水下传感器网络的媒体介质访问控制协议方法及系统

    公开(公告)号:CN104066116A

    公开(公告)日:2014-09-24

    申请号:CN201410265061.0

    申请日:2014-06-13

    Abstract: 水下传感器网络的媒体介质访问控制协议方法及系统,该系统包括:请求发送信息包模块,用于发送节点发送数据前向接收节点发送请求发送信息包;时隙数目计算模块,接收节点根据可定向原则以及请求发送信息包中的信息,用于为该发送节点分配名次,然后把请求发送信息包中的内容存入名次表中,根据请求发送信息包的内容,计算分配给发送节点的时隙数目;数据包发送模块,该发送节点根据计算出的该时隙数目向该接收节点发送数据包;校验模块,用于该接收节点接收到该数据包后进行校验,然后向该发送节点发送校验确认信息包,同时用于结束本次通信。

    一种引入代理装置的RFID系统及其双向认证方法

    公开(公告)号:CN101950367B

    公开(公告)日:2012-07-25

    申请号:CN201010255378.8

    申请日:2010-08-16

    Abstract: 本发明公开了一种引入代理装置的RFID系统及其双向认证方法。所述RFID系统,包括:后台控制端、读卡器、代理装置和电子标签,其中,代理装置包括:收发模块,用于向所述读卡器和电子标签收发数据;随机数生成模块,用于生成随机数RP,并发送给加密模块;加密模块,用于对随机数与接收到读卡器生成的随机数以及电子标签的标识符进行加密运算;更新模块,用于对所述电子标签的标识符执行更新操作;存储模块,用于存储序列 及随机数;解密模块,用于对收到的密文进行解密。

    在传感器网络中形成精细汇聚梯度的方法

    公开(公告)号:CN1988509A

    公开(公告)日:2007-06-27

    申请号:CN200610164873.1

    申请日:2006-12-07

    Abstract: 本发明公开了一种在传感器网络中形成精细汇聚梯度的方法,该方法包括:A、汇聚节点广播发送建立汇聚梯度的汇聚梯度广播命令包;B、接收到该汇聚梯度广播命令包的节点i分析该汇聚梯度广播命令包的包头,获取发送节点地址ID、发送节点跳数n,并将获取的发送节点地址ID和发送节点跳数n记录在自己的邻居列表中;C、节点i设定或更新自身的跳数,根据现有的邻居信息和自身跳数计算汇聚梯度,并转发该汇聚梯度广播命令包;D、节点i继续监听信道,并重复执行步骤B和C,直至到达局部稳定时间Ts时停止监听,形成精细汇聚梯度。利用本发明,解决了梯度带的不规整性和节点数据转发形态差异与数据负载的不均衡性问题。

    一种面向非完整多元时间序列预测的学习方法

    公开(公告)号:CN119129768A

    公开(公告)日:2024-12-13

    申请号:CN202410834572.3

    申请日:2024-06-26

    Abstract: 本发明实施例提供了一种训练学生模型的方法,包括:获取第一训练集,其包括多个未经缺失处理的原始样本和对应的标签;获取利用原始样本和标签训练得到教师模型,其包括用于从原始样本提取教师表征的特征提取器和用于根据教师表征得到教师预测结果的回归层;利用多种缺失率对每个原始样本进行处理,得到对应的缺失样本,所有缺失样本和对应的标签组成第二训练集;获取学生模型,其包括用于从缺失样本提取学生表征的特征提取器和用于根据学生表征得到学生预测结果的回归层;利用第二训练集、教师表征和教师预测结果对学生模型进行训练,训练时,基于表征损失、预测结果损失、对比损失和绝对误差损失加权的总损失更新学生模型的参数。

    一种深度学习模型执行时间的评估方法

    公开(公告)号:CN117422957A

    公开(公告)日:2024-01-19

    申请号:CN202311203914.3

    申请日:2023-09-18

    Abstract: 本发明实施例提供了一种深度学习模型执行时间的评估方法,该方法包括:取基于深度学习处理器训练的深度学习模型;将深度学习模型进行量化以及将量化后的深度学习模型转换为计算图;获取计算图中每个算子的参数信息;基于计算图中每个算子的参数信息,利用每种算子对应的代价评估函数得到计算图中每个算子的执行时间;计算每个算子的输入数据与输出数据的迁移时间,以及计算每个算子的阻塞等待时间;基于计算图中每个算子的执行时间、每个算子的阻塞等待时间以及每个算子的输入数据与输出数据的迁移时间,评估深度学习模型的执行时间。该方法是针对深度学习处理器设计的,对于深度学习模型执行时间的评估粒度高、效率高以及不需要依赖工程师经验。

    一种基于深度强化学习的无线网络分布式实时调度方法

    公开(公告)号:CN117336875A

    公开(公告)日:2024-01-02

    申请号:CN202311356766.9

    申请日:2023-10-19

    Abstract: 本发明提供了一种基于深度强化学习的无线网络分布式实时调度方法,无线网络包括预定范围内的多个节点,节点为接入点或者移动用户节点,方法包括:在每个节点中分别执行预设的分布式调度协议,基于所述协议为本节点的每条数据流建立一个调度组件以调度发送数据的数据流,其中,每个数据流的调度组件被配置为:为该数据流维护用于描述其流量特征的流量模型,并将最新的流量模型广播给无线网络中的各数据流的调度组件;监测每个时隙中该数据流对应的状态集合和历史观测信息;为该数据流部署专属的强化学习模型,其用于根据该数据流在当前时隙对应的状态集合和历史观测信息预测动作;和至少基于所述强化学习模型预测的动作确定当前时隙的实际动作。

    支持多卡并行的嵌入式智能计算装置

    公开(公告)号:CN114817111B

    公开(公告)日:2023-08-29

    申请号:CN202210471335.6

    申请日:2022-04-28

    Abstract: 本发明提出一种支持多卡并行的嵌入式智能计算装置,包括嵌入式智能计算板卡、主控与IO板卡和RapidIO交换板卡;嵌入式智能计算装置采用高速RapidIO分布式对等网络,并采用标准VPX嵌入式智能计算系统多卡并行计算、标准VPX FPGA主控与IO板卡、标准VPX RapidIO网络交换板卡、标准VPX电源板卡、标准VPX背板,构建嵌入式智能计算系统多卡并行计算集群装置,在处理大规模数据和复杂智能算法网络时,通过该方法及装置不仅获得了系统级智能计算能力倍数增加和较好的算力可扩展性,同时可实现大规模数据密集型计算密集型场景下图像/视频数据实时计算。

    一种通信与调试设备电路及应用其的嵌入式智能计算系统

    公开(公告)号:CN113326218B

    公开(公告)日:2023-08-18

    申请号:CN202110540644.X

    申请日:2021-05-18

    Abstract: 一种通信与调试设备电路,其特征在于,包括:第一板间高速通信连接器,包括CPU以太网MAC控制器接口、2路CPU TTL UART接口、时钟模块I2C接口、CPU JTAG接口。千兆以太网PHY芯片,一端与该CPU以太网MAC控制器接口互连,另一端为以太网收发器数据通信接口,包含四对全双工差分线。RJ45网口,包括四对双绞线屏蔽线差分线接口,与该千兆以太网PHY芯片的该四对全双工差分线相连。串口信号电平转换芯片,该串口信号电平转换芯片的一端为2路TTL/CMOS串口信号输入输出接口,分别与该第一板间高速通信连接器上的2路CPU TTL UART接口信号互连与通信,该串口信号电平转换芯片的另一端为双路+/‑5.0V EIA/TIA‑232电平收发器。两路标准DB9串口母头连接器,与该串口信号电平转换芯片的该双路+/‑5.0V EIA/TIA‑232电平收发器互连。

Patent Agency Ranking