-
公开(公告)号：CN115099858B
公开(公告)日：2024-08-23
申请号：CN202210734752.5
申请日：2022-06-27
Applicant: 同济大学
IPC: G06Q30/0201 , G06Q10/0631 , G06F9/445 , G06F9/48 , G06F9/50
Abstract: 本发明公开一种基于多智能体深度强化学习的车辆协作计算系统。该系统包括远程服务器所处的云层、本地雾服务器所处的小云朵层以及车辆所处的雾层。在该系统中，本地雾服务器的区域内部构建车对车的计算资源购买架构、不同的车辆间形成联盟进行协同计算和信息传输、联盟与本地雾服务器间进行任务交付与信息传输、本地雾服务器根据区域内部的计算资源供需进行资源定价与资源买卖、车辆根据激励机制和自身状态应用多智能体深度强化学习算法最大化自身收益来采取资源买卖策略。利用本发明，车辆在满足自身意愿前提下以较低的复杂度在不同路况环境形成稳定的协作联盟进行计算资源共享和任务卸载，有效提升了边缘雾节点的任务完成率和计算能力。
-
公开(公告)号：CN116866022A
公开(公告)日：2023-10-10
申请号：CN202310791498.7
申请日：2023-06-30
Applicant: 同济大学
Abstract: 本发明提供了一种基于深度强化学习的工业物联网切片安全服务配置方法。基于深度强化学习的工业物联网切片安全服务配置方法包括：搭建工业物联网架构，工业物联网架构包含终端设备、网络切片模块、虚拟安全网络功能模块、编排模块和物理网络；在虚拟安全网络功能模块中，基于软件定义网络和网络功能虚拟化技术，对用户的安全服务请求进行建模，得到安全服务请求模型；基于安全服务网络功能实例和安全服务功能链进行模型训练，得到安全服务功能链部署方案；基于网络切片的切片特征、网络切片的请求分布和简化的动作空间，将安全服务功能链嵌入工业物联网架构。本发明的方法在面对大量的网络切片和业务请求时，可制定出有效的安全策略和资源优化方案。
-
公开(公告)号：CN114757389A
公开(公告)日：2022-07-15
申请号：CN202210233273.5
申请日：2022-03-10
Applicant: 同济大学
Abstract: 本发明涉及一种基于联邦学习的城市交通流量时空预测方法，具体包括以下步骤：S1、获取城市交通数据流信息，输入到流量时空预测网络模型；S2、流量时空预测网络模型通过注意力机制获取城市交通数据流信息中存在的动态时空依赖关系；S3、城市交通数据流信息和动态时空依赖关系输入到联邦学习框架，联邦学习框架通过参数聚合机制来更新通用的学习模型，采用联邦平均算法进行安全参数聚合，最终得到城市交通流量预测结果。与现有技术相比，本发明具有基于城市实际路网结构，在多参与方存在的情况下，综合考虑时间和空间上存在的依赖关系，实现不泄露隐私的多方协作城市交通流量时空预测等优点。
-
公开(公告)号：CN112115830A
公开(公告)日：2020-12-22
申请号：CN202010945655.1
申请日：2020-09-10
Applicant: 同济大学
Abstract: 本发明涉及一种基于比特域特征提取的目标分布式融合识别方法，用于边缘设备和边缘域融合中心中，方法包括以下步骤：1)从多种边缘设备中获取感知信号；2)获取预先构建并训练好的深度神经网络，根据预设的部署规则，拆分深度神经网络，并部署到多种边缘设备和边缘域融合中心中，获得分布式神经网络架构；边缘设备中部署的深度神经网络通过对输出信号进行比特域特征提取，生成比特域特征向量，从而进行数据传输3)载入感知信号，获取目标识别结果。与现有技术相比，本发明可在边缘设备上对目标信号进行预处理，并得到量化压缩后的比特域特征，进行数据传输，缓解云中心的计算存储压力和网络带宽压力，并提高目标识别过程的响应速度。
-
公开(公告)号：CN110376457B
公开(公告)日：2020-10-02
申请号：CN201910571745.6
申请日：2019-06-28
Applicant: 同济大学
Abstract: 本发明涉及一种基于半监督学习算法的非侵入式负荷监测方法及装置，其中方法包括：步骤S1：采集智能电表总用电量和各设备运行状态信息的时序信息；步骤S2，预处理数据，首先清洗数据，其次将数据归一化处理，最后以0填充总用电量序列的首尾；步骤S3，每次滑动一个时间长度来获得训练窗口，以总用电量序列作为输入窗口数据，以序列中点时间设备的开关状态作为输出标签，重复多次得到训练样本数据集；步骤S4，使用训练样本训练神经网络模型；步骤S5，将待识别的总电量序列输入训练好的神经网络模型，可以获得正确的各设备运行状态。与现有技术相比，本发明具有可以得到精细化的用户内部设备使用状态等优点。
-
Patent Agency Ranking
公开(公告)号：CN114022667B
公开(公告)日：2025-04-29
申请号：CN202111261487.5
申请日：2021-10-28
Applicant: 同济大学
Abstract: 本发明涉及一种糖尿病性视网膜病变影像数据处理方法，该方法包括：数据预处理：获取高清眼底图像X，经过降噪与细节增强得到预处理高清眼底图像#imgabs0#再经过缩放与数据增强得到分辨率较小的预处理高清眼底图像#imgabs1#特征提取：将分辨率较小的预处理高清眼底图像#imgabs2#输入至卷积神经网络A中得到特征图F；分别采用整体处理分支处理以及感兴趣区域处理分支处理方法，获取全局处理结果ywhole以及关注区域处理结果yattention；将全局处理结果ywhole与关注区域处理结果yattention进行分数平均，得到最终的处理结果ypred。与现有技术相比，本发明具有准确度高、鲁棒性高以及节省计算资源的优点。
-
公开(公告)号：CN119671425A
公开(公告)日：2025-03-21
申请号：CN202411750940.2
申请日：2024-12-02
Applicant: 同济大学
IPC: G06Q10/083 , G06N3/092 , G06Q10/0631 , G06Q10/047 , G06Q10/0835 , G06N3/045 , G06N3/0442
Abstract: 本发明提供一种基于深度强化学习的低空物流多无人机协同配送方法，包括：获取配送任务及多层级动态空域信息，并根据任务分配机制将配送任务分配给空闲的无人机；基于多层级动态空域信息，构建空域调度机制，其中，空域调度机制包括空域调度高度层选择器和多无人机协同寻路求解器；空域调度高度层选择器根据配送任务及多层级动态空域信息确定无人机的飞行高度层，得到高度层决策；多无人机协同寻路求解器在各个高度层进行水平范围的协同路径规划，得到路径决策；无人机根据高度层决策及路径决策执行配送任务。本发明的方法在复杂的城市场景中实现了高吞吐量、低延迟的配送目标，并减少了空域冲突带来的运营风险。
-
公开(公告)号：CN119484521A
公开(公告)日：2025-02-18
申请号：CN202411283689.3
申请日：2024-09-13
Applicant: 同济大学
IPC: H04L67/10 , H04L67/12 , H04L67/1074 , H04L9/00
Abstract: 本发明提供一种基于区块链的零信任车联网协作计算方法，包括：任务卸载请求车辆将相关任务信息与车辆信息发送至最近的路侧单元；路侧单元从区块链中读取各个提供计算的服务车辆的评分，根据各个服务车辆的评分及多属性任务卸载算法，选择任务执行车辆；任务执行车辆与任务卸载请求车辆建立交易，交易记录在路侧单元中；任务执行后，任务执行车辆将计算结果传输给任务卸载请求车辆和路侧单元；路侧单元选择验算车辆组对执行任务进行重复计算，得到计算结果；通过比较任务执行车辆和验算车辆组的计算结果，确定任务执行车辆计算结果的正确性；智能合约根据任务执行车辆计算结果的正确性自动执行支付或处罚。本发明的方法提高了车辆的资源利用率。
-
公开(公告)号：CN118432885A
公开(公告)日：2024-08-02
申请号：CN202410537551.5
申请日：2024-04-30
Applicant: 同济大学
IPC: H04L9/40 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/098
Abstract: 本发明涉及网络入侵检测与深度学习领域，尤其是涉及一种基于联邦学习的大规模异构工业物联网网络入侵检测方法，包括以下步骤：启动服务器，创建网络入侵检测训练任务；服务器分发全局模型用于初始化所有客户端的本地模型；在每个通信轮次中，获取参与当前轮次的客户端子集；该客户端子集执行本地训练；将更新后的本地模型至服务器；服务器检查上传的本地模型数量与当前客户端子集的数量是否一致；服务器使用基于指数移动平均的联邦聚合算法(FedEMA)聚合本地模型，并生成一个新的全局模型，如果当前通信轮次达到最大通信轮次，则得到最终的网络入侵检测的联邦模型。与现有技术相比，针对大规模工业环境下异构数据分布和多样化设备可用性等真实场景下，本发明具有更优越检测性能和更健壮鲁棒性等优点。
-
公开(公告)号：CN116415695A
公开(公告)日：2023-07-11
申请号：CN202310294654.9
申请日：2023-03-23
Applicant: 同济大学
Abstract: 本发明涉及一种结合自集成和跨模型集成的半监督联邦学习方法，包括以下步骤：S1、每个参与方使用本地数据进行训练得到本地模型；S2、所有参与方将训练好的本地模型上传到中央服务器进行参数融合，得到全局模型；S3、中央服务器将全局模型广播给所有参与方；S4、参与方使用全局模型作为新的本地模型，并在新的本地模型上开始新的一轮本地训练；S5、返回步骤S1，循环执行直至达到预设条件。与现有技术相比，本发明利用了联邦学习中并行产生多个本地模型的特点，通过结合跨模型集成方案与自集成方案，在计算量相对较小的同时使得教师模型更加可靠，从而能够得到更好的训练效果。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.017 seconds)
