-
公开(公告)号：CN101794372A
公开(公告)日：2010-08-04
申请号：CN200910232755.3
申请日：2009-11-30
Applicant: 南京大学
Abstract: 基于频域分析的步态特征表示及识别方法，对采样的步态序列预处理，基于采样的步态序列训练得到特征频率并构建步态特征库，以此对给定的未知步态序列进行识别。本发明将一个步态序列视作一个整体，通过分析其轮廓-质心距离信号变化的频率特点来提取特征，一方面凸显了步态序列的整体性，另一方面，也充分利用了人的行走行为具有一定周期性的特点。本发明提高了步态识别的正确识别率，能达到较小的计算开销。通过将视频摄像头获取并进过预处理得到的人行走的侧视图做为本发明的步态识别方法的输入，借助于预先建立的步态特征库，就能够较为精确地进行识别。
-
公开(公告)号：CN100592692C
公开(公告)日：2010-02-24
申请号：CN200710133291.1
申请日：2007-09-27
Applicant: 南京大学
Abstract: 本发明的基于条件互信息的双层半懒惰贝叶斯的网络入侵分类方法，包括如下步骤：1、训练阶段：a、收集已知是否为入侵的会话事件并进行特征提取做为训练集；b、对训练集中进行预处理；c、训练出基于条件互信息的双层半懒惰贝叶斯分类器；d、结束；2、分类阶段：e、预处理待检测会话事件；f、使用步骤1-c得到的分类器对处理后的会话事件进行分类；g、返回分类结果；h、结束。本发明的基于条件互信息的双层半懒惰贝叶斯的网络入侵分类方法在保持应用阶段低时间复杂度的情况下，提高了分类器的分类精度性能，从而提高了入侵检测系统的入侵检测性能。
-
公开(公告)号：CN101398914A
公开(公告)日：2009-04-01
申请号：CN200810194868.4
申请日：2008-11-10
Applicant: 南京大学
IPC: G06N7/00
Abstract: 本发明的基于点的部分可观察马尔可夫决策过程的预处理方法，包括如下步骤：1.迭代之前的预处理：a.通过与环境的随机交互来采样点集；b.计算并存储采样点的奖赏函数；c.计算并存储伪继承点；d.结束；2.每步迭代的预处理：e.计算并存储基向量；f.结束；3.单点单步迭代：g.计算每个采样点的奖赏值表和候选向量表；h.计算最优动作并获取基向量；i.用误差项修正基向量；j、结束。本发明的基于点的部分可观察马尔可夫决策过程的预处理方法对每个样本信念点作预处理，而且提出了基向量的概念，避免了大量重复和无意义计算，将算法速度提升了2～4倍。
-
公开(公告)号：CN114418253B
公开(公告)日：2025-04-25
申请号：CN202110664342.3
申请日：2021-06-16
Applicant: 南京大学
IPC: G06Q10/0631 , G06N3/042
Abstract: 本发明公开了一种基于图神经网络的自适应众包任务推荐方法，获取真实应用场景中的众包任务对象集合和推荐人群集合，根据众包任务对象和推荐人群依据经典KNN方法构建出众包网络图结构和推荐人群网络图结构；利用图神经网络方法GCN分别在众包网络图结构、推荐人群网络图结构上进行多轮信息传播，对众包任务以及推荐人进行任务嵌入表示和推荐人嵌入表示学习；递归的进行嵌入表示学习操作，多轮学习后，将得到的众包嵌入表示和推荐人嵌入表示采用t‑SNE映射到同一空间当中，根据邻近原则，将对应的任务推荐到具体到个人。本发明不仅可精准推荐众包任务到个人，而且比传统的众包任务推荐方法更加高效且准确，且更加科学合理。
-
公开(公告)号：CN112417288B
公开(公告)日：2024-04-12
申请号：CN202011336075.9
申请日：2020-11-25
Applicant: 南京大学
IPC: G06F16/9535 , G06F11/36 , G06Q10/0631
Abstract: 本发明公开了一种用于众包软件测试的任务跨域推荐方法，首先根据CORAL和MLP进行用户‑特征的跨域迁移，得到两组迁移到稀疏域的用户特征，再根据注意力机制对被迁移特征进行整合，从而得到更接近稀疏域特征数据分布的迁移特征数据，最后得到更加准确的评分预测和任务推荐，本发明有利于提高数据稀疏及冷启动的众测平台的任务吞吐量，提升众测平台用户活跃度。
-
Patent Agency Ranking
公开(公告)号：CN113378051B
公开(公告)日：2024-03-22
申请号：CN202110664156.X
申请日：2021-06-16
Applicant: 南京大学
IPC: G06F16/9535 , G06N3/042
Abstract: 本发明公开了一种基于图神经网络的用户‑任务关联的众包任务推荐方法，通过众包任务平台采集真实的用户产生的用户与用户之间的交互信息、用户历史承接的众包任务信息、用户本身对于任务的偏好标签信息，并分别构建构建用户关联图、任务关联图、用户‑任务关联图；分别利用图神经网络进行训练，从而得到用户和产品的初步向量表示；利用新的图神经网络，保留用户在历史上承接的众包任务信息；通过学到的用户和产品表示，进而得到针对用户的任务推荐列表。本发明得到更加针对用户的任务推荐信息，并且针对新加入的用户，如果得到其与历史用户的连接，可以更好的解决一部分推荐冷启动问。
-
公开(公告)号：CN113392245B
公开(公告)日：2023-12-26
申请号：CN202110664152.1
申请日：2021-06-16
Applicant: 南京大学
IPC: G06F16/532 , G06F16/583 , G06F40/284 , G06T5/50
Abstract: 本发明公开了一种用于众测任务发布的文本摘要与图文检索生成方法，采集真实众测场景任务发布中提取的相关数据，对相关数据进行筛选整理与清洗；对给定的相关单个或多个任务文档进行摘要生成，利用上阶段获得的任务相关文本摘要，收集相关图片数据库并检索出合适的图像；对检索出的两幅相关图像进行二次融合加工，以生成的方式整合为一张图片，提高图片与任务的匹配度和信息量。本发明通过在众测任务发布中对较为繁杂的任务文档提取较为简短的文本摘要，降低了众测平台方的工作量；同时使用图文检索与图像融合技术，生成具有特色的任务图片。
-
公开(公告)号：CN113360632B
公开(公告)日：2023-08-25
申请号：CN202110641238.2
申请日：2021-06-09
Applicant: 南京大学
IPC: G06F16/335 , G06F16/9535 , G06F40/194 , G06Q10/0639 , G06Q10/10 , G06Q50/00
Abstract: 一种用于众包软件测试的多路召回推荐方法，S1，进行数据采集，获取用于多路召回的数据集，该数据集包括用户信息、用户社交信息、项目信息、项目文本描述和用户历史完成项目情况；S2，对数据进行预处理，计算用于多路召回模型的输入数；S3，进行项目多路召回，通过计算用户相似度找到目标用户的相似用户，通过用户‑项目交互矩阵找到目标用户和相似用户的历史完成项目；S4，进行用户多路召回，通过计算项目相似度和项目文本嵌入相似度找到目标项目的相似项目，通过用户‑项目交互矩阵找到完成过目标项目和相似项目的用户，通过计算用户相似度和用户关系矩阵找到用户的相似用户，从而完成对于众包测试用户的多路召回。
-
公开(公告)号：CN113297089B
公开(公告)日：2023-06-20
申请号：CN202110642819.8
申请日：2021-06-09
Applicant: 南京大学
IPC: G06F11/36 , G06F16/36 , G06F40/289 , G06F40/295 , G06F40/30
Abstract: 本发明公开了一种基于知识图谱的众测助理实现方法。数据采集阶段，确定好与测试领域相关的关键词；数据预处理阶段，设计相应的规则提取内容中的三元组，同时将别名、外文名用于实体对齐，与通用知识图谱CN‑DBpedia合并；数据存储阶段，以图数据库Neo4j存储数据，利用Cypher查询语句将三元组嵌入图数据库中；问句解析阶段，从用户的输入中，利用模板匹配从中抽取出槽值对，槽对应实体，值对应关系或属性，用py2neo嵌入Cypher语句查询相应的结果，并以聊天格式返回给用户。本发明以图数据库作为存储结构，满足了智能助理所要求的最大延时，领域内的知识图谱能够使智能助理为测试人员提供更好的帮助。
-
公开(公告)号：CN110134693B
公开(公告)日：2023-05-05
申请号：CN201910413036.5
申请日：2019-05-17
Applicant: 南京大学
IPC: G06F16/22
Abstract: 一种基于哈希和PCA的对数据的时空特征建立索引的方法，1)数据采集，获取足够多的真实应用场景中的对象产生的具有经度、纬度、时间三个特征、称为时空三维特征的数据，这三个特征字段不能存在任何缺失；2)数据预处理，将所有时空三维特征的数据看作时空三维坐标系中的点，采用PCA算法将该坐标系的坐标轴进行旋转，得到数据在新坐标系中的坐标；3)索引计算，根据每个时空三维特征的数据的新坐标计算哈希值，并根据时空三维特征的数据分布情况调整哈希计算过程的参数；4)索引建立，为三级索引分别建立三张表，第三级索引的表存储指向时空三维特征的数据的指针，其余表存储指向下一级索引的指针。
-
-
-
-
-
-
-
-
-
Search Results
118
records
(took 0.019 seconds)
