-
公开(公告)号：CN118297191A
公开(公告)日：2024-07-05
申请号：CN202410526729.6
申请日：2024-04-29
Applicant: 同济大学
IPC: G06N20/20 , G06F18/214 , H04L67/12
Abstract: 本发明涉及一种基于混合训练的分层联邦学习训练方法及装置。该方法建立云服务器‑子网联邦学习训练框架，初始化全局模型，每个子网包括通信连接的边缘服务器和多个用户设备；利用全局模型初始化边缘模型，利用线行与并行混合的训练范式分别训练各子网内部的多个用户模型，聚合训练好的各用户模型，更新相应的边缘模型，每个用户模型设于相应的用户设备中，每个边缘模型设于相应的边缘服务器中；定期聚合所有更新后的边缘模型，更新全局模型。与现有技术相比，本发明具有缓解子网内部的能耗压力、降低物联网设备间数据和算力的异构性等优点。
-
公开(公告)号：CN114021630B
公开(公告)日：2024-07-02
申请号：CN202111260818.3
申请日：2021-10-28
Applicant: 同济大学
IPC: G06F18/214 , G06N3/02 , G06F17/16
Abstract: 本发明涉及一种面向类别不平衡数据集的序数回归问题解决方法，包括：获取数据集，构建神经网络，数据集包括多个样本，每个样本带有标签，标签用于表示样本所属的类别，神经网络的损失函数为weight kappa loss损失函数；自数据集中选择一个batch，将该batch的所有样本送入神经网络，神经网络的输出为各个样本属于各个类别的预测概率；基于神经网络的输出统计概率混淆矩阵，并计算概率混淆矩阵的两个边缘分布的距离；基于两个边缘分布的距离更新损失函数；计算网络误差，反向传播更新神经网络参数。与现有技术相比，本发明通过对边缘分布进行惩罚，解决了混淆矩阵的全零列问题，消除了某种类别无法被检出的严重后果，提升了神经网络模型的性能。
-
公开(公告)号：CN118258494A
公开(公告)日：2024-06-28
申请号：CN202410474839.2
申请日：2024-04-19
Applicant: 同济大学
Abstract: 本发明涉及一种基于错位的等效灰度编码压缩光谱快拍成像方法及系统。该方法获取高光谱图像数据后，利用编码孔径对高光谱图像数据进行编码；根据不同谱段，对编码后的高光谱图像数据进行色散错位，得到各谱段的投影；利用焦平面阵列对所有谱段的投影进行压缩测量，得到压缩测量数据；利用压缩感知算法，从压缩测量数据中重建高光谱图像数据；其中，编码孔径为四边形，且与焦平面阵列错位对齐。与现有技术相比，本发明具有在不增加系统成本的前提下提升最终的高光谱图像重建质量等优点。
-
公开(公告)号：CN117714301A
公开(公告)日：2024-03-15
申请号：CN202311471219.5
申请日：2023-11-07
Applicant: 同济大学
Abstract: 本发明涉及一种联邦学习模型训练方法、装置及介质，所述方法包括以下步骤：建立物联网场景层级结构模型，所述物联网场景层级结构模型包括服务器层、子网层和用户层；建立用户能源消耗模型；设置优化目标，所述优化目标包括物联网层级结构模型训练目标和能源友好目标；子网内的用户进行局部串行训练，得到代表子网的服务器模型；所有子网的服务器模型进行全局并行训练，聚合得到最终的全局模型。与现有技术相比，本发明降低了训练过程中的通信轮次和能耗，同时缓解了数据异构性和能源通信资源限制性带来的性能影响，适用于节点能源受限的家庭物联网环境。
-
公开(公告)号：CN117240722A
公开(公告)日：2023-12-15
申请号：CN202311158749.4
申请日：2023-09-08
Applicant: 同济大学
Abstract: 本发明涉及一种无人机飞行自组织网络路由拓扑优化方法、设备、介质，优化方法包括：使用马尔可夫模型对FANET进行路由性能建模；建立基于多智能体强化学习的拓扑优化模型；设计多智能体强化学习网络模型；采用强化学习策略，通过主动搜索产生用于训练网络模型的数据，同时对网络模型训练优化；对训练后的网络模型进行评估，并使用通过评估的模型进行无人机飞行自组织网络路由拓扑优化方法。与现有技术相比，本发明考虑了网络的实际路由性能，基于多智能体强化学习的拓扑优化模型，能够适应不同规模的场景，以实现更高效的通信和路由，同时可以高效感知网络结构，自动优化网络拓扑结构实现网络整体路由性能提升。
-
Patent Agency Ranking
公开(公告)号：CN112463755B
公开(公告)日：2023-08-18
申请号：CN202011450126.0
申请日：2020-12-11
Applicant: 同济大学
IPC: G06F16/182 , G06F16/13 , G06F16/14 , G06F16/16
Abstract: 本发明涉及一种基于HDFS的异构物联网大数据的存储与读取系统及方法，包括数据查询服务器、客户端和多个数据存储中心；数据查询服务器分别与客户端和各个数据存储中心连接；每一个数据存储中心包括数据采集模块、数据处理服务器和Hadoop集群，数据采集模块与数据处理服务器连接，数据处理服务器与Hadoop集群连接，Hadoop集群与数据查询服务器连接；Hadoop集群包括HDFS分布式文件系统；数据查询服务器中存储有各个Hadoop集群的存储参数。与现有技术相比，本发明在多个Hadoop集群之外，设置数据查询服务器，来保存各集群的IP地址和HDFS文件信息，打破了传统数据架构的壁垒，用户可以经数据查询服务器查询或下载多个Hadoop集群的数据，而不必依次访问各个Hadoop集群。
-
公开(公告)号：CN116546588A
公开(公告)日：2023-08-04
申请号：CN202310568201.0
申请日：2023-05-19
Applicant: 同济大学
Abstract: 本发明涉及一种无人机飞行自组织网络路由与拓扑优化方法，用以在无人机飞行自组织网络各节点的数据包收发过程中，进行路由决策和拓扑优化，包括如下步骤：路由决策：针对数据包收发过程中感知的网络参数预测节点间的连接概率并更新状态价值表，选择预期代价最低的动作作为输出，即下一跳中继集；拓扑优化：依据节点状态价值更新节点速度优化网络拓扑结构，提高网络连通度并降低链路跳数以达到节约全局能量的目标。与现有技术相比，本发明具有能耗低、有效性高，且从拓扑优化方向提升网络性能的优点。
-
公开(公告)号：CN116504086A
公开(公告)日：2023-07-28
申请号：CN202310479206.6
申请日：2023-04-28
Applicant: 同济大学
Abstract: 本发明涉及一种基于多智能体强化学习的大型路口管理方法，包括以下步骤：构建交叉路口场景模型；定义中心式智能体和车辆智能体，中心式智能体代表路口计算单元，每个车辆智能体分别代表路口中的一辆智能网联车，分别设定每个智能体的状态空间、动作空间及奖励函数；中心式智能体用于观测路口环境变量，同时与各个车辆智能体进行交互；构建多智能体强化学习模型，对强化学习模型进行训练，得到优化的强化学习模型；将优化的强化学习模型部署到各个智能体中，以引导智能网联车运行。与现有技术相比，本发明具有模型计算复杂度低、实用性良好等优点。
-
公开(公告)号：CN116402124A
公开(公告)日：2023-07-07
申请号：CN202310088967.9
申请日：2023-02-09
Applicant: 同济大学
Abstract: 本发明提供一种基于自监督学习的联邦机器学习方法。该方法提出一种联邦学习通用架构，将机器学习模型总体结构分为编码器、映射头和预测头三部分。其中编码器可为任意通用网络架构，如CNN、ResNet等；预测头为一层全连接层；映射头部分由线性层、Batch Normalization(BN)层、relu激活函数及另一个线性层组成。客户端进行本地训练时，计算本地模型与全局模型经过映射头输出后两者之间的余弦相似度，并将此项引入本地模型训练的损失函数中，缩小全局模型输出与本地模型输出之间的差距，以此缓解数据异质性对联邦学习精度的不利影响。
-
公开(公告)号：CN116384734A
公开(公告)日：2023-07-04
申请号：CN202310236558.9
申请日：2023-03-13
Applicant: 同济大学
IPC: G06Q10/0635 , G06Q50/26 , G06F16/36 , G06N5/022
Abstract: 本发明涉及一种基于韧性城市多智能体的灾害模拟模型构建方法，包括以下步骤：收集城市韧性要素信息；基于城市韧性要素信息，构建城市韧性要素多智能体；构建城市韧性要素多智能体在城市风险下的动态响应机制；针对灾害设计灾害智能体，并设计灾害智能体与相应城市韧性要素多智能体间的关系；构建链生灾害知识图谱。与现有技术相比，本发明用韧性多智能体来表示复杂城市系统，通过构建韧性城市多智能体在灾害事件下的动态响应机制，同时将人作为韧性多智能体的一员，可用于各类城市灾害、风险扰动的模拟，从而提升城市系统在多种扰动中的防御、恢复、适应力，以保障城市居民福祉。
-
-
-
-
-
-
-
-
-
Search Results
212
records
(took 0.026 seconds)
