-
公开(公告)号：CN118382088A
公开(公告)日：2024-07-23
申请号：CN202410494628.5
申请日：2024-04-24
Applicant: 福州大学
IPC: H04W12/126 , H04W12/03 , H04B17/391 , H04B17/345 , H04B17/336
Abstract: 本发明涉及一种用于文本语义通信的隐蔽传输方法。包括：步骤S1、根据应用场景构建相应的通信模型，描述其接收信号表达式以及语义频谱效率表达式；步骤S2、根据应用场景构建监听者的信号检测模型，描述检测错误概率表达式以及隐蔽约束表达式；步骤S3、通过优化发射机的发射功率、接收机的人工噪声发射功率以及语义通信模型中每单词映射的符号数量，实现语义频谱效率的最大化。本发明通过联合优化发射功率、人工噪声功率以及语义通信模型中每个单词映射的符号数量，从而实现对语义频谱效率的最大化。这一技术有效确保了系统的安全性和可靠性，提高了频谱效率。
-
公开(公告)号：CN114900836B
公开(公告)日：2024-06-11
申请号：CN202210496136.0
申请日：2022-05-09
Applicant: 福州大学
IPC: H04W12/122 , H04W52/24 , H04W52/38 , H04B7/145 , H04K3/00
Abstract: 本发明提出一种基于智能反射面和独立干扰机的隐蔽通信方法，针对智能反射面辅助的隐蔽通信系统，考虑在有限码长的场景下引入由大量无源反射单元组成的智能反射面，对发射机的发射功率与智能反射面的反射系数进行联合优化，改变发射机和接收机之间的信道环境，以最大化接收机处的接收信干噪比，确保信息的隐蔽传输。
-
公开(公告)号：CN116910692A
公开(公告)日：2023-10-20
申请号：CN202310908348.X
申请日：2023-07-24
Applicant: 福州大学
IPC: G06F18/25 , G06F18/214 , G06N3/098 , G06F17/16 , G06F18/241
Abstract: 本发明提出异步联邦学习中基于张量块分解的多模态融合方法，包括以下步骤；步骤S1、在云端设计基于张量块分解的多线性融合模型；步骤S2、设计基于张量块分解模型的自适应损失策略；步骤S3、设计自适应选择策略，包括张量块选择和模态选择；步骤S4、设计自适应聚合策略；步骤S5、在云端初始化多线性融合模型并下发至参与训练的边缘节点；步骤S6、参与训练的边缘节点对多模态融合模型进行学习，得到具有本地特征的本地模型；步骤S7、筛选要进行传输的层，上传本地模型；步骤S8、在云端通过步骤S4设计的聚合策略对本地模型聚合；本发明实现了对多源异构信息的自适应融合，具有快速收敛、数据传输量少等优点，同时也增强了基于类别和模态的泛化能力。
-
公开(公告)号：CN116484945A
公开(公告)日：2023-07-25
申请号：CN202310465725.7
申请日：2023-04-27
Applicant: 福州大学
IPC: G06N3/098 , G06N3/0455 , G06N20/00 , G06F16/901
Abstract: 本发明涉及一种面向图结构数据的联邦元学习方法。该方法将各个客户端图拓扑结构不同的数据当成元学习中不同的训练任务，提出能快速适应不同图拓扑结构数据的图联邦元学习（FedGM）。本发明的训练流程包括联邦元训练和本地元测试，联邦元训练阶段，本发明通过编解码器来将不同客户端不同节点数的数据映射到统一大小，为了加快收敛速度，进而提出编解码器均值聚合方法，客户端在完成本地训练时只上传编解码器参数均值，服务器平均聚合上传的均值得到最佳的初始化均值。元测试阶段，各个客户端使用元学习模型初始化本地模型，使用本地数据训练本地模型可以快速得到更精确的预测模型。
-
公开(公告)号：CN114139688A
公开(公告)日：2022-03-04
申请号：CN202111497630.0
申请日：2021-12-09
Applicant: 福州大学
Abstract: 本发明涉及一种基于马尔可夫链共识的工业物联网分布式联邦学习方法，包括以下步骤：步骤S1：调度器获取预设区域内物联网设备的连接情况，得到网络拓扑图；步骤S2：调度器根据网络拓扑图，利用快速混合马尔可夫链优化问题计算出最优共识矩阵；步骤S3：调度器根据最优共识矩阵得到一个稀疏拓扑图，并作为当前网络的拓扑图，利用该稀疏拓扑图构造一个辅助图来制定通信资源的调度策略；步骤S4：各个物联网设备分别训练一个本地神经网络模型，并根据调度策略，将训练好的本地神经网络模型广播到它在稀疏拓扑图中的所有邻居设备；步骤S5：当各个物联网设备都接收到来自邻居的模型之后，在本地根据步骤S2得到的共识矩阵来聚合模型得到新的本地模型。
-
Patent Agency Ranking
公开(公告)号：CN113256977A
公开(公告)日：2021-08-13
申请号：CN202110521299.5
申请日：2021-05-13
Applicant: 福州大学
Abstract: 本发明涉及一种基于图张量分解的交通数据处理方法。该方法将张量转换到图频域并施加时间约束项，以准确估计缺失的交通流量；包括以下步骤：步骤S1：将交通流量数据构造为图张量模型；步骤S2：将图张量分解为两个低秩图张量；步骤S3：构建时间平滑约束；步骤S4：设计目标函数并求解，即在时间平滑约束条件下对两个低秩图张量进行更新优化；步骤S5：利用更新后的两个低秩图张量重建交通流量数据。本方法充分利用交通流量数据的拓扑图结构，以较高的精度恢复出缺失的交通流量数据，为智能交通系统的应用提供参考。
-
公开(公告)号：CN107564288B
公开(公告)日：2019-12-17
申请号：CN201710934943.5
申请日：2017-10-10
Applicant: 福州大学
IPC: G08G1/01
Abstract: 本发明涉及一种基于张量填充的城市交通流预测方法，包括以下步骤：步骤S1：收集预测点所邻近的交通流状态数据；步骤S2：根据收集交通数据做初始填充；步骤S3：设计交通数据张量；步骤S4：根据设计的交通流数据张量基于张量分解动态填充进行动态填充预测。本发明提出的一种基于张量填充的城市交通流预测方法，克服了现有技术中在交通流数据源存在缺失下预测精度不佳的缺陷；构建交通流张量模型同时采用划分张量窗口动态填充的方式，提高了在交通流预测数据源存在缺失下的预测精度。
-
公开(公告)号：CN107230351B
公开(公告)日：2019-08-09
申请号：CN201710585474.0
申请日：2017-07-18
Applicant: 福州大学
Abstract: 本发明公开一种基于深度学习方法的短时交通流预测方法。同时考虑预测点临近点交通流量变化、预测点的时间特性及其周期特性对预测点交通流的影响，获取短时交通流的预测值。本发明将卷积神经网络（Convolutional Neural Network）和长短期记忆（LSTM）递归神经网络相结合，构造一种Conv‑LSTM深度神经网络模型；且采用双向LSTM模型对该点以往的交通流历史数据进行分析，提取其周期性特征，最后将所分析出的交通流趋势和周期性特征融合，以实现交通流的预测；本发明方法克服了现有方法不能充分利用时空特征的不足，充分提取交通流时间和空间特征的同时融合了交通流数据的周期性特征，从而有效提升了短时交通流预测结果的准确性。
-
公开(公告)号：CN106971548B
公开(公告)日：2019-06-07
申请号：CN201710352326.4
申请日：2017-05-18
Applicant: 福州大学
Abstract: 本发明涉及一种可优化的自适应多核支持向量机的短时交通流预测方法。组合高斯核函数和多项式核函数以构建自适应多核支持向量机（AMSVM）；利用自适应粒子群算法（APSO）对AMSVM进行参数优化；同时考虑历史数据和实时数据，提出基于AMSVM的短时交通流预测模型；输入交通流数据集，利用预测模型生成短时交通流的预测结果；根据交通流的预测结果和实际交通数据，对预测误差进行评价分析。本发明方法可改善现有支持向量机（SVM）方法仅采用单个核函数进行预测的不足，能充分适应交通流非线性和随机性的变化特征，实现对短时交通流的实时、自适应预测，同时提高预测结果的速度和精度，具有一定的理论参考和现实意义。
-
公开(公告)号：CN109242533A
公开(公告)日：2019-01-18
申请号：CN201810880642.3
申请日：2018-08-04
Applicant: 福州大学
Abstract: 本发明涉及一种基于拍卖理论的车联网群智感知用户的在线激励方法，包括S1:根据车辆为基础的群智感知场景进行数学建模;S2:设计系统收益、用户收益以及约束下的目标函数；S3:在第一个时隙预设一个作为挑选用户依据的阈值，对于进入模型的车辆用户，根据用户的报价和用户的贡献率之比得到的性价比与阈值进行比较，挑选性价比大于阈值且系统剩余预算足够支付用户报酬的赢家，并以用户的贡献率与阈值的乘积作为用户该轮的报酬；S4:在每一个时隙结束时，将离开系统的车辆用户作为样本计算作为新的阈值；S5:将尚未离开系统且不是赢家的用户重新加入一个候选集，用新的阈值在下一轮开始之前继续挑选赢家，并重新计算赢家报酬,使得赢家得到最高报酬。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.024 seconds)
