-
公开(公告)号：CN103747003A
公开(公告)日：2014-04-23
申请号：CN201410020580.0
申请日：2014-01-16
Applicant: 南京邮电大学
IPC: H04L29/06
Abstract: 本发明公开了一种对等僵尸网络核心节点检测方法，属于网络安全技术领域。本发明检测方法针对目前对等僵尸网络检测方法的不足之处，首先对网络会话进行特征提取和分析，并将分析结果抽象为无向图，最后通过求解无向图的最小覆盖集获得对等僵尸网络核心节点的检测结果。本发明还公开了一种使用以上检测方法的对等僵尸网络核心节点检测装置，包括：网络会话分析模块、对等僵尸网络核心节点计算模块、会话表、对等僵尸网络核心节点表。相比现有技术，本发明不需要对网络数据包负载进行挖掘，并且在攻击者改变僵尸网络特征以躲避检测的情况下仍能保持较高的检测成功率。
-
公开(公告)号：CN102281608A
公开(公告)日：2011-12-14
申请号：CN201110186280.6
申请日：2011-07-04
Applicant: 南京邮电大学
Abstract: 本发明给出基于模糊控制的无线传感器网络分簇路由方法，使用模糊控制实现对簇头选择、簇内路由选择、簇间路由选择和簇头数据融合进行经验性、直观性、简单性和智能性的控制。本发明的分簇方法引入模糊判断，使得簇头能均匀分布，避免簇头分布在同一片区域。此外，本发明使用分布式异步簇头选择，簇头更换对外透明，整个网络的数据传输不因簇的重构而中断，避免数据下行传输和频繁的簇头更换；并基于静态簇头标签表对簇间多跳路由进行优化重组，确保了路由低能耗、高效率性能，提高了网路自组织能力。
-
公开(公告)号：CN102238686A
公开(公告)日：2011-11-09
申请号：CN201110186296.7
申请日：2011-07-04
Applicant: 南京邮电大学
CPC classification number: Y02D70/00
Abstract: 本发明给出了一种在无线网络中的模型化量子遗传算法的路由选择方法，该方法通过汇集节点、簇头节点、簇间节点、端节点的相互作用建立一个层次化节点管理模型，实现对各个目标节点的能量状态管理。节点在进行路由选择时，首先读取这些状态信息，对量子遗传算法中初始种群进行优化，然后在利用量子遗传算法的高效搜索性、并行量子计算等特性，采用全相干、动态量子旋转门等策略求解源节点和目的节点之间存在的最佳路径，最大限度地来保证网络总体能量消耗最小，延长无线传感器网络的寿命。
-
公开(公告)号：CN119939299A
公开(公告)日：2025-05-06
申请号：CN202411797253.6
申请日：2024-12-09
Applicant: 南京邮电大学
IPC: G06F18/24 , G06F18/214 , G06F18/213 , G06F18/21 , G06F18/25 , G06N3/0895 , G06N3/048
Abstract: 本发明涉及数据标签划分领域，具体提供了一种基于半监督学习的数据标签自动分类方法，包括：获取有标签样本数据集，并根据所述有标签样本数据集的标签信息进行分类器构建，确定初始分类器；获取无标签样本数据集，基于所述初始分类器针对所述无标签样本数据集进行标签预测，获取标签预测结果；将所述数据标签预测结果基于预设的评价指标进行准确度检验，获取准确度检验结果。本发明能够根据有标签数据集的标签关系构建分类器，针对无标签数据集进行标签预测并且根据标签预测结果进行检验。
-
公开(公告)号：CN113469251B
公开(公告)日：2024-07-26
申请号：CN202110748670.1
申请日：2021-07-02
Applicant: 南京邮电大学
IPC: G06F18/2415 , G06F18/214
Abstract: 本发明公开了一种不平衡数据的分类方法，属于机器学习技术领域，包括主动学习方法和过采样方法，不平衡数据包括有标记数据和无标记数据，具体为：对有标记数据进行预处理，通过计算距离特征得到初始训练集；对初始训练集进行训练，得到初始分类器；利用初始分类器计算无标记数据的不确定度；根据不确定度对无标记数据进行排序，并交由人工进行标记，以得到已标记数据集；对已标记数据集进行概率过采样，以得到平衡数据集；对平衡数据集进行训练得到分类器，用以对不平衡数据进行分类。本发明的不平衡数据的分类方法通过将主动学习和过采样方法相结合，减少了参加训练样本数量；同时，保证分类器对多数类和少数类的数据都具有较高的分类精度。
-
Patent Agency Ranking
公开(公告)号：CN109977413B
公开(公告)日：2023-06-06
申请号：CN201910248424.2
申请日：2019-03-29
Applicant: 南京邮电大学
IPC: G06F40/30 , G06F40/279 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于改进CNN‑LDA的情感分析方法，包括：爬虫豆瓣影评数据进行预处理；采用Word2vec获得语料集词向量；利用情感词典添加情感倾向权重；将Word2vec得到的词向量与情感倾向权重向量机获得情感倾向词向量；采用LDA主题生成模型获得语料集主题向量；将情感倾向词向量与主题向量叠加得到语料集的输入表征；将训练集词向量表征输入CNN模型以建立情感分析模型；最后将测试集词向量表征输入已训练网络进行分类评估。本发明提供了一种基于改进CNN‑LDA的情感分析方法，将情感倾向词向量与主题向量相结合，同时考虑了包含文本情感信息的词粒度和文本粒度层面的信息，从而可以在训练过程中更好的利用文本信息，提高文本情感分析的准确度。
-
公开(公告)号：CN115184087B
公开(公告)日：2023-05-12
申请号：CN202210792444.8
申请日：2022-07-05
Applicant: 南京邮电大学
IPC: G01N1/14 , B64C39/02 , B64D47/00 , B64U101/00
Abstract: 本发明公开了一种水质检测用无人机取样装置，包括：无人机本体；取样座，所述取样座安装于所述无人机本体底端；储水单元，所述储水单元安装于所述取样座内；取水单元，所述取水单元安装于所述取样座内，所述取水单元用于将水送入各所述储水单元内。本发明公开了一种水质检测用无人机取样装置，人工操作无人机本体带动取样座飞行到湖泊上指定位置后，取样座停靠在指定位置正上方，此时，取水单元工作，将湖泊中指定位置的水送入到储水单元中，并回送到操作者手中，本发明提供的一种水质检测用无人机取样装置，无需人工载船完成水质的取样，较为便捷。
-
公开(公告)号：CN112417098A
公开(公告)日：2021-02-26
申请号：CN202011306987.1
申请日：2020-11-20
Applicant: 南京邮电大学
IPC: G06F16/33 , G06F16/35 , G06F40/211 , G06F40/289 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于CNN‑BiMGU模型的短文本情感分类方法，属于深度学习和自然语言处理技术领域。CNN‑BiMGU模型主要包括嵌入层、卷积层、池化层、BiMGU层、注意力机制层、全连接层和分类层，其中，嵌入层将包含商品评论的数据集编码为词向量，卷积层通过CNN通道从词向量中提取文本特征矩阵，池化层对文本特征矩阵进行降维，BiMGU层用来获取隐藏状态向量，注意力机制层用来强化重要信息，全连接层用于拼接池化层和注意力机制层的输出，分类层用来分类获取最后的情感类别。本发明的CNN‑BiMGU模型将CNN通道和BiMGU通道并联，克服了CNN通道忽略特征前后联系的缺点，通过在BiMGU通道融入注意力机制，突出了上下文语义特征中的重要特征，提升短文本情感分类的准确性。
-
公开(公告)号：CN111192200A
公开(公告)日：2020-05-22
申请号：CN202010002303.2
申请日：2020-01-02
Applicant: 南京邮电大学
IPC: G06T3/40
Abstract: 本发明提出了一种基于融合注意力机制残差网络的图像超分辨率重建方法，解决了现有技术对图像的重建质量差，视觉效果不理想的问题。所研究的图像重建方法包括如下步骤：S1：数据采集和预处理，获取训练图像数据集和待重建图像数据集；S2：网络模型搭建，模型结构包括特征提取层、特征学习层以及图像重建层；S3：模型参数初始化、训练和保存，得到最优模型结构和最优参数集；S4：图像超分辨率重建，输入待重建图像，输出相应放大尺度下的高分辨率图像。本发明提出的图像超分辨率网络结合全局和局部残差结构，并且融合了通道注意力和空间注意力机制，更加关注图像高频信息，最大程度保留图像中的重要特征，减少重复冗余的特征，对于重建图像的细节和清晰度都有极大的提升。
-
公开(公告)号：CN103944784B
公开(公告)日：2019-03-05
申请号：CN201410166275.2
申请日：2014-04-23
Applicant: 南京邮电大学
Abstract: 本发明公开了一种面向大规模云数据中心的服务器协同监控方法，以服务器相互感知、彼此监视的方式来替代集中式架构的监控模式，提升服务器的自我管理能力，有效减轻监控服务器的监控负担，消除性能瓶颈和单点失效风险。发明给出了协同监控机制模型及功能组件，以及数据服务器加入系统时、单个数据服务器失效时、成片数据服务器失效时协同监控机制的工作步骤。本发明应用在大规模的云数据中心中，系统响应时间明显少于集中式监控机制的响应时间，有效实现了负载均衡，具有很低的更新开销，且无论数据服务器发生离散失效还是在服务器成片失效的情况下，均能够有效的将全部的失效服务器检测出来。
-
-
-
-
-
-
-
-
-
Search Results
125
records
(took 0.023 seconds)
