-
公开(公告)号：CN106373024A
公开(公告)日：2017-02-01
申请号：CN201610785498.6
申请日：2016-08-29
Applicant: 东南大学
IPC: G06Q50/04
Abstract: 本发明公开了一种面向具有学习恶化效应无等待流水调度问题的解决方法，对加工工序具有无等待流水调度的特点和基于位置的学习恶化效应函数的特点，建立无等待流水调度学习恶化效应模型；基于迭代局部搜索方法最小化该模型的总延迟目标函数，得出任务在调度中处于不同位置时的实际处理时间，进而得到当前的最优加工工序。本发明通过结合问题自身的特点，高质高效地求解具有学习恶化效应无等待流水调度问题，最小化总延迟目标函数。
-
公开(公告)号：CN106373024B
公开(公告)日：2020-02-04
申请号：CN201610785498.6
申请日：2016-08-29
Applicant: 东南大学
IPC: G06Q50/04
Abstract: 本发明公开了一种面向具有学习恶化效应无等待流水调度问题的解决方法，对加工工序具有无等待流水调度的特点和基于位置的学习恶化效应函数的特点，建立无等待流水调度学习恶化效应模型；基于迭代局部搜索方法最小化该模型的总延迟目标函数，得出任务在调度中处于不同位置时的实际处理时间，进而得到当前的最优加工工序。本发明通过结合问题自身的特点，高质高效地求解具有学习恶化效应无等待流水调度问题，最小化总延迟目标函数。
-
公开(公告)号：CN104750830B
公开(公告)日：2017-10-31
申请号：CN201510152852.7
申请日：2015-04-01
Applicant: 东南大学
IPC: G06F17/30
Abstract: 本发明公开了一种时间序列数据的周期挖掘方法，属于计算机模式识别与数据挖掘技术领域。本发明针对现有技术在观测数据不均匀的条件下难以获得准确周期的不足，提出了一种交通流量数据的周期挖掘方法，采用概率分布估计的方式进行周期挖掘，可在观测数据不均匀的条件下获得准确周期，且算法更简单，实时性更好；在此基础上，本发明进一步采用在线增量式更新方式解决实时周期更新问题，使得在线周期更新所花费的资源和时间更少。本发明方法尤其适用于存在较多观测数据缺失的时间序列的周期挖掘，例如交通流量数据、水文数据、气候数据、地震观测数据的周期挖掘，可快速准确地获取周期。
-
公开(公告)号：CN103927561B
公开(公告)日：2017-02-22
申请号：CN201410179070.8
申请日：2014-04-29
Applicant: 东南大学
Abstract: 本发明公开了一种基于概率融合和降维技术的行为识别方法，多次使用降维技术来对特征进行降维，从而提高特征的代表性和辨别性：首先基于稠密轨迹来提取局部底层特征，为了节省空间和去除数据的相关性，对局部底层特征分别采用PCA；其次使用Fisher核对局部底层特征进行聚类，形成Fisher向量，从而提高特征的紧凑性、有序性；在FV作为分类器的输入之前对它们采用LDA的降维技术来提高存储效率、训练和测试的时间并且进一步提高特征辨别性；最后对于不同的描述器采用后融合技术进行数据的结合，从而来提高识别率。
-
公开(公告)号：CN105897864A
公开(公告)日：2016-08-24
申请号：CN201610184714.1
申请日：2016-03-28
Applicant: 东南大学
IPC: H04L29/08
CPC classification number: H04L67/325 , H04L67/10 , H04L67/322
Abstract: 本发明提供了一种云工作流调度方法，构建以资源需求量最小为目标，以任务截止期为约束条件的调度模型，然后搜索所述调度模型的最优解，按照最优解所对应的调度方案对云工作流进行调度；使用混合自适应迭代局部搜索方法搜索所述调度模型的最优解。本发明通过迭代局部搜索寻找多模态云服务工作流的调度方法要比现有技术效率要高，主要体现在找解的速度和解的效率两方面，在任务截止期内快速地找到一种资源分配方法，使用户任务能够高效完成并使花费成本最小，为用户节省了时间成本和经济成本。
-
Patent Agency Ranking
公开(公告)号：CN104750830A
公开(公告)日：2015-07-01
申请号：CN201510152852.7
申请日：2015-04-01
Applicant: 东南大学
IPC: G06F17/30
Abstract: 本发明公开了一种时间序列数据的周期挖掘方法，属于计算机模式识别与数据挖掘技术领域。本发明针对现有技术在观测数据不均匀的条件下难以获得准确周期的不足，提出了一种交通流量数据的周期挖掘方法，采用概率分布估计的方式进行周期挖掘，可在观测数据不均匀的条件下获得准确周期，且算法更简单，实时性更好；在此基础上，本发明进一步采用在线增量式更新方式解决实时周期更新问题，使得在线周期更新所花费的资源和时间更少。本发明方法尤其适用于存在较多观测数据缺失的时间序列的周期挖掘，例如交通流量数据、水文数据、气候数据、地震观测数据的周期挖掘，可快速准确地获取周期。
-
公开(公告)号：CN105160290A
公开(公告)日：2015-12-16
申请号：CN201510386962.X
申请日：2015-07-03
Applicant: 东南大学
CPC classification number: G06K9/00335 , G06K9/00711 , G06K9/6269
Abstract: 本发明公开了一种基于改进型稠密轨迹的移动边界采样的行为识别方法，研究表明改进型稠密轨迹在行为识别上可以取得最先进的结果，但是它耗内存且计算复杂。因此，在不影响识别率的情况下，用移动边界采样方法来减少轨迹数，能节省内存并提高后期的处理速度。首先基于移动边界采样的改进型稠密轨迹来提取局部底层特征；其次使用Fisher核对局部底层特征进行聚类，形成Fisher向量，以提高特征的紧凑性、有序性；在FV作为分类器的输入之前对它们采用LDA/CA的降维技术来提高存储效率、训练和测试的时间并且进一步提高特征辨别性；最后对于不同的描述器采用后融合技术进行数据的结合或者FV向量之间的融合，从而来提高识别率。
-
公开(公告)号：CN103927561A
公开(公告)日：2014-07-16
申请号：CN201410179070.8
申请日：2014-04-29
Applicant: 东南大学
Abstract: 本发明公开了一种基于概率融合和降维技术的行为识别方法，多次使用降维技术来对特征进行降维，从而提高特征的代表性和辨别性：首先基于稠密轨迹来提取局部底层特征，为了节省空间和去除数据的相关性，对局部底层特征分别采用PCA；其次使用Fisher核对局部底层特征进行聚类，形成Fisher向量，从而提高特征的紧凑性、有序性；在FV作为分类器的输入之前对它们采用LDA的降维技术来提高存储效率、训练和测试的时间并且进一步提高特征辨别性；最后对于不同的描述器采用后融合技术进行数据的结合，从而来提高识别率。
-
公开(公告)号：CN104063715B
公开(公告)日：2017-05-31
申请号：CN201410307765.X
申请日：2014-06-30
Applicant: 东南大学
Abstract: 本发明公开了一种基于最近邻特征线的人脸分类方法，以最近邻特征理论为依据，定义了一种新的权重指数，提出了基于权重指数的判别准则以及改进后的精简特征线方法，构建了一种适合于光照以及姿态多种变化的人脸分类器，相比于其他的分类器有着更低的计算复杂度，更少的识别时间，以及更佳的鲁棒性。该分类器首先使用主元成分分析法提取训练库图像的特征，构建训练库矩阵并提取样本图像特征，构建测试样本向量。然后计算出权重系数，并且根据权重系数制定判定法则，构建精简的最近邻特征线分类器。多种情况下的实验结果表明，在相同的硬件环境下面，该分类器与其他分类器相比有着更小的运算复杂度以及更好的鲁棒性。
-
公开(公告)号：CN103345621B
公开(公告)日：2016-05-18
申请号：CN201310287937.7
申请日：2013-07-09
Applicant: 东南大学
Abstract: 本发明公开了一种基于稀疏浓度指数的人脸分类方法，以压缩感知理论为依据，定义了一种新的稀疏浓度指数，提出了基于SCI的判别准则以及判别阈值计算方法，构建了一个适用于光照以及姿态多种变化的人脸分类器，相比其他分类器，计算复杂度相近，识别率更高，鲁棒性更好。该分类器首先使用主元成分分析法提取训练库图像的特征，构建训练库矩阵，并提取样本图像的特征，构建测试样本向量。然后根据压缩感知重构理论，由训练库矩阵和样本向量计算出稀疏系数和判别阈值；根据稀疏系数计算出残差和SCI。多种条件变化下的实验表明，在相同硬件环境下，该分类器与其他分类器相比，具有更高的识别率以及更好的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.02 seconds)
