-
公开(公告)号：CN102104989A
公开(公告)日：2011-06-22
申请号：CN201010604058.9
申请日：2010-12-24
Applicant: 南京财经大学 , 江苏电力信息技术有限公司
CPC classification number: Y02B70/3266 , Y02D70/122 , Y04S20/242
Abstract: 本发明公开了一种用于电网实时数据监测的无线传感器网络系统，该系统包括无线传感器节点、网关节点、Internet网络和监测中心数据平台，无线传感器节点采集电网设备实时运行状态参数，并将采集到的参数通过网关节点和Internet网络传送到监测中心数据平台；监测中心数据平台对收到的电网设备实时数据进行监测；无线传感器节点和网关节点与电源模块连接。本发明通过数据监测的手段实现对于电网设备内在危害的及时感应，判断线路的设备运行状态。本发明的网关节点，传输速度快，抗干扰能力强，无线传感器网络节点与网关节点能高效获取和存储能量，实现无线传感器网络节点与网关节点长寿命工作。
-
公开(公告)号：CN101996079A
公开(公告)日：2011-03-30
申请号：CN201010556513.2
申请日：2010-11-24
Applicant: 南京财经大学
Abstract: 本发明公开一种基于管道通信的MapReduce编程框架运算方法，该方法在Map任务和Reduce任务之间实现管道通信，避免将中间结果写入分布式文件系统，并使Map任务和Reduce任务并行化执行；该方法还提供了容错策略，Reduce任务将收到的数据存储到临时缓冲区，Map任务失败时，忽略它从管道发来的所有数据；Map任务将其发出去的数据暂时保存，Reduce任务失败时，将这些数据重新发送给复制的Reduce任务。本发明成果能节省布式文件系统的维护代价，大幅度缩短作业的执行时间，且具备健壮的容错性。
-
公开(公告)号：CN101452389A
公开(公告)日：2009-06-10
申请号：CN200810243969.6
申请日：2008-12-18
Applicant: 南京财经大学
IPC: G06F9/44
CPC classification number: G06F8/20
Abstract: 本发明公开了一种基于调用业务节点与服务的软件工作流组合方法，它将服务模块封装，实现软件的快速重组，首先根据具体需要建立软件开发的工作流；根据具体的工作任务制定业务节点；调用需要的服务业务，完成工作任务。本发明形成标准化的服务模块，实现软件的快速重组，提高软件的开发速度，减少开发人员的数量，节约了成本。
-
公开(公告)号：CN101086783A
公开(公告)日：2007-12-12
申请号：CN200710025137.2
申请日：2007-07-13
Applicant: 南京财经大学
Abstract: 本发明公开了一种面向业务构架的电子商务教学公共平台，它包括交易系统、教学系统、应用系统和管理系统，交易系统在网上为学习者提供模拟营运方式；教学系统为学习者提供教学案例，进行网上互动教学，并对学习者的学习情况进行考查；应用系统为学习者提供模拟企业的管理工作，提高学习者处理日常事务的能力；管理系统提供整个公共平台的日常维护，并对教学者和学习者进行管理。本发明可以实现电子商务教学类软件的快速开发，并且使电子商务教学软件适应不断发展变化的需求，提高电子商务教学的质量。
-
公开(公告)号：CN101021960A
公开(公告)日：2007-08-22
申请号：CN200710020537.4
申请日：2007-03-09
Applicant: 南京财经大学
Abstract: 本发明公开了一种面向POS/MIS的商户银行卡接入系统，它包括商场收银系统、电子收款机系统、路由器和银行卡交换中心，所述商场收银系统和电子收款机系统直接面向客户用来读取客户的银行卡信息并将信息传递给路由器；路由器接收信息并通过数字数据网将信息传递到由各银行联合组成的银行卡交换中心；银行卡交换中心对信息进行处理。本发明可以将具有各种不同类型的MIS系统的商户，连接到银行卡网络，充分发挥商户现有的能够受理银行卡的机具的作用，完成大型商户加入银行卡网络的工作；同时也解决了大型商户的信息管理系统和银行卡系统的无缝连接。
-
Patent Agency Ranking
公开(公告)号：CN113610058B
公开(公告)日：2024-11-26
申请号：CN202111042103.0
申请日：2021-09-07
Applicant: 南京财经大学
IPC: G06V40/16 , G06V10/774 , G06V10/82 , G06T19/00 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/09 , G06N3/094
Abstract: 本发明公开了一种人脸特征迁移的面部姿态增强互动方法，首先对原始数据进行处理得到帧和面部标识草图，调整大小后将两类图像合并得到预处理数据。将处理后的数据提交给条件生产式对抗网络模型进行图像预测，最终生成迁移后的结果图像。Pix2Pix应用条件生成式对抗网络建模转换的映射函数，将一个域的图像转换到另一个域进行实现特征迁移。更准确地讲是Pix2Pix从面部标记中学习并将其转换为面部特征，将网络摄像头或者视频检测到人脸实时放在训练好的人脸模型上，本发明不仅精度高，而且能够提高图像对图像转换性能。
-
公开(公告)号：CN114498745B
公开(公告)日：2024-08-13
申请号：CN202210107143.7
申请日：2022-01-28
Applicant: 南京财经大学
Abstract: 本发明公开了一种控制输入延迟下受到周期性DoS攻击的孤岛交流微电网的安全控制器设计方法，首先建立能够刻画控制输入延迟的孤岛交流微电网电力系统的数学模型；引入新的变量，对控制输入延时的孤岛交流微电网电力系统数学模型进行变换；然后，在变换后的数学模型的基础上，进一步考虑周期性DoS攻击；最后，通过李雅普诺夫函数方法导出控制输入延时与周期性DoS攻击下的控制器设计准则，确定同时考虑时间延迟与周期性DoS攻击下孤岛交流微电网系统模型的控制器增益矩阵K。本发明可有效抵御周期性DoS攻击与控制输入延迟带来的不利影响。
-
公开(公告)号：CN112232388B
公开(公告)日：2024-02-13
申请号：CN202011046627.2
申请日：2020-09-29
Applicant: 南京财经大学
IPC: G06F18/2411 , G06F18/214 , G06Q30/0201
Abstract: 本发明公开了一种基于ELM‑RFE的购物意图关键因素识别方法，该方法首先初始化因素特征排序表和当前特征子集表，并获取当前训练样本集，接着训练超限学习机分类器并计算特征的排序系数，重复该步骤并找出排序得分最小的因素特征，然后更新关键因素排序指标和当前特征子集表，并重复以上步骤直至当前特征子集表为空。本发明的方法相比于传统的递归特征消除类方法，无需调节学习模型参数，能快速识别影响用户购物意图的最有效的因素。实验表明，相比传统的SVM‑RFE方法，本发明的方法仅需0.1％的计算时间，而且仅需3个因素特征在测试集上得到最高的测试精度。在识别用户购买意图的关键因素应用中，本发明的方法可以提升关键因素特征识别效率。(56)对比文件Guang-Bin Huang等.Extreme LearningMachine for Regression and MulticlassClassification《.IEEE Transctions onSystems,Man,and Cybernetics,Part B》.2011,第42卷(第2期),513-529.Serpil Ustebay等.InstructionDetection System with Recursive FeatureElimination by Using Random Forest andDeep Learning Classifier《.2018International Congress on Big Data，DeepLearning and Fighting Cyber Terrorism》.2019,71-76.
-
公开(公告)号：CN117333239A
公开(公告)日：2024-01-02
申请号：CN202311050997.7
申请日：2023-08-21
Applicant: 南京财经大学
IPC: G06Q30/0282 , G06Q30/0601 , G06N3/047 , G06N3/084 , G06N3/0895
Abstract: 本发明公开一种基于自适应多频谱滤波的图神经网络电商异常检测方法，获取用户评论内容特征和用户评论行为特征；将对同一商品构造用户‑评论图结构；基于伯恩斯坦多项式分别学习得到图的低通和高通滤波器，得到图中节点的低频和高频信号表示；基于固定的带通滤波器，得到图中节点的带通信号表示；使用注意力机制，融合得到的低通、带通、和高通信号，通过注意力损失函数，为每个节点自适应的学习出不同频率信号占该节点最终节点表示的比重；使用softmax层计算最终的节点表示，得到图神经网络模型的预测结果，并根据损失函数，计算节点的分类损失，更新模型参数。本发明缓解了以往的方法会导致的过平滑问题，提升了对电商交易网络中异常节点的识别率。
-
公开(公告)号：CN117113054A
公开(公告)日：2023-11-24
申请号：CN202311072943.0
申请日：2023-08-24
Applicant: 南京财经大学 , 国网江苏省电力有限公司
IPC: G06F18/213 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 一种基于图神经网络和Transformer的多元时间序列预测方法，如下步骤：收集数据集，训练模型为基于图神经网络和Transformer的多元时间序列预测模型；多元时间序列首先被输入到全连接层中，得到初始表示，然后被输入到特征提取器中，特征提取器包括一层时间卷积模块、自动编码器模块和一个图卷积神经网络模块；通过时间卷积模块得到其在时间维度上的表示，然后将时间卷积模块的输出分别送入Transformer自动编码器模块和图卷积神经网络模块。Transformer自动编码器模块被设计成以自注意的方式处理时态表示，允许捕获不同时态特征之间的远程依赖关系和交互；Transformer自动编码器模块中采用的自关注机制使模型能够关注不同重要程度的不同时间步长，图卷积神经网络模块以基于图的方式处理时态表示；该模块利用图形卷积神经网络操作，模型输出预测结果。
-
-
-
-
-
-
-
-
-
Search Results
170
records
(took 0.024 seconds)
