-
公开(公告)号：CN113115327A
公开(公告)日：2021-07-13
申请号：CN202110239192.1
申请日：2021-03-04
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明公开了一种网络性能动态优化的方法、装置、设备及存储介质，通过获取待优化区域的即时网络性能信息和预设的服务质量标准信息；根据即时网络性能信息和所述服务质量标准信息判断所述待优化区域的即时网络状态；根据所述即时网络状态调整并更新优先节点数量；通过判断出的不同即时网络状态对优先节点的数量调整，更新网络节点的数量网络性能进行优化，避免出现网络性能不满足用户需求的服务质量标准的风险或网络性能富余造成能耗和网络资源的浪费，实现网络性能、网络资源利用率以及网络能耗的均衡。
-
公开(公告)号：CN112968794A
公开(公告)日：2021-06-15
申请号：CN202110116356.1
申请日：2021-01-28
Applicant: 广州杰赛科技股份有限公司
Abstract: 本发明实施例公开了一种网络功能链部署方法，所述方法包括接收网络功能链的部署请求，获取用于部署所述虚拟网络功能的多个节点的拓扑信息，建立以端对端时延最短的目标函数，所述目标函数满足在进行虚拟网络功能部署时对节点的可靠性约束、节点的资源容量约束、链路的可靠性约束，在对所述网络功能链进行部署时，根据虚拟网络功能携带的部署信息和所述多个节点的拓扑信息，寻找满足所述目标函数的节点进行部署，其能在满足低时延网络服务请求的同时，有效保证传输的可靠性。本发明实施例还相应提供了一种网络功能链部署装置、终端设备以及存储介质。
-
公开(公告)号：CN112330055A
公开(公告)日：2021-02-05
申请号：CN202011324618.5
申请日：2020-11-23
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明提供一种用户投诉预测方法和装置，方法包括：对用户投诉的样本和无标签样本进行重新标记，将用户投诉的样本标记为正样本，将无标签样本标记为负样本；将样本数据切分为训练数据和测试数据；采用集成学习算法对训练数据进行训练，得到用于预测样本为正样本概率的强分类器；将测试数据输入到强分类器，得到测试集合中每个样本属于正样本的概率；将测试集合中正样本概率大于第一阈值的样本作为第二正样本，将正样本概率小于第二阈值的样本作为第二负样本；将第二正样本和第二负样本输入到神经网络模型进行训练，得到用户投诉预测模型；将用户的实时话筒数据输入到用户投诉预测模型，预测用户投诉的概率。本发明保证了用户投诉预测的准确性。
-
公开(公告)号：CN109145871A
公开(公告)日：2019-01-04
申请号：CN201811076485.7
申请日：2018-09-14
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明提供了一种心理行为识别方法、装置与存储介质，方法，包括：检测预先采集的目标人脸图像的人脸特征，获取目标人脸图像的至少五个人脸特征点；根据目标人脸图像的人脸特征点以及预设的图像分块规则，对目标人脸图像进行切块处理，得到若干个图块；根据若干个图块，通过预先建立的卷积神经网络模型，获得目标人脸图像对应的情绪特征组合；根据获得目标人脸图像对应的情绪特征组合，通过预先建立的心理行为识别模型，获得目标人脸图像对应的心理行为识别结果。上述方法通过卷积神经网络模型提取目标人脸图像中表征的情绪特征组合，并对该情绪特征组合进行情绪组合识别，从识别出目标人脸图像中表征的心理行为，能够提高心理行为识别的准确性。
-
公开(公告)号：CN103761442B
公开(公告)日：2017-05-17
申请号：CN201410039161.1
申请日：2014-01-26
Applicant: 广州杰赛科技股份有限公司
IPC: G06F19/00
Abstract: 本发明公开了一种微区域流动参量的预测方法和装置，先收集宏区域固定参量A的时间序列和流动参量B的时间序列；然后根据宏区域与各微区域关系，得到各微区域固定参量A的时间序列；再利用扩展卡尔曼滤波的状态方程，得到固定参量A的时间序列和流动参量B的时间序列之间的关系；利用所求得的固定参量A和流动参量B之间的关系，得到各微区域流动参量B的时间序列预测值；最后根据所获得的各微区域固定参量A的时间序列和流动参量B的时间序列预测值对各微区域进行资源优化。本发明改变了微区域“黑箱子”的现状，预测微区域流动参量的状态，根据预测结果利用资源，使资源得到优化，同时利用扩展卡尔曼算法，获得结果准确，误差率低，具有很好的应用价值。
-
Patent Agency Ranking
公开(公告)号：CN118036768A
公开(公告)日：2024-05-14
申请号：CN202410148779.5
申请日：2024-02-01
Applicant: 中电科普天科技股份有限公司 , 广州杰赛通信规划设计院有限公司 , 暨南大学
IPC: G06N20/00
Abstract: 本发明公开了一种联邦学习模型优化方法、设备、介质及程序产品，所述方法包括：获取边缘端采集的多属性数据，并计算边缘端的数据量因子、数据质量因子以及数据分布特征因子，从而得到边缘端的可信度；选取可信边缘端进行全局模型的参数更新；向可信边缘端发送第一全局参数，以使可信边缘端进行本地模型的训练，并得到本地模型参数；根据本地模型的平均误差以及预设的全局模型学习率，计算得到动态学习率；根据第一全局参数、动态学习率、可信边缘端的可信度以及本地模型参数，计算得到第二全局参数，实现全局模型的参数更新。本发明实施例解决了数据异构所导致的全局模型性能低下的问题，实现了全局参数更新速度和算法稳定度的平衡。
-
公开(公告)号：CN117876799A
公开(公告)日：2024-04-12
申请号：CN202410269658.6
申请日：2024-03-11
Applicant: 暨南大学
IPC: G06V10/764 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/00 , G06V10/82 , G01D21/02
Abstract: 本发明公开了一种物流供应链品控缺陷检测方法及系统，其中方法包括：采集有关物流供应链品控的训练数据，并提取训练数据的缺陷特征；基于特征缺陷，构建混合检测模型；优化检测模型，得到最终模型；利用最终模型，完成物流供应链上的品控缺陷检测。本发明通过融合形变检测和穿透性破损检测两个神经网络模块，实现了对物流供应链纸箱包装的综合检测。本发明能够同时兼顾形变检测和穿透性破损检测，解决了目前方法只能单一处理这两个方面的问题。这将会进一步提高物流供应链纸箱包裹运输过程中的安全性和效率，为物流行业带来更大的便利和效益。
-
公开(公告)号：CN117932606B
公开(公告)日：2024-10-29
申请号：CN202410266168.0
申请日：2024-03-08
Applicant: 暨南大学
IPC: G06F21/56 , G06F18/2135 , G06F18/243 , G08G1/01 , G06N3/096
Abstract: 本发明公开了一种基于迁移学习的智能交通车辆安全检测方法及系统，其中方法包括以下步骤：构建基于Transformer迁移学习的智能交通载体安全攻击检测模型，并分为数据预处理模块和安全检测模块两部分。对于智能交通车辆数据预处理部分，采用主成分分析和决策树方法，进行数据特征降维，剔除数据中大部分不相关特征，保留数据最关键的攻击特征以及时序特征。对于安全检测模型部分，则视其为一种目标检测任务，以判断智能交通车辆是否受到外部攻击。Transformer结合了多头自注意力机制和目标分类技术，多头自注意力机制可以很好的学习智能交通车载网络数据的时序特征，而目标分类技术则可以用于识别不同的入侵攻击数据类型。
-
公开(公告)号：CN117932606A
公开(公告)日：2024-04-26
申请号：CN202410266168.0
申请日：2024-03-08
Applicant: 暨南大学
IPC: G06F21/56 , G06F18/2135 , G06F18/243 , G08G1/01 , G06N3/096
Abstract: 本发明公开了一种基于迁移学习的智能交通车辆安全检测方法及系统，其中方法包括以下步骤：构建基于Transformer迁移学习的智能交通载体安全攻击检测模型，并分为数据预处理模块和安全检测模块两部分。对于智能交通车辆数据预处理部分，采用主成分分析和决策树方法，进行数据特征降维，剔除数据中大部分不相关特征，保留数据最关键的攻击特征以及时序特征。对于安全检测模型部分，则视其为一种目标检测任务，以判断智能交通车辆是否受到外部攻击。Transformer结合了多头自注意力机制和目标分类技术，多头自注意力机制可以很好的学习智能交通车载网络数据的时序特征，而目标分类技术则可以用于识别不同的入侵攻击数据类型。
-
公开(公告)号：CN119696827A
公开(公告)日：2025-03-25
申请号：CN202411677995.5
申请日：2024-11-22
Applicant: 中电科普天科技股份有限公司 , 暨南大学 , 广州杰赛通信规划设计院有限公司
IPC: H04L9/40 , G06F18/2415 , G06F18/25 , G06F18/22 , G06F18/213 , G06N3/045 , H04L41/0631 , H04L41/16
Abstract: 本发明涉及互联网技术领域，公开了一种基于多模态融合的网络异常检测方法和系统；方法包括：利用多头注意力提取多模态信息的数据特征；引入标签形成表达对网络入侵检测的影响程度的权重并根据权重对数据特征进行特征融合；将融合后的特征输入分类器实现网络异常检测。通过多模态数据的融合，实现了信息互补和信息相互验证的优势；采用多注意力机制实现网络流级别、进程级别和告警事件级别等多模态特征的融合，挖掘不同数据源之间存在的关联规则，实现多源异构信息共享，减少网络流量突发性、随机性等噪声对网络异常产生的影响。
-
-
-
-
-
-
-
-
-
Search Results
52
records
(took 0.049 seconds)
