-
公开(公告)号：CN115910376A
公开(公告)日：2023-04-04
申请号：CN202211510066.6
申请日：2022-11-29
Applicant: 南京邮电大学
Abstract: 本发明属于接触检测技术领域，具体地说，是一种基于联邦强化学习的密接检测系统及检测方法，系统具体分为边缘用户终端及中心云服务端两部分，方法包括密接检测系统训练和密接检测系统使用两部分，本发明能够做到在联邦学习环境下，用户之间通过蓝牙信号传输的接触数据始终保存在边缘用户终端，保护了用户数据及隐私安全；通过利用循环神经网络学习蓝牙密接信号与距离之间的关联性，学习得到密接时间推断模型，通过输入蓝牙信号序列数据得到不同距离区间下的密接时间；本发明基于强化学习的参数融合方法通过使用多agent强化学习方法，学习在联邦学习环境参数融合过程中边缘用户终端的权重选择，保证了在不同训练场景下能得到最大的模型精度。
-
公开(公告)号：CN115438383B
公开(公告)日：2023-02-14
申请号：CN202211395086.3
申请日：2022-11-09
Applicant: 南京邮电大学
Abstract: 本发明属于临床试验领域，涉及到区块链、RSA加密等技术，具体地说，是一种基于区块链通道技术的临床试验数据上传及共享方法，本发明基于区块链通道技术，设计了三种不同类型的通道满足了临床试验不同参与方对数据的不同共享需求；基于改进的RSA加密算法实现了对不同类型临床试验数据的上链方式，保证了链上数据的安全性以及通道内数据的隔离性；基于智能合约，该方法也实现了链上数据在临床试验不同参与方之间的共享，保证了下载数据的真实性。本发明设计了临床试验数据的上传、共享流程，目的在于保障临床试验数据的安全性、真实性，同时更好地保存数据并起到数据隔离的效果，让临床试验数据的管理过程更有保障。
-
公开(公告)号：CN109034229A
公开(公告)日：2018-12-18
申请号：CN201810781717.2
申请日：2018-07-17
Applicant: 南京邮电大学盐城大数据研究院有限公司
IPC: G06K9/62
CPC classification number: G06K9/6269 , G06K9/6256
Abstract: 本发明公开了一种基于趋势预测的云资源智能分配的方法，把预测云资源需求任务视为一个加权三类分类问题，在每个最小单元时间内将分类为“稳定”、“峰值”和“谷值”三种标签。首先、通过应用分段线性表示法对云资源需求的变化时间序列进行分割，并将每个最小单元时间标记为“稳定”、“峰值”或“谷值”。然后，给定每个最小单元时间的标签和统计信息，使用加权支持向量机将云资源预测任务以加权三类分类问题进行建模，并为突然变化的云资源需求(即突然增加和减少)增加了额外权重。最后，构建的模型将持续预测未来的云资源需求趋势，并利用新来的云资源请求数据逐步更新模型。在云资源预测上更加精准，更具竞争力。
-
公开(公告)号：CN115438383A
公开(公告)日：2022-12-06
申请号：CN202211395086.3
申请日：2022-11-09
Applicant: 南京邮电大学
Abstract: 本发明属于临床试验领域，涉及到区块链、RSA加密等技术，具体地说，是一种基于区块链通道技术的临床试验数据上传及共享方法，本发明基于区块链通道技术，设计了三种不同类型的通道满足了临床试验不同参与方对数据的不同共享需求；基于改进的RSA加密算法实现了对不同类型临床试验数据的上链方式，保证了链上数据的安全性以及通道内数据的隔离性；基于智能合约，该方法也实现了链上数据在临床试验不同参与方之间的共享，保证了下载数据的真实性。本发明设计了临床试验数据的上传、共享流程，目的在于保障临床试验数据的安全性、真实性，同时更好地保存数据并起到数据隔离的效果，让临床试验数据的管理过程更有保障。
-
公开(公告)号：CN110781068B
公开(公告)日：2022-11-08
申请号：CN201911079260.1
申请日：2019-11-07
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于同构分解方法的数据中心跨层能耗预测方法，通过数据中心服务器上的电源分配单元采集数据中心物理机级的能耗数据；通过数据中心服务器上的管理工具收集数据中心物理机级的特征数据、虚拟机级的特征数据和容器级的特征数据；将采集到的3个层级的特征数据和能耗数据根据时间戳对应整合，建立能耗关系模型；将实时采集的特征数据作为输入，预测未来能耗数据，实现跨层能耗预测。本发明解决了数据中心物理机能耗模型中跨层能耗难以预测的问题，采用同构分解的思想减少了数据中心能耗预测需要建模的数量，提升了预测效率，帮助数据中心节能减排，改善了数据中心能耗负荷大、能源浪费多的问题，能在各类数据中心中进行推广应用。
-
Patent Agency Ranking
公开(公告)号：CN113747360B
公开(公告)日：2022-10-04
申请号：CN202110858025.5
申请日：2021-07-28
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于混合可见光和BLE的室内定位方法。首先使用加权最小二乘法融合可见光的RSSI数据与BLE的AOA数据得到混合特征指纹，增强了指纹特征的表达，一定程度上解决使用单个指纹特征定位时的精度不高问题。然后使用连续小波变换将稳定的可见光RSSI样本作为时间序列数据映射为二维联合时频数据，在不同的时间尺度上提供良好的特征表示，使用CNN有效捕获数据结构，准确预测各参考点与目标点之间的匹配概率，将得到的概率用于后续WKNN的样本点选取以及权值推算。最后将离线指纹库中WKNN的样本点对应的指纹信息、在线测得的目标点的指纹信息以及推算得到的权值输入WKNN后得到目标点的精确位置。
-
公开(公告)号：CN115080861A
公开(公告)日：2022-09-20
申请号：CN202210852889.0
申请日：2022-07-20
Applicant: 南京邮电大学
IPC: G06F16/9535 , G06F16/9536 , G06N3/04 , G06F17/16 , G06F17/18
Abstract: 本发明提出了一种基于迁移头尾知识的神经协同过滤双向推荐方法，通过双向评分数据客体与主体的双边交互流行度进行分类采样，再将评分数据进行归一化后，加深了长尾项目表示的同时,防止聚合后单向评分数据长尾现象更加严重的情况。通过构建双向的最近邻居特征矩阵，将客体和主体的双边最近邻居特征结合神经协同过滤嵌入层对应的客体和主体特征，继续输入神经网络中进行训练，充分挖掘双向客体和主体之间的局部特征信息。通过用全连接层F()网络学习客体‑主体及主体‑客体头部项目从少样本模型到多样本模型过程中神经协同过滤网络参数的变化，迁移应用到长尾项目中，提高双向长尾项目的推荐。
-
公开(公告)号：CN113918367A
公开(公告)日：2022-01-11
申请号：CN202111128644.5
申请日：2021-09-26
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于注意力机制的大规模系统日志异常检测方法，属于智能运维领域。包括如下步骤：提取计算机系统产生的日志信息，并对日志信息进行数据预处理，构造日志上下文组合集；将日志上下文组合集输入神经网络模型中，对神经网络模型进行训练；获取待预测的日志信息并进行数据预处理，构造待预测的日志上下文组合集，将待预测的日志上下文组合集输入到训练好的神经网络模型中生成后续子序列事件，将后续子序列事件与真实事件进行对比。本发明通过神经网络模型中判别器和生成器之间的不断交替更新的机制，得到生成拟合真实后续正常事件的模型，进而对比真实后续日志与生成后续正常日志类型是否相同，从而判断系统是否异常。
-
公开(公告)号：CN113747360A
公开(公告)日：2021-12-03
申请号：CN202110858025.5
申请日：2021-07-28
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于混合可见光和BLE的室内定位方法。首先使用加权最小二乘法融合可见光的RSSI数据与BLE的AOA数据得到混合特征指纹，增强了指纹特征的表达，一定程度上解决使用单个指纹特征定位时的精度不高问题。然后使用连续小波变换将稳定的可见光RSSI样本作为时间序列数据映射为二维联合时频数据，在不同的时间尺度上提供良好的特征表示，使用CNN有效捕获数据结构，准确预测各参考点与目标点之间的匹配概率，将得到的概率用于后续WKNN的样本点选取以及权值推算。最后将离线指纹库中WKNN的样本点对应的指纹信息、在线测得的目标点的指纹信息以及推算得到的权值输入WKNN后得到目标点的精确位置。
-
公开(公告)号：CN110781068A
公开(公告)日：2020-02-11
申请号：CN201911079260.1
申请日：2019-11-07
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于同构分解方法的数据中心跨层能耗预测方法，通过数据中心服务器上的电源分配单元采集数据中心物理机级的能耗数据；通过数据中心服务器上的管理工具收集数据中心物理机级的特征数据、虚拟机级的特征数据和容器级的特征数据；将采集到的3个层级的特征数据和能耗数据根据时间戳对应整合，建立能耗关系模型；将实时采集的特征数据作为输入，预测未来能耗数据，实现跨层能耗预测。本发明解决了数据中心物理机能耗模型中跨层能耗难以预测的问题，采用同构分解的思想减少了数据中心能耗预测需要建模的数量，提升了预测效率，帮助数据中心节能减排，改善了数据中心能耗负荷大、能源浪费多的问题，能在各类数据中心中进行推广应用。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.024 seconds)
