-
公开(公告)号：CN107886750B
公开(公告)日：2020-07-03
申请号：CN201711003368.3
申请日：2017-10-24
Applicant: 北京邮电大学
IPC: G08G1/0967
Abstract: 本发明公开了一种基于超视距协同认知的无人驾驶汽车控制方法与系统，属于智能交通领域。本发明的控制系统包括无人驾驶车和无人驾驶网络支撑平台，无人驾驶车包括个体态势认知系统和驾驶决策生成系统，无人驾驶网络支撑平台包括全局态势认知系统、局部态势认知系统和驾驶决策生成系统。应用此控制系统的控制方法为：首先个体态势认知系统形成微观驾驶态势认知；然后驾驶决策生成系统接收信息，处理后下发给驾驶决策生成系统，驾驶决策生成系统生成最终的驾驶操作；最后无人驾驶车通过驾驶执行器接收并执行最终的驾驶操作。本发明在网络端实时认知交通环境态势，实现安全、高效和可靠的无人驾驶，提高无人驾驶汽车控制服务的可执行性和有效性。
-
公开(公告)号：CN107612967B
公开(公告)日：2020-05-26
申请号：CN201710686767.8
申请日：2017-08-11
Applicant: 北京邮电大学
Abstract: 本发明提供一种基于群体智能的车联网服务对象发现方法，包括：首先，车联网服务平台根据接入车辆的行为数据，建立多维度、多尺度的车辆关系网络；然后，根据种子车辆发起车联网服务的需求和车联网服务对象预选策略，车联网服务平台在车辆关系网络中筛选备选车辆，并向备选车辆发送服务信息，备选车辆根据服务信息自主决策是否加入服务；最后，同意加入服务的备选车辆处理服务信息并通过多轮的群体决策过程确定最终的服务对象集合，完成车联网服务对象的发现过程。这种在车辆关系网络支持下的车联网服务对象发现方法，可以有效地扩展车联网服务对象的发现范围，同时提高车联网服务对象发现的准确度。
-
公开(公告)号：CN107612967A
公开(公告)日：2018-01-19
申请号：CN201710686767.8
申请日：2017-08-11
Applicant: 北京邮电大学
Abstract: 本发明提供一种基于群体智能的车联网服务对象发现方法，包括：首先，车联网服务平台根据接入车辆的行为数据，建立多维度、多尺度的车辆关系网络；然后，根据种子车辆发起车联网服务的需求和车联网服务对象预选策略，车联网服务平台在车辆关系网络中筛选备选车辆，并向备选车辆发送服务信息，备选车辆根据服务信息自主决策是否加入服务；最后，同意加入服务的备选车辆处理服务信息并通过多轮的群体决策过程确定最终的服务对象集合，完成车联网服务对象的发现过程。这种在车辆关系网络支持下的车联网服务对象发现方法，可以有效地扩展车联网服务对象的发现范围，同时提高车联网服务对象发现的准确度。
-
公开(公告)号：CN104536832B
公开(公告)日：2017-12-08
申请号：CN201510030371.9
申请日：2015-01-21
Applicant: 北京邮电大学
Abstract: 本申请公开了一种虚拟机部署方法，包括：从可以部署虚拟机的服务器中，选择出能满足当前待部署虚拟机vm的资源需求量的服务器，作为候选服务器，其中，所述资源需求量为与服务器能耗相关的组件资源的需求量；对于每台候选服务器，计算该候选服务器的剩余资源量和所述虚拟机vm的所述资源需求量的匹配度Pq，计算将所述虚拟机部署在所述候选服务器上后该候选服务器的平均能耗利用率Eq；根据所述匹配度Pq和所述平均能耗利用率Eq，计算该候选服务器的综合适应度Gq；从所述候选服务器中，选择出所述综合适应度Gq最高的候选服务器，作为用于部署所述虚拟机vm的服务器。采用本发明可以有效提高服务器的资源利用率，降低数据中心的整体能耗。
-
公开(公告)号：CN103596231B
公开(公告)日：2016-08-17
申请号：CN201310247226.7
申请日：2013-06-20
Applicant: 北京邮电大学
Abstract: 本发明公开了一种垂直切换方法，确定运动载体的运动趋势以及所述运动载体上的移动终端当前能接入的每一网络的网络属性的各参数；针对所述每一网络的网络属性的各参数，分别确定在各所述参数下所述移动终端切换至所述每一网络的切换概率，以及，确定在所述运动趋势下所述移动终端切换至所述每一网络的切换概率；针对所述每一网络，根据所述每一网络的各所述参数对应的切换概率及所述运动载体运动趋势对应的切换概率，确定所述移动终端切换至所述每一网络的先验切换概率；根据所述先验切换概率确定所述移动终端的目标网络；使所述移动终端切换至所述目标网络。本发明还公开了一种垂直切换装置。使用本发明的技术方案，保证了网络及时更新，有效避免了乒乓效应。
-
Patent Agency Ranking
公开(公告)号：CN104468727A
公开(公告)日：2015-03-25
申请号：CN201410638274.3
申请日：2014-11-06
Applicant: 北京邮电大学
Abstract: 本申请公开了一种基于方差的服务选择方法，首先，基于方差理论对每个候选Web服务的N个QoS属性历史记录进行建模，求出每个候选Web服务的方差值；其中，N为整数；然后，根据方差值的大小筛选符合条件的Web服务；最后，利用混合整数规划模型从筛选出的Web服务中求出最优的服务组合。应用本申请公开的技术方案，能够准确地选择出最可靠的组合服务，并缩短服务选择的时间开销，同时，本发明具有较高的准确性和较强的实用性，具有很好的推广应用价值。
-
公开(公告)号：CN104363293A
公开(公告)日：2015-02-18
申请号：CN201410669988.0
申请日：2014-11-20
Applicant: 北京邮电大学
IPC: H04L29/08
CPC classification number: H04L67/02 , G06F17/30861 , G06F17/30867 , G06F17/3089 , H04L41/0286
Abstract: 本申请公开了一种基于变异系数的Web服务选择方法，包括：将所有候选Web服务分类，并根据每个候选Web服务的QoS历史记录计算该候选Web服务的变异系数值，将变异系数值最小的前percent个候选Web服务作为可靠候选Web服务；对于每个Web服务类，在该Web服务类的所有可靠候选Web服务中，选择出其QoS属性不受其余可靠候选Web服务的QoS属性支配的Web服务作为Skyline服务；在所有Skyline服务中，根据用户的全局QoS约束条件，利用混合整数规划模型计算出最可靠的Web服务组合，并将该Web服务组合提供给所述用户。应用本申请，能够在满足用户QoS约束的同时，提供整体可靠性较高的Web服务组合。
-
公开(公告)号：CN101459561B
公开(公告)日：2011-05-04
申请号：CN200910076310.0
申请日：2009-01-09
Applicant: 北京邮电大学
Abstract: 一种基于CUSUM算法的检测SIP消息洪泛攻击的装置和方法，该装置由采集层、数据层、检测层和响应层四层架构的多个功能模块所组成。采集层的抓包模块采集网络中SIP数据包，数据层的模块对来自采集层的SIP数据包作预处理，并分别存储抓到的INVITE消息和REGISTER消息的总数目；检测层的CUSUM模块采用CUSUM算法调对存储的INVITE消息数值和REGISTER消息数值进行检测和输出检测结果。响应层的报警模块对检测结果进行判断是否告警：若检测结果超过设定阈值时，认为遭到SIP消息洪泛攻击，发出告警信号；否则，表示网络运行正常。本发明装置和方法简单、实用，容易实现，能有效检测出NGN网络中的针对SIP消息的洪泛攻击。
-
公开(公告)号：CN101459561A
公开(公告)日：2009-06-17
申请号：CN200910076310.0
申请日：2009-01-09
Applicant: 北京邮电大学
Abstract: 一种基于CUSUM算法的检测SIP消息洪泛攻击的装置和方法，该装置由采集层、数据层、检测层和响应层四层架构的多个功能模块所组成。采集层的抓包模块采集网络中SIP数据包，数据层的模块对来自采集层的SIP数据包作预处理，并分别存储抓到的INVITE消息和REGISTER消息的总数目；检测层的CUSUM模块采用CUSUM算法调对存储的INVITE消息数值和REGISTER消息数值进行检测和输出检测结果。响应层的报警模块对检测结果进行判断是否告警：若检测结果超过设定阈值时，认为遭到SIP消息洪泛攻击，发出告警信号；否则，表示网络运行正常。本发明装置和方法简单、实用，容易实现，能有效检测出NGN网络中的针对SIP消息的洪泛攻击。
-
公开(公告)号：CN114611689B
公开(公告)日：2025-04-04
申请号：CN202210100881.9
申请日：2022-01-27
Applicant: 北京邮电大学
Abstract: 本发明提供了一种低精度整型表示下的联邦学习方法，包括：服务器对全局浮点数模型进行初始化，并选择终端；将全局浮点数模型量化为整型的全局整型模型；服务器将全局整型模型发送至终端；终端利用训练数据对获取的全局整型模型进行训练，得到整型的低精度模型；终端将低精度模型传输至服务器；服务器对全局整型模型以及低精度模型反量化，利用反量化后的全局整型模型以及反量化后的低精度模型更新全局浮点数模型；重复上述初始化之后的步骤直至所述全局浮点数模型收敛或达到预设的训练次数；本发明通过设计一个全整型表示的神经网络训练算法解决终端浮点数运算的能耗问题并通过设计一个低精度模型聚合算法解决低精度联邦学习的精度问题。
-
-
-
-
-
-
-
-
-
Search Results
124
records
(took 0.052 seconds)
