-
公开(公告)号：CN118826462A
公开(公告)日：2024-10-22
申请号：CN202410957437.8
申请日：2024-07-17
Applicant: 湖南大学
Abstract: 本发明公开了一种基于矢量冗余的最小高频零序环流调制方法，属于高频零序环流抑制技术领域。该方法包括如下步骤：子扇区划分，将每个60度扇区划分为4个子扇区，并标记；判定策略制定，根据子扇区的划分情况，推导出子扇区的边界条件，根据边界条件制定确定参考电压矢量所在的子扇区类型的子扇区判定策略；最优矢量序列设计，选取开关状态函数ΔS为0的等效电压矢量设计子扇区的矢量序列；计算不同扇区的三相占空比。本发明相较于现有技术，其有益效果在于：本发明充分利用等效电压矢量的冗余特性，从而提高了负载电流的均流程度，减小了损耗，提高了效率；还减小了负载电流对功率器件的冲击，提高了系统可靠性。
-
公开(公告)号：CN118823645A
公开(公告)日：2024-10-22
申请号：CN202410955253.8
申请日：2024-07-17
Applicant: 湖南大学
IPC: G06V20/40 , G06V40/16 , G06V10/82 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种应用于文本模态缺失场景下的多模态情感识别方法，包括：获取待检测者的视频与音频，对获取的视频和音频分别进行预处理，以分别获取多个预处理后的人脸视频关键帧和多个梅尔频率倒谱系数MFCC特征，将预处理后的多个人脸视频关键帧和MFCC特征成对输入至预先训练好的情感识别模型中，以获取待检测者的多个情感类别，并对得到的多个情感类别进行One‑Hot编码，以获取多个向量作为最终的情感识别结果。本发明能够解决现有多模态情感识别方法由于文本模态数据在工业场景下难以获取，直接导致情感识别准确率降低的技术问题。
-
公开(公告)号：CN118429689A
公开(公告)日：2024-08-02
申请号：CN202410383783.X
申请日：2024-04-01
Applicant: 湖南大学
IPC: G06V10/764 , G06V10/82 , G06N3/094 , G06N3/045 , G06N3/0475
Abstract: 本申请涉及一种基于注意力频域GAN的对抗性仿真攻击方法、装置、计算机设备、存储介质和计算机程序产品，其中，方法包括：获取原始示例，并将原始示例解构得到原始低频分量和原始高频分量；分别生成具有关键扰动的低频分量和进行随机分布的高频分量、并进行重构处理，得到重构后的对抗示例；分别产生鉴别图像损失函数、攻击结果损失函数、以及始示例和对抗示例之间的L2范式损失函数，基于产生的损失函数构建组合损失函数；根据组合损失函数训练注意力频域GAN模型直至模型收敛，得到注意力频域对抗示例生成模型，并根据注意力频域对抗示例生成模型生成各种受扰动的对抗示例进行仿真攻击。
-
公开(公告)号：CN118158149A
公开(公告)日：2024-06-07
申请号：CN202410203140.2
申请日：2024-02-23
Applicant: 湖南大学
IPC: H04L45/028 , H04L45/16 , H04L67/563
Abstract: 本申请涉及一种基于节点池的动态路由代理方法与系统，其中，方法包括：接收源节点请求报文，从节点池中随机选取n个代理节点；依次建立相邻代理节点之间的代理通道；基于相邻代理节点之间的代理通道，且以源节点请求报文为初始负载数据逐层封装构建，得到封装了n层的代理请求报文；将封装了n层的代理请求报文下发，由n个代理节点依次对接收到数据进行解封装取出对应的负载数据并下发，直至将源节点报文发送至目标节点；获取目标节点基于相邻代理节点之间的代理通道反馈回的响应报文，将响应报文反馈至源节点。整个方案可以确保源节点的真实地址无法被追踪。
-
公开(公告)号：CN118133172A
公开(公告)日：2024-06-04
申请号：CN202410078179.6
申请日：2024-01-19
Applicant: 湖南大学
IPC: G06F18/2431 , G06F18/25 , G06N3/0442 , G06N3/0455 , G06N3/084 , G06F40/30 , G06V20/40 , G06V40/16 , G10L25/63
Abstract: 本发明公开了一种基于多视角交互表征的多模态情感分类方法，其特征在于，包括：获取待分析的多模态数据，包括多个文本、多个音频和多个视频，对待分析的多模态数据进行预处理，以得到预处理后的多模态数据，对预处理的多模态数据进行数据格式规范化处理，以得到每个文本的id列表和掩码模板，以及每个音频的规范化数据和每个视频的规范化数据，将文本的id列表和掩码模板、以及音频和视频的规范化数据输入预先训练好的基于多视角交互表征的多模态情感分类模型中，以得到多模态数据对应的情感标签。本发明能够解决现有基于深度学习的多模态情感分类方法由于忽略了模态在不同交互状态下的多视角情感线索，而导致重要的情感信息无法被捕捉的技术问题；以及由于对跨模态间的情感信息交互不够充分，导致多模态情感分类任务精度不高的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN117668376A
公开(公告)日：2024-03-08
申请号：CN202311703481.8
申请日：2023-12-12
Applicant: 湖南大学
IPC: G06F16/9536 , G06F16/901
Abstract: 本发明公开了一种基于最短路径和关键字匹配的稀疏子图查询方法，包括：接收稀疏子图查询请求，并根据该稀疏子图查询请求获取真实社交网络数据集，提取其中的顶点和边数据，并根据提取的顶点和边数据建立无向无权属性图，并从建立的无向无权属性图中选取部分顶点以得到查询顶点集合VQ，从外部获取子图规模约束s，并初始化已选择顶点集合UI为空集，初始化候选顶点集合UL等于从真实社交网络数据集中提取的全部顶点的总数与查询顶点集合VQ之间的差值；本发明能解决现有的稀疏子图查询方法由于需要设置参数值对子图稀疏程度进行约束，导致的用户操作难度大，无法得到理想结果或是最优解的技术问题。
-
公开(公告)号：CN117520588A
公开(公告)日：2024-02-06
申请号：CN202311708146.7
申请日：2023-12-13
IPC: G06F16/583 , G06F16/51 , G06F16/53 , G06V10/75
Abstract: 本发明公开了一种基于局部索引MWstar的Top‑k连续子图匹配方法，在保证常数时间的索引更新代价的同时提高查询效率，特别适用于处理大规模动态数据集。本发明能够解决现有的连续子图匹配方法并没有考虑加权图或Top‑k机制，通常只返回满足拓扑约束的所有匹配，而不考虑匹配的权重或优先级，导致需要对所有的子图按照密度降序排序的子图排序开销，以及子图搜索过程中无法提前剪枝导致的子图搜索开销的技术问题，以及现有基于静态场景下的Top‑k密集子图匹配方法存在巨大的索引维护开销的技术问题，以及上述两种方法由于都需要对数据图G’中的所有节点集合和边集合的范围内重新进行密集子图匹配的搜索，导致增加时间成本的技术问题。
-
公开(公告)号：CN117057445A
公开(公告)日：2023-11-14
申请号：CN202310987628.4
申请日：2023-08-07
Applicant: 湖南大学
Abstract: 本申请涉及一种基于联邦学习框架的模型优化方法、系统、装置、计算机设备、存储介质和计算机程序产品。方法包括：接收服务器发送的聚合参数，将聚合参数作为本地参数，基于本地参数和本地训练集确定第一梯度参数；基于更新的更新隐私预算值，对第一梯度参数进行裁剪和扰动，得到第二梯度参数；基于第二梯度参数更新本地参数，得到更新本地参数；将更新本地参数发送至服务器，使服务器对更新本地参数进行聚合处理，得到更新聚合参数，基于更新聚合参数对全局模型进行模型优化，接收服务器发送的更新聚合参数，重复上述步骤，直至全局模型的准确率达到要求或全局迭代次数达到预先设定的目标次数，得到优化的全局模型。本方法可提升系统资源利用率。
-
公开(公告)号：CN112306696B
公开(公告)日：2023-05-26
申请号：CN202011345926.6
申请日：2020-11-26
Applicant: 湖南大学
IPC: G06F9/50
Abstract: 本发明公开了一种节能高效的边缘计算任务卸载方法，包括：获取用户任务数据信息，以及覆盖该用户的边缘服务器集合以及该边缘服务器集合中每台边缘服务器的处理速度；计算该边缘服务器集合中每台边缘服务器对用户的当前可用处理速度；针对该边缘服务器集合中的每台边缘服务器，计算其对用户的成本因子，并按成本因子从小到大对边缘服务器集合中的边缘服务器进行排序；根据排序后的边缘服务器序列，首先确定边界边缘服务器，对于排列在边界边缘服务器之前的所有边缘服务器，从第一台边缘服务器开始依次确定卸载至每台边缘服务器的任务量以及任务的频率选择因子。采用本方法确定的任务卸载策略，能够满足用户体验质量的同时使边缘服务器节省能耗。
-
公开(公告)号：CN113590887A
公开(公告)日：2021-11-02
申请号：CN202110814231.6
申请日：2021-07-19
IPC: G06F16/901 , G06F16/903
Abstract: 本发明提出一种基于Quegel分布式图计算系统的K‑truss分解方法，针对大型网络图，系统运行后加载图，对存储图的文件进行逐行读取转成字符串后调用自定义UDF函数，将文件中的一行字符数据转换成顶点和邻接表，并以顶点为端点的边集存入global_Edge_Map中；完成加载后，通过分解函数重置计时器，新建一个查询任务用来分解，并将该查询任务初始化后添加至查询任务队列中，再清空查询任务队列的通信量和计算量；执行查询任务队列，激活所有顶点，对激活的所有顶点进行K‑truss分解；统计并判断global_Edge_Map中边的个数，为空时，判断分解完成并退出该过程，打印信息。解决目前有的技术方案大部分都是一台机器上的图的k‑truss分解处理，当遇到大型图的处理时，需要机器很高的配置，耗费大内存的问题。
-
-
-
-
-
-
-
-
-
Search Results
166
records
(took 0.051 seconds)
