-
公开(公告)号：CN115840900A
公开(公告)日：2023-03-24
申请号：CN202211129262.9
申请日：2022-09-16
Applicant: 河海大学
IPC: G06F18/231 , G06F18/214 , G06N20/00
Abstract: 本发明提供了一种基于自适应聚类分层的个性化联邦学习方法及系统，包括：参数服务器所有客户端的梯度进行加权平均处理，采用计算得到的平均梯度调整全局模型参数；根据最近一轮所有客户端上传的梯度计算客户端之间的相似度，根据计算结果对所有客户端进行聚类分组，生成组内分层的个性化权重向量；参数服务器将最新全局模型参数发送至所有组服务器，由组服务器迭代执行组内个性化联邦学习训练，将得到的最新组内模型参数上传至参数服务器；参数服务器将接收到的所有客户组发送的最新组内模型参数加权平均聚合后得到新的全局模型。本发明达到了在不损害全局泛化能力的前提下大幅提高客户局部模型的个性化性能的技术效果。
-
公开(公告)号：CN109656713B
公开(公告)日：2022-09-16
申请号：CN201811453746.2
申请日：2018-11-30
Applicant: 河海大学
Abstract: 本发明涉及一种基于边缘计算框架的容器调度方法，不同于现有的容器调度优选算法，主要体现在：第一，遗传算法充分利用边缘计算平台的弹性计算这一大优势，可自动扩展适应度更高的节点，使容器调度不再局限于“优中选优”的调度方式；第二，遗传算法的另一大亮点在于系统不必了解如何去“找”目标节点，而是简单地否定适应度低的节点；第三，在步长的选择问题上结合模拟退火的算法思想打破了小范围跳转的桎梏，从跳转过程中可能遇到的局部最优解中跳脱出来，从而达到全局最优解。如此，本发明实现了最优化容器调度方案，在保障服务高质化的同时极大程度上满足用户的实际使用需求，为容器调度创造更高的效益。
-
公开(公告)号：CN114997381A
公开(公告)日：2022-09-02
申请号：CN202210445789.6
申请日：2022-04-26
Applicant: 河海大学
IPC: G06N3/063
Abstract: 本发明公开了一种神经网络全连接层硬件电路及其设计方法和使用方法。其中设计方法通过将神经网络的全连接层中的权值进行聚类，以聚类后形成的每一类权值的均值作为该类权值聚类后的权值，以聚类后每一类权值对应的特征值的集合作为聚类后的权值对应的特征值集合，并根据聚类后的权值与特征值集合设计二进制矩阵向量乘法器的电路结构。上述设计方法设计的硬件电路，减少权值数量，在保证现有二进制矩阵向量乘法器的准确性、仅需要较小额外硬件资源开销的同时提升推理吞吐量。
-
公开(公告)号：CN111045843B
公开(公告)日：2021-09-28
申请号：CN201911057644.3
申请日：2019-11-01
Applicant: 河海大学
IPC: G06F11/07
Abstract: 本发明公开了一种具有容错能力的分布式数据处理方法，其中每份数据使用三个实现相同功能的模块同时进行操作，由于三个模块相互独立，同时有两个模块出现相同错误的概率非常小，故可大大提高系统的可靠性，掩蔽掉故障模块的错误，且上述分布式计算方法结合了一种基于分布式编码计算的数据交换算法，既保持了分布式编码计算较低的通信负载，又能将备份的维护与故障恢复效率接近于副本技术，从而在保证了分布式系统的高可靠性的同时降低了通信负载。
-
公开(公告)号：CN112364985A
公开(公告)日：2021-02-12
申请号：CN202011269076.6
申请日：2020-11-13
Applicant: 河海大学
Abstract: 本申请涉及一种基于分布式编码的卷积优化方法。该方法包括：将输入的初始矩阵分割成预设数量的分矩阵，分矩阵的大小为a×a；分别对各分矩阵进行编码，获得各编码矩阵，将各编码矩阵分别发送至对应的分节点；接收各分节点采用Winograd算法对编码矩阵进行卷积运算获得的分节点卷积运算结果；当接收到的分节点卷积运算结果个数达到预设值时，对接收到的各分节点卷积运算结果进行解码，获得各卷积结果；将各卷积结果进行拼接，获得最终卷积结果。通过Winograd算法计算卷积能够有效提升计算效率，分布式编码能够减轻straggler节点对于系统计算延迟的影响，缓解straggler节点拖慢系统执行任务时间的情况，从而提高了分布式系统运算速度。
-
Patent Agency Ranking
公开(公告)号：CN110276728A
公开(公告)日：2019-09-24
申请号：CN201910451237.4
申请日：2019-05-28
Applicant: 河海大学
Abstract: 本发明公开了一种基于残差生成对抗网络的人脸视频增强方法，包括如下步骤：S1：获取聊天视频中的每个人脸图像，并转换为预设大小的三通道RGB图像和三维矩阵m1；S2：获取所述预设大小的三通道RGB图像中人脸的m个特征点集合，使用黑白色像素表示预设大小的三通道RGB图像，获取特征图像和三维矩阵m2；S3：将所述三维矩阵m1和三维矩阵m2进行拼接，获取拼接图像；S4：对残差生成对抗网络模型进行训练，获取训练后的残差生成对抗网络模型；S5：根据所述训练后的残差生成对抗网络模型，视频聊天的用户双方均可以接收并恢复对方的图像。本发明在对人脸图像的压缩与复原的过程中，压缩比可以达到662，从而可以实现节约流量带宽的目标。
-
公开(公告)号：CN108937026A
公开(公告)日：2018-12-07
申请号：CN201810647773.7
申请日：2018-06-22
Applicant: 河海大学
Abstract: 本发明公开了一种基于双目视觉的自动避障旅行箱，包括箱体，所述的箱体正面设有摄像头与微处理器，所述的摄像头数量为两个，所述的摄像头与微处理器通过电线与锂电池连接，所述的锂电池固定于箱体内部，所述箱体的底部设有万向轮，箱体的外侧设有电源控制面板，所述的电源控制面板包括电源开关、电量显示口与电源充电口，所述的万向轮通过电机与锂电池连接。有益效果：本发明将双目视觉技术应用在旅行箱上，可以实现智能旅行箱的自动避障，准确性高、效率高、结构简单、成本低，解放了使用者的双手，解决了现有技术智能性差、避障准确率低的问题，使用者不必再为旅行箱丢失而烦恼。
-
公开(公告)号：CN108851427A
公开(公告)日：2018-11-23
申请号：CN201810647825.0
申请日：2018-06-22
Applicant: 河海大学
CPC classification number: A45C5/045 , A45C5/141 , A45C13/262 , A45C13/385 , A45C15/00 , B62K17/00 , B62K2204/00
Abstract: 本发明公开了一种智能电动旅行箱，包括箱体，所述的箱体正面设有拉杆与控制杆，背面设有履带，底部设有移动发电装置，所述的控制杆上焊接有控制杆扶手，所述的控制杆扶手由加速把手与制动手闸组成，所述的移动发电装置包括位于移动发电箱内部的齿轮与磁铁，所述的齿轮上连接有线圈与导线，所述的线圈位于磁铁内，所述的导线连接电池组，电池组与电机机组连接。本发明通过移动发电装置对箱体进行发电，通过履带和控制杆使得旅行箱可以上下楼，实现了智能电动旅行箱的代步功能，解决了现有技术智能性差，不能作为使用者下车后代步工具的问题。
-
公开(公告)号：CN107941332A
公开(公告)日：2018-04-20
申请号：CN201711401905.X
申请日：2017-12-22
Applicant: 河海大学
IPC: G01J1/44
Abstract: 本发明公开了一种高功率微波腔体的光辐射监测设备，包括电源接口，还包括：屏蔽盒；安装在盒内上方的上电路板，包括电源模块和自检电路；安装在盒体下方的下电路板，包括光电转换探头、I-V转换电路、滤波模块、信号判断模块、报警逻辑判断模块，光电转换探头将光信号转换为电信号后，输入I-V转换电路，滤波模块通过放大电路对信号电压进行放大，信号判断模块将模拟信号转化为逻辑电平信号，报警逻辑判断模块将该逻辑电平信号作为硬件报警信号接入到保护系统；SMA接口；光传感探头；散热片。与现有技术相比，本发明具有以下优点：(1)性能稳定性高，响应速度快；(2)操作简单，设计成本低，安装方便。
-
公开(公告)号：CN117196009A
公开(公告)日：2023-12-08
申请号：CN202310951174.5
申请日：2023-07-31
Applicant: 河海大学
IPC: G06N3/098 , G06V10/82 , G06V10/764 , G06V10/80
Abstract: 本发明涉及一种基于共同表示学习标准和个性化预测器的联邦学习训练方法，基于服务器、以及与之相通信的各个客户端，针对划分为表示提取器与全局分类器的全局分类模型，先由各客户端创建本地个性化分类器，并针对表示提取器、全局分类器、个性化分类器进行分别训练更新，再由服务器对各客户端训练后的表示提取器、全局分类器进行聚合，并获得聚合后模型的分类精度结果，结合预设分类精度阈值，实现上述训练过程的迭代，实现服务器与各个客户端的联合训练，最终获得兼具泛化性的表示提取器、以及分别对应各客户端的个性化分类器，拼接构成分别对应各客户端的个性化分类模型，提高了各客户端个性化分类模型的训练获得效率、以及应用准确性。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.036 seconds)
