-
公开(公告)号：CN110033076B
公开(公告)日：2022-08-05
申请号：CN201910317130.0
申请日：2019-04-19
Applicant: 福州大学
Abstract: 本发明涉及一种混合云环境下面向代价优化的工作流数据布局方法。首先，进行混合云环境下面向代价优化的科学工作流数据布局问题建模，将问题目标形式化得到目标函数；其次，对遗传粒子进行问题编码，实现粒子到数据布局策略的一一对应关系；再而，基于目标函数设计适应度函数来评价粒子优劣；最后，基于适应度函数，初始化种群并根据GAPSO的粒子更新策略对粒子种群不断更新迭代从而求得近似最优解。本发明方法可以有效降低混合云环境下科学工作流的执行代价。
-
公开(公告)号：CN112700057B
公开(公告)日：2022-07-08
申请号：CN202110020657.4
申请日：2021-01-07
Applicant: 福州大学
Abstract: 本发明涉及一种基于模块化循环神经网络的电力负荷预测方法。包括以下步骤：1、构建一个包含输入层、隐藏层和输出层的循环神经网络，并把隐藏层划分为若干个模块；2、通过四种隐藏层模块更新策略和两种循环连接剪枝策略的不同组合，可以构建不同的模块化循环神经网络；3、对获取的电力负荷数据进行Z‑score标准化处理，并将其按照时间顺序划分为训练集，验证集和测试集。利用训练集对模型进行训练，用验证集进行调参，最后在测试集上评估性能。本发明相对于目前广泛应用的门控循环神经网络而言，该框架下的模型能够在有效降低网络训练参数量的同时，实现对电力负荷的精准预测。特别是基于自适应更新策略的模块化循环神经网络的表现最为突出。
-
公开(公告)号：CN112528730B
公开(公告)日：2022-06-10
申请号：CN202011128387.0
申请日：2020-10-20
Applicant: 福州大学
IPC: G06V40/10 , G06V20/40 , G06K9/62 , G06V10/764
Abstract: 本发明涉及一种匈牙利算法下基于空间约束的成本矩阵优化方法，首先获取保存好的所有被跟踪目标的外观特征向量集合，然后获取该帧中所有行人检测的结果，并将他们结合构造初始的成本矩阵；接着根据之前被跟踪的目标的信息利用卡尔曼滤波来估计该目标的当前位置，根据估计位置和检测结果的相对关系来修改成本矩阵的权重，用于后续的指派任务；最后利用匈牙利算法获得成本矩阵的最优指派，据此将检测结果进行分配，并且更新和保存被跟踪目标的外貌特征。本发明能够根据视频场景来有效改善匈牙利算法的匹配效果，去除一些不合理的匹配。
-
公开(公告)号：CN110033076A
公开(公告)日：2019-07-19
申请号：CN201910317130.0
申请日：2019-04-19
Applicant: 福州大学
Abstract: 本发明涉及一种混合云环境下面向代价优化的工作流数据布局方法。首先，进行混合云环境下面向代价优化的科学工作流数据布局问题建模，将问题目标形式化得到目标函数；其次，对遗传粒子进行问题编码，实现粒子到数据布局策略的一一对应关系；再而，基于目标函数设计适应度函数来评价粒子优劣；最后，基于适应度函数，初始化种群并根据GAPSO的粒子更新策略对粒子种群不断更新迭代从而求得近似最优解。本发明方法可以有效降低混合云环境下科学工作流的执行代价。
-
公开(公告)号：CN104867015B
公开(公告)日：2018-09-18
申请号：CN201510203387.5
申请日：2015-04-27
Applicant: 福州大学
IPC: G06Q30/00
Abstract: 本发明涉及一种基于用户移动预测的物品递送者推荐方法，该方法包括以下步骤：1、数据采集并整理：从移动用户的原始GPS数据中提取出有意义的地点，并对这些地点进行聚类，得到用户感兴趣的场所同时生成相应的轨迹；2、候选人选取：根据社交网络中用户间的关系程度，提取递送者的候选集；3、用户会面预测：通过用户历史轨迹的概率统计，计算用户和他朋友间会面的概率；4、用户位置预测：通过用户历史轨迹的概率统计，计算用户的朋友访问某个场所的概率；5、递送者推荐：计算用户的朋友在他们相遇之前访问某个场所的概率，并按其大小降序排列，选择前topK个朋友并展示出来。本发明为用户购物带来了方便。
-
Patent Agency Ranking
公开(公告)号：CN114118373A
公开(公告)日：2022-03-01
申请号：CN202111412506.X
申请日：2021-11-25
Applicant: 福州大学
Abstract: 本发明涉及一种基于回声状态网络的多维时间序列缺失补全方法，包括：步骤S1：构建回声状态网络模型；步骤S2:按照时间顺序，向回声状态网络模型的输入层提供每个时刻的外生变量，向输出层提供对应时刻的多维时间序列的观测值，若缺失的观测值尚未预补，则利用基于方向的最近邻策略进行暂时性预补;步骤S3:分别构建具有双向反馈的前向或双向回声状态网络，并更新所有时刻的内部状态；步骤S4:根据无需预补时刻的输入、内部状态和真实输出训练出网络的输出权重；步骤S5:根据需要预补时刻的输入、内部状态和步骤S4得到的输出权重计算输出估计值，并用于对预补值进行更新；步骤S6:重复步骤S3‑S5，用最后的预补值填补原始序列的缺失值。本发明考虑更加全面的数据相关性来提升多维时间序列的补全精度。
-
公开(公告)号：CN112700057A
公开(公告)日：2021-04-23
申请号：CN202110020657.4
申请日：2021-01-07
Applicant: 福州大学
Abstract: 本发明涉及一种基于模块化循环神经网络的电力负荷预测方法。包括以下步骤：1、构建一个包含输入层、隐藏层和输出层的循环神经网络，并把隐藏层划分为若干个模块；2、通过四种隐藏层模块更新策略和两种循环连接剪枝策略的不同组合，可以构建不同的模块化循环神经网络；3、对获取的电力负荷数据进行Z‑score标准化处理，并将其按照时间顺序划分为训练集，验证集和测试集。利用训练集对模型进行训练，用验证集进行调参，最后在测试集上评估性能。本发明相对于目前广泛应用的门控循环神经网络而言，该框架下的模型能够在有效降低网络训练参数量的同时，实现对电力负荷的精准预测。特别是基于自适应更新策略的模块化循环神经网络的表现最为突出。
-
公开(公告)号：CN112561950A
公开(公告)日：2021-03-26
申请号：CN202011547135.1
申请日：2020-12-24
Applicant: 福州大学
Abstract: 本发明涉及一种PointTrack框架下基于窗函数的点云采样方法，包括以下步骤：步骤S1：获取视频图像帧中所有目标的2D边界框，并输入到神经网络中进行分割，得到对应的前景与背景；步骤S2：根据分割结果对边界框在上下左右四个方向进行扩展，并将扩展后割的结果使用窗函数进行点云采样，分别得到前景和背景相对应的2D点云采样结果；步骤S3：将得到的前景点云进行整合，计算对应的颜色特征向量和形状特征向量，将得到的背景点云进行整合，并计算对应的颜色特征向量、形状特征向量以及类别向量，最终将得到的向量串联输入到PointTrak模型中。本发明能够使用窗函数更好的对点云采样进行控制，可以让采样的点更偏向于反应轮廓信息或者颜色信息，提高PointTrack多目标跟踪效果。
-
公开(公告)号：CN111061966A
公开(公告)日：2020-04-24
申请号：CN201911179955.7
申请日：2019-11-27
Applicant: 福州大学
IPC: G06F16/9537 , G06N20/00 , G01S19/19
Abstract: 本发明提出一种基于强化学习算法的失踪目标搜索方法，包括如下步骤：步骤S1、数据预处理：包括时间和空间的离散化；目标移动轨迹的离散化；不同时间空间下搜索难度的标量化；步骤S2、强化学习训练环境构建：构建强化学习训练环境，训练环境信息包含不同时间不同位置出发的对象在不同搜索时刻下的期望搜索代价和不同搜索时刻转移到不同位置的概率；步骤S3、时空搜索模型离线训练：对状态和行为的定义以及模型进行自适应优化；步骤S4、在线时空搜索决策：基于步骤S3已经训练好的时空搜索模型迭代地采用贪婪策略确定时空搜索序列并执行时空搜索。其有效的降低了找到目标在目标时刻所在位置的搜索代价，完成搜索代价约束下的目标搜索任务。
-
公开(公告)号：CN106599254B
公开(公告)日：2019-11-12
申请号：CN201611189560.1
申请日：2016-12-21
Applicant: 福州大学
Abstract: 本发明涉及一种基于贪心策略的群智感知参与者选择方法，包括以下步骤：步骤S1：通过原始数据库，获取每个用户在各个周期所覆盖的目标点的集合；步骤S2：利用贪心策略选取一个用户集，保证目标点在第一个覆盖周期满足覆盖要求；步骤S3：用步骤S2中得到的用户集来对下一个覆盖周期进行覆盖，记录各点的覆盖次数情况；步骤S4：对步骤S3中未满足覆盖次数要求的点，继续用贪心策略选取用户，加入到原来的用户集，直到所有点都满足覆盖次数要求；步骤S5：重复步骤S3和S4中的步骤，直到最后一个覆盖周期也满足覆盖要求。该方法在给定用户地点签到信息数据集的基础上，有效求解出比较理想的用户集合，在给定代价的情况下完成有时空限制的群智感知任务。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.021 seconds)
