-
公开(公告)号：CN115795182A
公开(公告)日：2023-03-14
申请号：CN202211411140.9
申请日：2022-11-11
Applicant: 重庆邮电大学
IPC: G06F16/9537 , G06N3/0464
Abstract: 本发明涉及一种基于图卷积网络的下一个POI推荐方法，属于互联网技术领域。利用图卷积网络融合类别和时间影响，提出了基于图卷积网络的下一个POI推荐方法(CTGCN)。在本文中，首先生成了用户嵌入、POI嵌入、时间嵌入、类别嵌入、相对位置嵌入的初始化嵌入层。然后，基于图卷积网络、注意力机制、前馈层搭建了卷积层。最后，通过得到的用户特征和POI特征进行内积操作，得到用户对POI的偏好。
-
公开(公告)号：CN115688048A
公开(公告)日：2023-02-03
申请号：CN202211347145.X
申请日：2022-10-31
Applicant: 重庆邮电大学
IPC: G06F18/25 , G06F18/2411 , G06F18/2415 , G06F18/2431 , G06N3/045 , G06N3/09 , G06N3/094
Abstract: 本发明涉及一种基于条件WassersteinGAN的电信客户流失预测方法，属于网络技术领域。采用了基于带梯度惩罚的WassersteinGAN和条件GAN的综合GAN模型来对电信行业的不平衡数据进行处理。这也是首次将GAN用于处理电信行业的数据不平衡问题。同时，本发明还在CWGAN模型的基础上引入了混合注意力机制CBAM来进一步辅助生成器关注与分类任务相关的特征。之后，在四个常用的机器学习分类器上证明了所采用方法的有效性。
-
公开(公告)号：CN112800111B
公开(公告)日：2022-08-02
申请号：CN202110114662.1
申请日：2021-01-26
Applicant: 重庆邮电大学
IPC: G06F16/2458 , G06F16/29 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于训练数据挖掘的位置预测方法，属于位置预测领域。该方法包括：S1：获取用户‑位置交互数据；S2：分别对用户和位置的特征进行embedding；S3：选择正负样本；S4：使用基于流行度原则和信息量公式的负样本抽样算法抽取部分负样本；S5：通过两种不同的策略来挖掘Hard negative；S6：构建Hard selection strategy来训练负样本；S7：构建NDA‑GAN模型；S8：运用训练好的NDA‑GAN模型进行位置预测，得到TOP‑K排序，预测用户下一时刻可能访问的地点序列。本发明能够更加准确的预测用户将会访问的位置，提高位置预测系统的性能。
-
公开(公告)号：CN113438014B
公开(公告)日：2022-04-22
申请号：CN202110755984.4
申请日：2021-07-05
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于星间通信的低能耗路由方法，属于通信技术领域。该方法包括改进的三维费马点的计算、三目标区域费马点的计算、选取费马点卫星节点和低能耗费马点三维路由算法LEFTR。本发明改进了三维费马点的计算方法，使其更适用于星间通信；提出了三维环境下三个目标区域费马点的直接计算方法。提出了一个费马点节点寻找算法，用于找到充当中转传输的节点。本算法用于计算出费马点后需要寻找充当中转传输节点的时候，使网络传输的能耗更加均衡。提出了适用于卫星通信的高效地域群播算法LEFTR。将算法延伸至多目标区域，利用费马点的特性，构建了一个费马点树，实现了多目标区域的低能耗数据传输。
-
公开(公告)号：CN113207127A
公开(公告)日：2021-08-03
申请号：CN202110464824.4
申请日：2021-04-27
Applicant: 重庆邮电大学
IPC: H04W16/10 , H04B17/391 , G06N7/00 , G06N3/08 , G06N3/04
Abstract: 本发明涉及一种非正交多址(Non‑Orthogonal Multiple Access,NOMA)系统中基于分层深度强化学习的动态频谱接入方法，属于深度强化学习、NOMA、动态频谱接入、功率控制技术领域，包括以下步骤：S1：构造上行多用户多信道的通信场景；S2：建立信道干扰模型；S3：将通信优先级高的用户优先获得信道使用权，确保接入用户解码成功以及最小化系统丢包数的目标表示为一个优化问题；S4：构建多智能体模型，对S3中优化问题基于马尔可夫决策过程进行建模；S5：采用集中训练分布执行的方式完成策略的更新和执行。本发明提出的方法相较于其它基于AI方法的DSA方案能够获得更快的收敛速度和更低的丢包数，而且连续的发送功率能够获得比离散的发送功率更好的系统性能。
-
Patent Agency Ranking
公开(公告)号：CN112650932A
公开(公告)日：2021-04-13
申请号：CN202110004042.2
申请日：2021-01-04
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F16/9536 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种融合社交和位置关系的神经协同过滤POI推荐方法，属于计算机领域。该方法包括：S1：获取数据，划分训练集、验证集、测试集；S2：构建用户关系图和POI关系图；S3：为每个用户和每个POI采样无连接子图；S4：构建GBCF模型；S5：使用训练集训练模型，并利用验证集选择效果最佳的模型；S6：利用训练好的模型得到用户对POIs的偏好得分，并结合TOP‑K排序生成用户感兴趣的POI推荐列表。本发明通过构建用户关系图和POI关系图，并用Graph‑Bert学习到用户与POI的特征表示，最后使用神经协同过滤得到用户对POIs的偏好得分，并结合TOP‑K排序生成用户感兴趣的POI推荐列表。
-
公开(公告)号：CN107425898B
公开(公告)日：2020-08-04
申请号：CN201710305729.3
申请日：2017-05-03
Applicant: 重庆邮电大学
IPC: H04B7/0456 , H04B7/0426 , H04L25/03
Abstract: 本发明请求保护一种基于优化比特分配的多小区MIMO有限反馈干扰对齐方法，涉及无线通信系统。首先，为克服低SNR时频谱效率的损失，通过最大化用户的信号功率与泄漏到其他小区的干扰与噪声功率之和的比值来求取预编码，通过最大化每个数据流的信干噪比来设计干扰抑制矩阵。其次，由于传统的比特分配算法是基于干扰泄露均值的，会使系统实际用到的比特总数小于系统提供的总比特数目，而并非最优，因此本文给出了一种新颖的比特分配方案来提高系统比特利用率，以减小量化误差的影响。最后，仿真实验表明，采用本发明所提出的方案能有效减少量化误差对系统性能的影响并显著提高系统的比特利用率，使有限反馈CSI时的性能得以提升。
-
公开(公告)号：CN105188124B
公开(公告)日：2018-12-28
申请号：CN201510597901.8
申请日：2015-09-17
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种多用户OFDMA中继系统中非完美CSI下的鲁棒博弈功率控制方法，将用户的功率控制问题转变为一个非合作的博弈问题。在考虑到信道估计误差情况下，满足用户传输功率约束和中断概率约束下，用户之间通过控制发射功率互相竞争，最大化自身容量。基于worst‑case鲁棒资源分配策略，本算法考虑到了最坏信道估计误差的鲁棒博弈功率控制研究信道估计误差对网络性能的影响，然后建立了相应的网络容量最大化模型。分析证明了鲁棒博弈的纳什均衡的存在性以及唯一性,进一步提出了一种分布式鲁棒功率控制算法,提高网络的容量。并仿真结果表明提出的鲁棒功率控制算法可以使得用户获得更好的性能，并且有效的降低系统中断事件的发生，是有效的算法。
-
公开(公告)号：CN107742278A
公开(公告)日：2018-02-27
申请号：CN201711008981.4
申请日：2017-10-25
Applicant: 重庆邮电大学
CPC classification number: G06T5/003 , G06T7/13 , G06T2207/20016 , G06T2207/20201
Abstract: 本发明请求保护一种运动模糊图像的盲复原方法，涉及图像处理领域。该方法采用了由粗到精的多尺度策略：首先针对观察到的运动模糊图像建立图像金字塔；然后在图像金字塔的每个分辨率层迭代地执行以下三个步骤：(1)运用一阶差分算子得到图像边缘的空间尺度信息，然后结合图像梯度的L0稀疏性约束，提出一种图像大尺度边缘的提取模型；(2)提出一种结合高斯先验和L0稀疏约束的双重正则化约束项，推导出运动模糊退化函数的估计模型，实现运动模糊退化函数的准确估计；(3)推导出图像复原的代价函数实现清晰锐化图像的复原；(4)采用半二次性分裂的交互式最优化策略对提出的模型进行最优化求解。理论分析和仿真结果证实了该方法的有效性。
-
公开(公告)号：CN104021230B
公开(公告)日：2017-02-15
申请号：CN201410298575.6
申请日：2014-06-27
Applicant: 重庆邮电大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于社区发现的协同过滤方法，包括以下步骤：1)将用户—项目网络转换为邻接矩阵形式，如果用户对项目评分，那么对应于矩阵的相应元素就存在值，即评分数据；2)构造用户—用户矩阵，用户—用户矩阵中的元素为用户与用户的相似度，相似度的计算方法采用新型的基于Pearson的相似度计算方法；3)基于用户—用户矩阵通过社区发现方法发现社区结构，并对用户—项目矩阵中的部分缺失评分进行预测填充；4)计算目标用户与社区之间以及用户与用户之间的相似度关系构造最近邻候选集，并完成推荐。该方法有效的解决了传统过滤算法中的冷启动问题，通过改进相似度计算公式以及对缺失评分的预测填充有效提高了算法推荐的精度，在平均绝对误差上也有着更好的表现。
-
-
-
-
-
-
-
-
-
Search Results
146
records
(took 0.022 seconds)
