-
公开(公告)号：CN119474557A
公开(公告)日：2025-02-18
申请号：CN202411590370.5
申请日：2024-11-08
Applicant: 重庆邮电大学
IPC: G06F16/9536 , G06N5/022 , G06N20/00
Abstract: 本发明涉及一种基于知识图谱和注意力机制的推荐方法，属于个性化推荐领域。该方法包括：定义知识图谱感知推荐问题，建立用户与项目交互矩阵以及作为输入的知识图谱；在知识图谱传播层中设置用户和项目的种子集，并将种子集沿相邻实体进行传播，捕获用户和项目的基于知识的高阶交互信息；在知识感知注意力嵌入层通过注意力机制为每一个关系学习对应的潜在关系表示，得到潜在关联的实体集合；通过聚合器对实体集合进行处理得到对应的聚合向量，并根据聚合向量预测用户对项目的偏好评分；设计损失函数对上述过程进行训练，训练完成后用于用户偏好推荐。本发明能够更准确地捕捉用户和物品之间的潜在关系，为用户提供更加精准、个性化的推荐服务。
-
公开(公告)号：CN117934363A
公开(公告)日：2024-04-26
申请号：CN202311271760.1
申请日：2023-09-28
Applicant: 重庆邮电大学
IPC: G06T7/00 , G06V10/25 , G06V10/40 , G06V10/762 , G06V10/77 , G06V10/82 , G06F18/23213 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于YOLOv5s‑CM的边缘端钢材表面缺陷检测方法，属于钢材表面缺陷检测技术领域，包括以下步骤：S1：获取钢材表面缺陷检测图片数据集；S2：采用MobileNetv3‑Small网络替换YOLOv5s主干提取网络；S3：在YOLOv5s网络中引入卷积注意力机制CBAM加强特征提取；S4：使用K‑means++算法聚类先验框，得到更优的先验框尺寸，从而完成YOLOv5s‑CM模型的搭建；S5：使用所述钢材表面缺陷检测图片数据集对所述YOLOv5s‑CM模型进行训练；S6：使用训练好的YOLOv5s‑CM模型对钢材表面缺陷检测图片进行预测和评估。
-
公开(公告)号：CN117579126A
公开(公告)日：2024-02-20
申请号：CN202311554756.6
申请日：2023-11-21
Applicant: 重庆邮电大学
IPC: H04B7/185 , H04L67/1008 , H04L67/1034 , H04W28/084 , H04W28/082 , H04W84/06 , G06F9/50 , G06N7/01 , G06N20/00
Abstract: 本发明涉及一种基于深度强化学习的卫星移动边缘计算卸载决策方法，属于移动边缘计算领域。该方法将用户设备、低轨卫星和云服务器构建为移动边缘计算模型，并根据该模型计算任务处理的能耗和延迟，再根据能耗和延迟建立待优化的目标函数；随后将目标函数的优化构建为马尔可夫决策过程，并采用深度强化学习进行训练，通过更新网络从而优化目标函数。本发明采用基于连续动作空间的算法可以避免将连续动作空间离散化而造成的维数灾难，并且可以获得更好的局部执行和任务卸载控制，从而可大大提升计算卸载决策的性能。
-
公开(公告)号：CN117573978A
公开(公告)日：2024-02-20
申请号：CN202311564047.6
申请日：2023-11-22
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06Q30/0251 , G06Q30/0241 , G06N3/042 , G06N3/08
Abstract: 本发明涉及一种基于异构图表征学习的兴趣点推荐方法，属于推荐系统领域。该方法包括：获取用户当前和历史轨迹数据并进行清洗以去掉缺省值和失真值；将轨迹范围按周进行划分；将当前时间的日期进行归一化，再保存为CSV数据；构建用户‑兴趣点异构图，同时对用户节点和兴趣节点之间的边权重进行标定；建立异构图模型的图神经网络；将用户‑兴趣点异构图节点、时间和兴趣点类别进行编码；将时间特征嵌入和类别特征嵌入馈入全连接层，将用户嵌入表示和兴趣点嵌入表示馈入注意力层，串联全连接层和注意力层的输出得到轨迹表示；将轨迹表示馈入transformer模块，通过损失函数进行迭代直至损失值稳定，完成用户下一个兴趣点的预测。
-
公开(公告)号：CN114493776A
公开(公告)日：2022-05-13
申请号：CN202210065574.1
申请日：2022-01-20
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于区块链的多租户分布式租赁卫星网络资源的方法，属于移动通信领域。该方法包括：S1：构建卫星网络资源租赁的多租户商业生态系统；S2：构建基于区块链的卫星网络资源租赁机制，具体包括：S21：构建卫星网络资源的双重租赁机制；S22：构建基于区块链的资源租赁机制；S23：获取参与者的信誉值：先计算参与者的声誉分数，然后结合交易费用来保证参与者的诚实度，最后使用滑动窗口来确保选择的领导者是持续贡献的诚实参与者。本发明将声誉与基于区块链的租赁机制相结合，防止中间实体操纵交易结果，并提高系统的交易吞吐量，减少交易延迟。
-
Patent Agency Ranking
公开(公告)号：CN113191487A
公开(公告)日：2021-07-30
申请号：CN202110469413.4
申请日：2021-04-28
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于分布式PPO算法的自适应连续功率控制方法，属于深度强化学习领域，包括S1：首先用多个线程代表多个副网络，多个副网络共享一个全局PPO网络策略参数，对所有参数进行初始化；S2：多个线程并发地执行全局PPO网络的策略，平行在各自不同的环境中去收集一定批量的数据信息；S3：多个线程将收集到的样本数据传送给全局PPO网络，多个线程停止收集样本数据；S4：全局PPO网络根据多个线程传递过来的样本数据训练网络，更新策略参数；S5：全局PPO网络更新参数后，停止更新参数，并控制多个线程继续并发地收集样本数据信息，然后重复步骤S4，直到任务结束。
-
公开(公告)号：CN107742278B
公开(公告)日：2021-07-13
申请号：CN201711008981.4
申请日：2017-10-25
Applicant: 重庆邮电大学
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：CN106100708B
公开(公告)日：2019-12-31
申请号：CN201610397289.4
申请日：2016-06-07
Applicant: 重庆邮电大学
IPC: H04B7/0456 , H04B7/026 , H04K1/00
Abstract: 本发明请求保护一种多中继认知无线电网络中物理层安全优化方法，涉及认知无线通信系统技术领域。针对多中继认知无线电网络中存在多个相互勾结窃听节点的场景，本发明提出一种零空间人工噪声和放大转发(AF)的中继波束赋形的物理层安全传输方案。首先，对系统进行建模，并将其设计为一个保密速率最大化问题；其次，通过引入一个松弛变量，并从理论上证明了该保密速率最大化问题可以转化为紧松弛问题；进一步，利用半定规划的方法，对中继波束赋形加权矩阵和人工噪声协方差矩阵进行联合优化求解；最后，利用MATLAB仿真验证分析该设计能够很大程度上提高系统保密速率。
-
公开(公告)号：CN106059638B
公开(公告)日：2019-12-31
申请号：CN201610451539.8
申请日：2016-06-21
Applicant: 重庆邮电大学
IPC: H04B7/0413 , H04B7/0456 , H04B7/06
Abstract: 本发明请求保护一种多小区大规模MIMO系统中的干扰消除和天线优化方法，本发明提出一种结合联合空分复用和天线选择的干扰对齐方法，用户端设计联合接收滤波器矩阵，压缩干扰空间并克服用户终端天线数随用户数增加而导致的快速增长；基站端采用低复杂度的天线选择算法，选择合适的信道矢量，使其信道协方差矩阵主特征值数与已选择天线数之间满足一定的关系，从而更好实现干扰对齐与联合空分复用的结合。理论分析与仿真结果表明，采用本发明提出的结合联合空分复用和天线选择的干扰对齐方法，可以消除系统干扰，当用户数较大时，降低基站端与用户端所需天线数。
-
公开(公告)号：CN110598130A
公开(公告)日：2019-12-20
申请号：CN201910947264.0
申请日：2019-09-30
Applicant: 重庆邮电大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08 , G06Q30/06
Abstract: 本发明涉及一种融合异构信息网络和深度学习的电影推荐方法，包括S1：获取用户-电影交互数据，包括用户属性、用户-电影的交互数据和电影的属性数据；S2：提取关系对，包括用户-电影交互关系对、电影属性关系对、用户属性关系对；S3：构建异构信息网络；S4：设计元路径，并根据元路径分别以用户和电影为中心提取网络中的结构关系；S5：采用HIN2Vec方法提取网络中的节点特征；S6：构建用户-电影交互特征矩阵，并根据电影数据集，给特征矩阵标签化；S7：构建卷积神经网络模型，根据S6生成的标签化的特征矩阵，训练卷积神经网络模型；S8：运用训练好的模型进行偏好预测，运用TOP-K排序，生成用户感兴趣的电影序列。
-
-
-
-
-
-
-
-
-
Search Results
146
records
(took 0.027 seconds)
