-
公开(公告)号：CN110288537A
公开(公告)日：2019-09-27
申请号：CN201910422901.2
申请日：2019-05-20
Applicant: 湖南大学
Abstract: 本发明提供了一种基于自注意力的深度生成式对抗网络的人脸图像补全方法，其包括如下步骤：构建包括注意力循环神经网络模块、生成器网络和判别器网络的人脸图像补全模型；数据采集：收集海量人脸图像形成图像集，并将所述图像集分为训练集和测试集；图像预处理，使其大小适合在深度学习网络中进行处理；构造作为模型输入的破损人脸图像；训练模型：利用GAN框架结合多种正则化手段，直接端到端地同时训练生成器网络和判别器网络，当二者达到理论上的纳什平衡时，则模型训练完成；训练模型。与相关技术相比，本发明的基于自注意力的深度生成式对抗网络的人脸图像补全方法补全得到的人脸图像质量更好。
-
公开(公告)号：CN110263059A
公开(公告)日：2019-09-20
申请号：CN201910438036.0
申请日：2019-05-24
Applicant: 湖南大学
IPC: G06F16/2455
Abstract: 本申请涉及一种Spark-Streaming中间数据分区方法、装置、计算机设备和存储介质。一个实施例中的方法包括：获取Spark-Streaming map任务输出的中间数据中的多个元素，基于蓄水池抽样算法，对多个元素进行抽样处理，得到抽样处理后的元素集群；通过时间序列预测方法对元素集群中元素对应的频率权重进行更新，对更新后的元素集群中各元素按照预设元素顺序进行排序；基于排序后的元素集群，通过动态规划方法求解数据分区对应的边界元素；根据边界元素对更新后的元素集群中的元素进行分区，以使分区处理后最大分区内的各个元素对应的频率权重之和最小。
-
公开(公告)号：CN115277419B
公开(公告)日：2024-01-26
申请号：CN202210947340.X
申请日：2022-08-09
Applicant: 湖南大学
IPC: H04L41/0823 , H04L67/141 , H04L12/46
Abstract: 一种无服务计算中加速网络启动方法及系统，包括以下步骤：1）整合网络命名空间，针对一组容器创建一个PartFast网络命名空间；2）VTEP网络命名空间中创建一对VETH设备，其中一个VETH设备放入PartFast网路命名空间、另一个本地的VETH设备和VTEP的VXLAN以及网桥接口拴住，然后启动本地VETH和客户VETH接口；3）针对PartFast网络命名空间，设置IP和MAC；4）在本地VETH和客户VETH接口之间建立一个连接；本发明通过在VTEP netns中创建一对VETH设备，减少了一次虚拟网卡移动次数。此外，本发明引入了提前创建网络以及暂停容器池的管理，减少了容器
-
公开(公告)号：CN110263825B
公开(公告)日：2022-05-10
申请号：CN201910461454.1
申请日：2019-05-30
Applicant: 湖南大学
IPC: G06K9/62
Abstract: 本申请涉及一种数据聚类方法、装置、计算机设备和存储介质。所述方法包括：根据待聚类数据的密度值、最近密度更高点距离和最近种子距离，从待聚类数据中确定聚类种子；基于聚类种子对待聚类数据进行均值聚类，得到聚类初始簇；根据待聚类数据在对应的聚类初始簇中的覆盖点数，和最近密度更高点距离，确定聚类初始簇的最终聚类中心；基于最终聚类中心对待聚类数据进行密度峰值聚类，得到数据聚类结果。采用本方法能够提高整体数据聚类效果。
-
公开(公告)号：CN110377353B
公开(公告)日：2022-02-08
申请号：CN201910427002.1
申请日：2019-05-21
Applicant: 湖南大学
Abstract: 本发明提供一种计算任务卸载系统包括移动边缘计算服务器、用户终端及通信网络，所述移动边缘计算服务器承接所述用户终端卸载的计算任务，所述用户终端通过计算任务卸载方法实现把所述计算任务经通信网络卸载至所述边缘计算服务器上运行。所述计算任务卸载方法提供计算任务卸载模型，基于所述计算任务卸载模型制定计算任务卸载决策非合作博弈模型，通过所述非合作博弈模型制定基于博弈论原理的计算任务卸载博弈方法进而得到所述计算任务卸载方法。所述系统和方法联合优化每个用户终端计算任务卸载的能量消耗和时间延迟，找到实现每个用户终端计算任务卸载的能量消耗和时间延迟最小化的纳什均衡解。
-
Patent Agency Ranking
公开(公告)号：CN110263059B
公开(公告)日：2021-05-11
申请号：CN201910438036.0
申请日：2019-05-24
Applicant: 湖南大学
IPC: G06F16/2455
Abstract: 本申请涉及一种Spark‑Streaming中间数据分区方法、装置、计算机设备和存储介质。一个实施例中的方法包括：获取Spark‑Streaming map任务输出的中间数据中的多个元素，基于蓄水池抽样算法，对多个元素进行抽样处理，得到抽样处理后的元素集群；通过时间序列预测方法对元素集群中元素对应的频率权重进行更新，对更新后的元素集群中各元素按照预设元素顺序进行排序；基于排序后的元素集群，通过动态规划方法求解数据分区对应的边界元素；根据边界元素对更新后的元素集群中的元素进行分区，以使分区处理后最大分区内的各个元素对应的频率权重之和最小。
-
公开(公告)号：CN112035746A
公开(公告)日：2020-12-04
申请号：CN202010904114.4
申请日：2020-09-01
Applicant: 湖南大学
IPC: G06F16/9535 , G06F16/33 , G06F16/332 , G06Q30/06 , G06N3/04
Abstract: 一种基于时空序列图卷积网络的会话推荐方法，包括以下步骤：S1：将所有会话序列建模为有向会话图；S2：以会话中共有的商品为链接，构建全局图；S3：将ARMA过滤器嵌入到门控图神经网络中，提取图模型中随时间变化的拓扑图信号，并得到会话图中涉及的各个节点的特征向量；S4：采用注意力机制从用户历史会话中得到全局偏好信息；S5：从用户点击的最后一个会话中获取用户的局部偏好信息，并结合全局偏好信息得到用户最终偏好信息；S6：预测每个会话中下一点击商品可能出现的概率，并给出Top-K推荐商品。本发明能够从全局图中捕获所点击商品的丰富的上下文关系，准确学习用户的全局和局部偏好，并有效评估用户历史偏好对当前偏好的时间衰减效果，提供准确的商品预测。
-
公开(公告)号：CN111489064A
公开(公告)日：2020-08-04
申请号：CN202010226676.8
申请日：2020-03-27
Applicant: 湖南大学
Abstract: 本发明公开了一种面向Df-PBS系统的公共自行车站点动态规划方法，其中采用的自行车停放点聚类方法能够充分利用大规模历史公共自行车的位置信息记录，挖掘实际的自行车行驶租用需求、行驶轨迹、以及自行车停放点分布情况；自行车站点图模型和图序列模型的构建方法能够有效建立自行车站点的抽象模型并进行分析，同时能够有效捕捉不同时间段之间自行车站点位置及站点中自行车数量的更新和变化情况；基于门控图神经网络的公共自行车站点预测方法能够充分利用深度学习技术对大规模图结构数据进行挖掘，实现自行车站点布局的精准预测；自行车站点动态规划方法能够有效确保推荐的自行车站点布局有利于城市管理，同时提高供应商收益和用户便利性。
-
公开(公告)号：CN110333987A
公开(公告)日：2019-10-15
申请号：CN201910597798.5
申请日：2019-07-04
Applicant: 湖南大学
Abstract: 本申请提供了一种设备体检报告生成方法、装置、计算机设备和存储介质，首先，采用分布式训练模式对LSTM神经网络进行训练，减少了网络链路中构建有LSTM神经网络的节点的数据处理量，提高数据的处理速度，基于网络流量调度方法对分布式训练模式进行优化，减少各节点的通信时间，然后，使用关联分析算法，提取出关键的设备的故障特征，基于这些故障特征，使用基于网络流量调度方法优化后的分布式训练模式进行训练得到的LSTM神经网络进行故障诊断，能够实现对设备故障的准确诊断与预测，最后，使用注意力机制将诊断预测的结果高效生成文本形式的体检报告。
-
公开(公告)号：CN110321223A
公开(公告)日：2019-10-11
申请号：CN201910594800.3
申请日：2019-07-03
Applicant: 湖南大学
IPC: G06F9/50
Abstract: 本申请涉及一种Coflow协同作业流调度感知的数据流划分方法、装置、计算机设备和存储介质，其中，方法包括：获取待划分的DDSP应用程序数据流，提取DDSP应用程序的复杂计算任务流，根据预设Coflow协同作业流调度模型，将DDSP应用程序中复杂计算任务流划分为多个子任务流，再进一步分析各子任务流的数据访问需求和数据依赖性，对所述DDSP应用程序数据流进行多维度数据分割，尽可能减少不同任务之间对数据块的交叉访问，减少数据块之间的依赖性，最后根据各计算节点中子任务流的数据访问需求，以计算节点之间数据通信最小化和计算节点工作负载均衡化为优化目标，将分割后的数据块分配到最合适的计算节点，有效减少分布式计算节点之间的通信开销，提高数据块利用率和访问速度，适用于分布式数据流处理。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.036 seconds)
