一种通信感知计算一体化网络分布式可信感知方法及系统

    公开(公告)号:CN114915429B

    公开(公告)日:2022-10-11

    申请号:CN202210844397.7

    申请日:2022-07-19

    Abstract: 本发明涉及一种通信感知计算一体化网络分布式可信感知方法及系统,涉及无线感知技术领域,首先将全局模型和初始全局参数传输至各个边缘节点,各边缘节点控制本地数据根据进行本地训练,得到本地模型参数,再通过对应的矿工将本地模型参数广播出去,然后对每个本地模型参数赋予权重计算出全局参数,通过聚合迭代的方式更新全局参数,由于本发明利用各分布式边缘节点的算力资源和数据资源进行分别计算,从而节省了整体的通信和计算资源,同时本发明仅使得各边缘节点数据集参与训练,将训练得到的本地模型参数进行广播和后续计算,从而使得各边缘节点的原始数据集不相互暴露,保证了数据安全,有效解决了隐私泄露和数据安全风险的问题。

    一种通信感知计算一体化网络分布式可信感知方法及系统

    公开(公告)号:CN114915429A

    公开(公告)日:2022-08-16

    申请号:CN202210844397.7

    申请日:2022-07-19

    Abstract: 本发明涉及一种通信感知计算一体化网络分布式可信感知方法及系统,涉及无线感知技术领域,首先将全局模型和初始全局参数传输至各个边缘节点,各边缘节点控制本地数据根据进行本地训练,得到本地模型参数,再通过对应的矿工将本地模型参数广播出去,然后对每个本地模型参数赋予权重计算出全局参数,通过聚合迭代的方式更新全局参数,由于本发明利用各分布式边缘节点的算力资源和数据资源进行分别计算,从而节省了整体的通信和计算资源,同时本发明仅使得各边缘节点数据集参与训练,将训练得到的本地模型参数进行广播和后续计算,从而使得各边缘节点的原始数据集不相互暴露,保证了数据安全,有效解决了隐私泄露和数据安全风险的问题。

    一种基于加权列抽样XGBoost的图像目标分类方法

    公开(公告)号:CN107392241A

    公开(公告)日:2017-11-24

    申请号:CN201710580163.5

    申请日:2017-07-17

    Abstract: 本发明实施例提出了一种基于加权列抽样XGBoost的图像目标分类方法,包括:利用在大型数据集ILSVRC预训练过的并且在PASCAL VOC 2012数据集上进行过微调的卷积神经网络提取目标图像特征;连接多层学习到的特征以获得更多决定其图像类别的内容信息;利用基于加权列抽样的XGBoost方法对图像特征分类,根据属性重要度,在构建决策树之前对属性进行次采样,将抽取的具有更多信息的属性用于当前决策树的构建,重复迭代直到收敛,得到性能最佳的图像分类模型。根据本发明实施例提供的技术方案,当数据的属性维度大且冗余度高时,该方法可以扩展到其他使用列抽样的分类方法,提高图像目标分类的平均准确率。

    基于密度中心性的虚拟资产异常交易数据的采样-检测方法

    公开(公告)号:CN105912726A

    公开(公告)日:2016-08-31

    申请号:CN201610319032.7

    申请日:2016-05-13

    CPC classification number: G06F16/35 G06F2216/03

    Abstract: 本发明基于数据的密度中心性,提出了一种新的虚拟资产异常交易数据采样检测方法。其中采样方法包括以下两个步骤:将虚拟资产交易中的异常交易数据定义为少数类,依据改进的Density peaks Algorithm(密度峰值算法)对少数类样本进行中心选取,然后在数据中心的有效范围内进行数据添加,从而增加其样本数量;将虚拟资产交易中的正常交易数据定义为多数类,依据改进的Density peaks Algorithm对多数类样本进行中心选取,然后依据理想的样本容量以与中心点的距离为标准对数据进行采样,以减少其样本数量。本发明所给出的异常交易数据的采样检测方法可应用于各种虚拟资产异常交易采样检测当中,且具有计算速度快,检测准确率高的优点。

Patent Agency Ranking