-
公开(公告)号：CN107959708A
公开(公告)日：2018-04-24
申请号：CN201711003327.4
申请日：2017-10-24
Applicant: 北京邮电大学
IPC: H04L29/08
Abstract: 本发明公开的是一种基于云端-边缘端-车端的车联网服务协同计算方法与系统，属于云计算和智能驾驶领域。该计算系统和计算方法首先车载终端响应车联网终端应用系统提出的车联网服务请求。云计算平台实现与车载终端和边缘计算平台的协同交互计算，通过云端车联网服务环境模块提供服务计算资源或云端服务请求。边缘计算平台通过边缘协同计算代理模块实现与车载终端和云计算平台的协同交互计算，并负责整合委托计算控制环境模块和开放计算控制环境模块的反馈结果。本发明解决单方面的车端计算能力不足、边缘端计算资源受限和云端的数据延迟较大的问题，提高了计算效率、优化用户体验。
-
公开(公告)号：CN107609672A
公开(公告)日：2018-01-19
申请号：CN201710687462.9
申请日：2017-08-11
Applicant: 北京邮电大学
Abstract: 本发明公开了一种支持虚拟车群体智能计算的车联网服务支撑环境，支持部署在网络边缘和网络云端，提供虚拟车和虚拟车群体两种智能计算能力的封装。其中，虚拟车向车联网服务提供对单车智能计算能力的封装，同时屏蔽了其部署位置。虚拟车群体向车联网服务提供对多车群体智能计算能力的封装，同时屏蔽了其具体参与方与控制过程。车联网服务支撑环境具体包括一个支持对车辆、驾驶员和乘客、交通环境数据进行学习和认知的交互认知计算环境，一个支持对虚拟车进行管理的虚拟车运行环境和一个支持对多个虚拟车进行群体智能计算控制的群智计算环境。支持在不涉及用户隐私的前提下，利用多虚拟车群体智能计算实现更个性化、更准确的车联网服务。
-
公开(公告)号：CN104132666B
公开(公告)日：2016-11-30
申请号：CN201410337826.7
申请日：2014-07-16
Applicant: 北京邮电大学
IPC: G01C21/28
Abstract: 一种基于可变重要度的车辆实时定位方法，首先获取车载终端上多种定位技术装置的各自定位数据，并通过每种定位技术的误差度确定各种定位技术的位置覆盖域；然后，根据重要度方法分析计算每种定位技术位置覆盖域的重要度，并以重要度的变化作为反馈来优化定位技术的误差度；最后，以位置覆盖域的重要度作为复合位置域的权值，加权平均计算得到目标车辆的实时、准确位置。本发明将多种车辆定位技术进行融合，即以每种定位技术的重要度作为位置加权平均计算时的权重，提高了定位技术融合的合理性。本发明操作步骤简单、实时性强，可用于不同环境下，且定位计算准确率高、计算量小，可适用于车联网中多种定位设备，故推广容易，应用广泛。
-
公开(公告)号：CN104820719A
公开(公告)日：2015-08-05
申请号：CN201510272074.5
申请日：2015-05-25
Applicant: 北京邮电大学
IPC: G06F17/30
CPC classification number: G06F17/30705 , G06F17/3089
Abstract: 一种基于用户上下文数据的Web服务信誉度度量方法，先采集用户访问Web服务时该用户的上下文数据，并利用归一化方式对该用户以向量表示的上下文数据进行预处理，再利用k-means方法对该用户的预处理后的上下文数据进行聚类，以便用不同类别分别表示不同用户的上下文数据；然后，根据用户反馈等级和聚类后的用户上下文数据计算不同类别的用户上下文数据对反馈等级的影响，将不同类别的用户上下文数据的反馈等级转换为统一的参考级别，以弱化不同类别用户上下文数据对反馈等级的影响；最后，根据转换后的反馈等级计算用户相似度，并以此获得参考用户的上下文数据类别对应的服务信誉度，最终转化为其他用户上下文数据类别对应的服务信誉度。
-
公开(公告)号：CN104132666A
公开(公告)日：2014-11-05
申请号：CN201410337826.7
申请日：2014-07-16
Applicant: 北京邮电大学
IPC: G01C21/28
CPC classification number: G01C21/28
Abstract: 一种基于可变重要度的车辆实时定位方法，首先获取车载终端上多种定位技术装置的各自定位数据，并通过每种定位技术的误差度确定各种定位技术的位置覆盖域；然后，根据重要度方法分析计算每种定位技术位置覆盖域的重要度，并以重要度的变化作为反馈来优化定位技术的误差度；最后，以位置覆盖域的重要度作为复合位置域的权值，加权平均计算得到目标车辆的实时、准确位置。本发明将多种车辆定位技术进行融合，即以每种定位技术的重要度作为位置加权平均计算时的权重，提高了定位技术融合的合理性。本发明操作步骤简单、实时性强，可用于不同环境下，且定位计算准确率高、计算量小，可适用于车联网中多种定位设备，故推广容易，应用广泛。
-
Patent Agency Ranking
公开(公告)号：CN103298022A
公开(公告)日：2013-09-11
申请号：CN201310240830.7
申请日：2013-06-18
Applicant: 北京邮电大学
CPC classification number: Y02D70/00
Abstract: 本发明实施方式提出一种基于能量监测的无线传感器信任评估方法。包括：采集无线传感器电源的电压信息，将采集到的无线传感器电源的电压信息发送到数据处理与监测中心；数据处理与监测中心根据无线传感器电源的电压信息计算预定时间内无线传感器实际能耗信息，并计算该预定时间内无线传感器理论能耗信息，再计算实际能耗信息与理论能耗信息之间的余弦相似度，并根据该余弦相似度计算结果判断无线传感器的安全状态；对于非安全状态的无线传感器，利用区间跃变方式计算入侵时间。本发明使用监测的无线传感器能耗信息进行无线传感器的信任评估，提高了物联网传感层中的无线传感器的安全监测水平。
-
公开(公告)号：CN120017138A
公开(公告)日：2025-05-16
申请号：CN202510189641.4
申请日：2025-02-20
Applicant: 北京邮电大学
IPC: H04B7/185 , G06F18/213 , G06F18/2433
Abstract: 本发明提供了一种卫星异常检测系统及方法，涉及卫星遥测技术领域，所述系统包括数据降维模块和异常检测模块，数据降维模块和异常检测模块部署于卫星的星载检测器上；数据降维模块，用于获取卫星子系统的多个遥测参数，并从多个遥测参数中筛选出n个最优特征参数；异常检测模块，用于通过星载检测器本地部署的第一时序预测模型对n个最优特征参数的参数值进行预测，得到n个最优特征参数各自的预测值，并基于预测值对所述卫星进行异常检测，得到异常检测结果。本发明通过本地化处理和智能化分析，大幅提升了卫星异常检测的精度、实时性和可靠性，有效保障卫星的安全运行。
-
公开(公告)号：CN115334077B
公开(公告)日：2024-12-13
申请号：CN202210947950.X
申请日：2022-08-09
Applicant: 北京邮电大学
IPC: H04L67/10 , H04L41/12 , H04L41/0893 , H04L41/0803
Abstract: 本申请公开了一种跨广域网的应用管控方法及系统，在跨广域网的网络中设置统一管控功能实体，所述统一管控功能实体收集应用管控涉及的信息，基于所述信息进行面向应用及网络功能实体的资源计算及节点部署的分析，生成配置策略，根据所述配置策略在所述计算网络中进行应用及网络功能实体的资源分配及节点部署。这样，本申请实施例由所设置的专门实体，基于收集的应用管控涉及的信息，并基于信息进行配置策略的生成，据此实现了跨广域网的应用管控，且保证所提供的应用的服务质量。
-
公开(公告)号：CN114866476B
公开(公告)日：2023-06-30
申请号：CN202210376871.8
申请日：2022-04-12
Applicant: 北京邮电大学深圳研究院
Abstract: 本发明涉及网络传输技术领域，且公开了一种无损高效的RDMA传送方法，所述传送方法包括RDMA数据包重传和RDMA智能流控机制，所述RDMA智能流控机制包括有链路状态反馈机制和流量控制机制；所述RDMA数据包重传包括以下步骤：S1、发送节点维护发送窗口，记录当前待发送及已发送为收到确认的数据包编号；S2、依窗口记录的编号顺序依次向接收方发送数据包；S3、接收方收到数据后，构建确认数据包。该无损高效的RDMA传送方法，通过研究在广域分布式网络环境下，将网络拓扑、流量特征、机器学习的传输特征实现有机的整合，提出一种无损高效的RDMA传送技术，通过精细化拥塞控制与流控制策略来最大化带宽利用率解决数据处理效率低和传输时延过长问题。
-
公开(公告)号：CN116127018A
公开(公告)日：2023-05-16
申请号：CN202310208694.7
申请日：2023-03-07
Applicant: 北京邮电大学
IPC: G06F16/33 , G06F18/214 , G06F18/241
Abstract: 本申请实施例公开了一种面向自然语言模型的联邦小样本学习方法、系统及设备，在对自然语言模型进行微调时，由云端服务器控制多个端侧设备，采用渐进式数据增强协同方式进行，即采用基于伪标签方式及提示学习方式进行融合的联邦小样本学习方式与联邦学习方式协同进行，且在微调过程中不断更新最优的增强策略，从而使得各个端侧设备采用的训练数据包含少量的有标签的样本就可以微调得到精确率高的自然语言模型。因此，本申请实施例可以采用少量的有标签的训练数据微调一个精确率高的自然语言模型，提高微调后的自然语言模型的精确率。
-
-
-
-
-
-
-
-
-
Search Results
124
records
(took 0.022 seconds)
