-
公开(公告)号：CN104468050A
公开(公告)日：2015-03-25
申请号：CN201410842685.4
申请日：2014-12-29
Applicant: 东北大学
CPC classification number: H04L1/00 , H04L1/0001 , H04W28/18
Abstract: 本发明一种协作无线网络中期限感知的自适应数据包传输方法，属于通信网络技术领域；该方法首先构建初始动态传输拓扑，然后确定数据包的传输方式，选择传输效率最大的数据包或数据包组合进行传输，并更新数据包动态传输拓扑，直到所有数据包均传输完，最后将数据包和数据包组合的传输顺序，作为无线网络中的数据传输顺序，本发明着重关注了在无线网络中数据包在多速率传输和截止时间约束下的调度和传输，提高了传输效率，并支持支持4种传输方法：模拟网络编码ANC、传统网络编码CNC，普通路由传输PR和直接传输NR，基于动态图集，提出的方法降低了计算的复杂度。
-
公开(公告)号：CN119849580A
公开(公告)日：2025-04-18
申请号：CN202510325334.4
申请日：2025-03-19
Applicant: 东北大学
IPC: G06N3/082 , G06N3/096 , G06N3/084 , G06N3/0895 , G06N3/048 , G06N3/0464 , G06F9/50 , G06V10/764 , G06V10/82 , G06V10/77 , G06V10/80 , G06V10/40
Abstract: 本发明提供了一种面向星载边缘计算的目标检测模型轻量化方法，包括如下步骤：S1、通过采集训练数据集、自监督对比训练与构建通道注意力机制训练出可识别特征缺失目标的图像目标检测模型；S2、对目标检测模型使用图结构抽象神经网络模型、识别并修剪冗余通道从而进行神经网络模型压缩，得到压缩模型；S3、使用对比生成对抗网络和知识蒸馏方法对压缩模型进行模型性能优化，得到轻量化目标检测模型。本发明在压缩模型实现星载边缘计算环境轻量化部署的条件下，保证检测速度和精度，增强特征缺失目标的识别能力。
-
公开(公告)号：CN119766362A
公开(公告)日：2025-04-04
申请号：CN202510258383.0
申请日：2025-03-06
Applicant: 东北大学
IPC: H04B17/373 , H04B17/391
Abstract: 本发明提供一种基于数字表亲的时空频多维信道预测方法，属于移动通信技术领域。本发明方法包括：接收传感器终端的原始信道状态信息数据；通过亲和传播聚类填充原始信道状态信息数据的缺失值，获得局部实测信道状态信息数据；利用基于数字表亲的信道生成模型通过历史信道状态信息数据，获得全局近似信道状态信息数据；融合全局近似信道状态信息数据和局部实测信道状态信息数据，获得融合信道状态信息数据；利用信道预测网络基于融合信道状态信息数据获得全局信道状态信息预测值。本发明方法能够在复杂遮蔽环境下的快速时变通信场景中，利用局部信道数据实现复杂信道环境下的高效精准预测。
-
公开(公告)号：CN112597704B
公开(公告)日：2024-02-06
申请号：CN202011554072.2
申请日：2020-12-24
Applicant: 东北大学
IPC: G06F30/27 , G06F17/16 , G06N3/0455 , G06N3/0442 , G06N3/08
Abstract: 本发明涉及一种发动机异常原因分析方法、系统、设备及介质，其方法包括：首先，确定输入序列与输出序列；其次，根据输入序列与输出序列，构建基于神经网络的编码器‑解码器模型；接着，在编码器‑解码器模型中，构建注意力机制；最后，使用输入序列训练编码器‑解码器模型，在训练完成之后，获得注意力机制中为输入序列生成的一组权重向量；通过每一个权重向量确定各异常类型与各输入元素之间的相关性，进而基于相关性确定发动机的异常原因。本发明提供的方法能够通过训练得到异常类型与监测到的各项数据之间的相关性，确定发动机产生异常类型的时间、位置以及起因，进而在发动机的改进与优化方面提供指示与帮助。
-
公开(公告)号：CN115037616B
公开(公告)日：2023-09-29
申请号：CN202210430467.4
申请日：2022-04-22
Applicant: 东北大学
IPC: H04L41/082 , H04L41/122 , H04L41/14 , H04L49/111
Abstract: 本发明提供一种基于TSSDN网络的确定性流调度及其更新方法，以TSSDN网络作为基础网络架构，首先本发明使用基于无冲突的ILP模型的流表生成方法，解决了流与流之间因冲突造成的帧丢失的问题，其次本发明使用基于增强型的ILP模型的冲突避免方法，解决了新旧配置之间发生冲突的情况，避免了冲突造成的帧丢失现象。最后当流表生成后，本发明使用批处理更新机制(BPUM)完成了流表的下发，解决了设备与控制机交互次数过多引起的更新持续时间过长的问题，同时用版本号区分新旧配置，对新的流和旧的流进行调度，解决了更新期间配置的不一致问题，保证了确定性传输。
-
Patent Agency Ranking
公开(公告)号：CN116069607A
公开(公告)日：2023-05-05
申请号：CN202310068042.8
申请日：2023-01-13
Applicant: 国家电网公司东北分部 , 东北大学
IPC: G06F11/34 , G06F18/23 , G06N3/042 , G06N3/0464
Abstract: 本发明公开了基于图卷积神经网络的移动办公用户异常行为检测方法，涉及用户实体行为分析技术领域，本发明通过采用知识图谱技术表示用户操作序列，为用户基线聚类保留了用户操作偏好信息；使用关系图卷积神经网络算法对用户操作图谱聚类出强关联实体集，解决了用户操作基线长度难以确定的问题，降低后期用户操作流数据与基线匹配的难度，提升了操作序列与基线匹配的准确率。本发明提出的通过寻找操作权值最大通路确定操作基线的方法，可完善操作基线语义、持续适应用户操作行为变化。同时，本发明通过构建服务器与客户端协同检测模型，可解决安卓设备受限于算力与带宽不足难以实时检测用户异常行为的问题。
-
公开(公告)号：CN113656361A
公开(公告)日：2021-11-16
申请号：CN202110950303.X
申请日：2021-08-18
Applicant: 国家电网公司东北分部 , 东北大学
IPC: G06F16/172 , G06F16/182 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种面向超融合电力数据中心的数据存储方法、装置及存储介质，涉及数据存储技术领域，包括：以超融合服务器作为数据存储节点；将每个数据存储节点的历史数据集放入基于长短时记忆和卷积神经网络的可靠度评估模型中，输出节点可靠度；将节点可靠度作为并行数据存储算法的输入，利用马尔可夫决策过程进行强化学习建模，确定网络状态集合、动作集合、状态转移概率以及奖励函数所对应的参量；并基于这些参量训练并行数据存储算法；并行数据存储算法包括Actor网络和Critic网络；利用训练好的并行数据存储算法按照文件队列模型选择在当前网络状态下存放文件的位置集合，对文件进行存放。本发明实现了超融合数据中心的高可靠数据存储。
-
公开(公告)号：CN110213813B
公开(公告)日：2021-05-14
申请号：CN201910555406.9
申请日：2019-06-25
Applicant: 东北大学
Abstract: 本发明涉及一种室内定位技术中惯性传感器的智能管理方法，获取待定位节点标签的环境观测值；将获取的环境观测值输入隐马尔可夫模型获取隐马尔可夫模型的隐藏状态；根据获取的隐藏状态判断是否启动惯性传感器；所述隐藏状态包括：通信良好状态、第一通信衰减状态、第二通信衰减状态、通信部分中断状态和通信完全中断状态；当定位节点标签的环境观测值处于第二通信衰减状态、通信部分中断状态和通信完全中断状态的任一状态时，同时启动惯性传感器和行人导航算法；本发明提供的管理方法，能够准确预估标签的定位环境，智能管理惯性传感器的启动或关闭，以达到低功耗的目的，从而大大增加标签的续航能力。
-
公开(公告)号：CN110362064A
公开(公告)日：2019-10-22
申请号：CN201910646789.0
申请日：2019-07-17
Applicant: 东北大学
IPC: G05B23/02
Abstract: 本发明属于航空发动机故障诊断技术领域，尤其涉及一种航空发动机排气温度传感器的故障诊断方法。该方法获取发动机的控制参数和状态参数，包括如下步骤：获取多个排气温度传感器的温度数据；将控制参数、状态参数和获取到的每一温度数据作为输入信息输入一个四层神经网络模型；四层神经网络模型根据输入信息，输出每个排气温度传感器的故障权重；根据加权平均偏移分类算法，将故障权重归一化后与温度数据结合，输出是否存在故障的排气温度传感器；若存在故障的排气温度传感器，则输出存在有故障的排气温度传感器的信息。该方法实现了在多个排气温度传感器同时工作时，对于故障排气温度传感器的准确判断。
-
公开(公告)号：CN110186684A
公开(公告)日：2019-08-30
申请号：CN201910555424.7
申请日：2019-06-25
Applicant: 东北大学
IPC: G01M15/00
Abstract: 本发明涉及一种航空发动机机械振动故障信号特征提取方法，包括如下步骤：S1、获取发动机振动数据，并对获得的振动数据进行数据预处理；S2、采用小波分解算法将经过数据预处理的振动数据进行局部化分解，获得原始振动数据的频域特征和时域特征；S3、在频域特征上寻找各个频率突变点，然后计算突变点的频段在时域特征上的一阶导数，若该一阶导数大于阈值T，则将该变化作为一个待分辨特征；S4、通过聚类算法对待分辨特征和突变点时刻发动机频率变化的控制输入数据进行聚类，获得故障特征。本发明提供的提取方法，能够精确地诊断出航空发动机机械振动的故障信号。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.021 seconds)
