资源量也一般的任务，对筛选出的任务进行基于Q学习的部分卸载。最后，当所有移动车辆用户终端所请求任务的卸载决策确定后，将对每个MEC服务器中的用户进行计算资源的分配。本发明的策略方法充分利用本地资源和服务器资源，降低系统总开销。
-
公开(公告)号：CN113296845A
公开(公告)日：2021-08-24
申请号：CN202110619280.4
申请日：2021-06-03
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
Abstract: 本发明公开一种边缘计算环境下基于深度强化学习的多小区任务卸载算法，提出了一种改进的双深度Q网络算法，并基于双深度Q网络算法进行任务卸载算法设计，并将MEC边缘控制平台作为智能体与车联网环境进行交互，旨在相同的资源下优化任务处理速率与任务执行时延，另外在复杂业务场景下，针对DQN算法中存在的过估计问题，对DQN算法中的Q值函数进行改进，提高模型选择最优卸载策略的能力，本方案可以显著的提高计算与存储资源的利用率、有效降低车辆终端的任务执行时延，大幅度提高边缘侧计算与存储资源的利用率，并且算法收敛效率高于传统的DQN算法，解决了任务的最佳卸载比例问题，能够更有效地降低任务的执行时延。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.039 seconds)
