-
公开(公告)号：CN117648194B
公开(公告)日：2024-04-30
申请号：CN202410114597.6
申请日：2024-01-29
Applicant: 华侨大学 , 厦门万宾科技有限公司
Abstract: 本发明实施例提供一种非精确混合关键任务资源受限的能耗感知调度方法和系统，涉及混合关键系统调度技术领域。其包含：S1、建立多处理器平台的固定优先级非精确混合关键任务的任务模型。S2、根据任务模型，提出非精确混合关键多处理器的优先级天花板协议。S3、根据优先级天花板协议，获取任务集在系统处于低模式、高模式和模式转换期间时的调度可行的充分条件。S4、根据调度可行的充分条件，通过关键层次感知最坏适应利用率划分算法将系统中的任务集映射到多处理器平台的各个处理器。S5、根据映射到各个处理器的任务，以及调度可行的充分条件，计算多处理器平台的各个处理器的最优节能调度速度，以使各个处理器以最优节能调度速度执行任务。
-
公开(公告)号：CN117648194A
公开(公告)日：2024-03-05
申请号：CN202410114597.6
申请日：2024-01-29
Applicant: 华侨大学 , 厦门万宾科技有限公司
Abstract: 本发明实施例提供一种非精确混合关键任务资源受限的能耗感知调度方法和系统，涉及混合关键系统调度技术领域。其包含：S1、建立多处理器平台的固定优先级非精确混合关键任务的任务模型。S2、根据任务模型，提出非精确混合关键多处理器的优先级天花板协议。S3、根据优先级天花板协议，获取任务集在系统处于低模式、高模式和模式转换期间时的调度可行的充分条件。S4、根据调度可行的充分条件，通过关键层次感知最坏适应利用率划分算法将系统中的任务集映射到多处理器平台的各个处理器。S5、根据映射到各个处理器的任务，以及调度可行的充分条件，计算多处理器平台的各个处理器的最优节能调度速度，以使各个处理器以最优节能调度速度执行任务。
-
公开(公告)号：CN119848427A
公开(公告)日：2025-04-18
申请号：CN202411967907.5
申请日：2024-12-30
Applicant: 华侨大学 , 厦门万宾科技有限公司
IPC: G06F18/10 , G06F18/213 , G06F18/214 , G06F18/2431 , G06F18/243 , G06N5/01
Abstract: 本发明公开了一种基于改进C4.5的真空干泵多故障预测方法及系统，方法包括：使用改进C4.5算法构建决策树模型并利用真空干泵的全寿命振动信号数据进行训练，得到训练好的多故障预测模型；获取真空干泵实时运行监测的振动信号数据，并对所述数据进行预处理；将预处理后的振动信号数据输入训练好的多故障预测模型，以预测振动信号数据中是否出现故障，并输出故障预测结果，所述预测结果包括故障类型及故障发生时间。本发明通过透明的决策过程、实时更新、精细特征提取和强大的多故障分类能力，解决了现有技术的不足，能够有效预测真空干泵的多种重叠故障，为设备维护提供及时的决策支持。
-
公开(公告)号：CN112181666B
公开(公告)日：2023-09-01
申请号：CN202011155848.3
申请日：2020-10-26
Applicant: 华侨大学
IPC: G06F9/50 , G06F16/2455 , H04L41/14 , H04L41/142 , G06N3/0464 , G06N3/08 , G06F16/242
Abstract: 本发明提供一种基于边缘智能的设备评估和联邦学习重要性聚合方法，包括如下步骤：云服务器初始化：云服务器生成初始模型，设备评估与选择：边缘服务器接收终端设备的资源信息，生成资源特征向量，并将所述资源特征向量输入评估模型，本地训练：边缘服务器选择智能设备后，将转存的初始模型发送所述智能设备，智能设备对初始模型在联邦学习中进行本地训练，得到本地模型；本地模型筛选：将本地模型发送到边缘服务器，通过比较本地模型与前一轮全局模型的损失值来判断是否为异常的模型；全局聚合：利用经典的联邦平均算法进行全局聚合。本发明提供的方法一方面解决了带有资源约束设备的训练瓶颈问题，另一方面提高模型聚合的效果以减少冗余的训练与通信消耗。
-
公开(公告)号：CN116185591A
公开(公告)日：2023-05-30
申请号：CN202310163206.5
申请日：2023-02-24
Applicant: 华侨大学
Abstract: 本发明涉及一种基于遗传算法的非精确混合关键任务节能调度方法，包括以下步骤：建立非精确混合关键任务调度模型；对非精确混合关键任务到多处理器的映射进行编码；制定适应度函数，对任务到处理器的任务映射方案进行评估选择；对已有的任务映射方案进行交叉操作和变异操作；计算各处理器任务集的能耗优化速度。本发明基于遗传算法，寻找让多处理器负载均衡的任务映射方案和计算各处理器能耗的最优速度，以确保所有任务都满足截止期限要求并降低系统能耗。
-
Patent Agency Ranking
公开(公告)号：CN112148631B
公开(公告)日：2023-05-26
申请号：CN202011025007.0
申请日：2020-09-25
Applicant: 华侨大学
IPC: G06F12/02 , G06F12/0882 , G06F3/06
Abstract: 本发明提供一种基于高速缓存感知的垃圾回收方法、设备及存储介质，其中方法包括:垃圾回收操作开始时，固态硬盘会扫描所有物理块和高速缓存，得到每块物理块内包含有效页的数量以及每块物理块保存在高速缓存中的有效页的数量；将每块物理块的有效页数量减去每个物理块保存在高速缓存中的有效页数量，得到每块物理块真正需要移动的有效页的数量；选择上述数值最小的物理块作为垃圾回收的目标块；针对该目标块，开始扫描每一个物理页；并采用高速缓存一致性方法，完成目标块的没有保存在高速缓存中的所有有效页移动，即完成一次垃圾回收操作；本发明提供的方法，能够取得更少的有效页移动，获得良好的性能。
-
公开(公告)号：CN112583575B
公开(公告)日：2023-05-09
申请号：CN202011413354.0
申请日：2020-12-04
Abstract: 本发明提供一种车联网中基于同态加密的联邦学习隐私保护方法，将基于同态加密的联邦学习引入车联网中，通过改进具有加法同态行的Paillier算法和具有乘法同态性的RSA算法，并结合AES算法和步长混淆的方式，同时采用分层加密技术，使加法同态在边缘端完成，而乘法同态在云端完成以提高加密效率，从而有效防止联邦学习恶意攻击，并有效降低加密导致的延迟的方法；该发明可以应用在车联网中进行隐私保护将联邦学习引入IoV中以解决用户隐私泄露问题。为了进一步地增强数据安全性，在联邦学习中引入高效的同态加密；而且改进了具有加法同态性的Paillier算法和具有乘法同态性的RSA算法，并结合AES算法和步长混淆的方式，构建一个具有全同态加密性的联邦学习架构。
-
公开(公告)号：CN111292366B
公开(公告)日：2023-03-10
申请号：CN202010094884.7
申请日：2020-02-17
Applicant: 华侨大学
IPC: G06V20/58 , G06T7/521 , G06T7/80 , G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/088
Abstract: 本发明涉及智能汽车的自动驾驶领域，尤其涉及一种基于深度学习和边缘计算的视觉行车测距算法，包括以下步骤：S1、构建带行车测距数据集并进行标注；S2、利用构建的标准数据集，生成适用于行车测距的深度模型；S3、联合边缘设备和传感设备自动对网络进行分割加速推断；S4、用测试数据集进行实验，预测行车距离，本发明使用单目摄像头采集行车数据集，节省了成本。且通过多种数据增强的方法对数据集进行了有效扩充，不仅增加了数据量，有效避免了网络过拟合，提高了行车测距的准确率。
-
公开(公告)号：CN111324197B
公开(公告)日：2023-03-07
申请号：CN202010082932.0
申请日：2020-02-07
Applicant: 华侨大学
IPC: G06F1/329
Abstract: 本发明涉及一种基于三速度周期任务的降低系统能耗的方法，计算周期任务Tx中前部分运行速度Sx.L下的执行时间cx.L、中间部分的运行速度Sx.M下的执行时间cx.M和后部分的运行速度Sx.H下的执行时间cx.H，充分利用任务调度过程中产生的空闲时间，利用三速度策略执行任务，降低任务的运行速度，能够实现比现有的低能耗调度方法降低约29.63％的能耗，有效地降低系统能耗。对于用在便捷式设备的实时系统而言，由于这些设备的电池容量都是有限的，本发明的实施能够降低能耗，可以延长这些设备的使用时间，完善系统功能，同时减少电池更换周期，提高系统性能。同时，系统能耗的降低，处理器的发热量也会减低，这会提高系统可靠性，同时减少对系统散热和制冷的成本投入。
-
公开(公告)号：CN115480890A
公开(公告)日：2022-12-16
申请号：CN202211040206.8
申请日：2022-08-29
Applicant: 华侨大学
Abstract: 本发明公开了一种概率混合关键系统动态优先级非精确任务节能调度方法及装置，建立概率混合关键系统，并确定混合关键周期任务的概率最坏情况下的执行时间，根据混合关键周期任务的概率最坏情况下的执行时间计算概率利用率；根据概率利用率，确定概率混合关键系统在低模式和高模式调度可行的充分条件；根据调度可行的条件，计算出低模式的能耗优化速度SLO和高模式的能耗优化速度SHI；当概率混合关键系统处于低模式时，混合关键周期任务以低模式的能耗优化速度SLO执行，当概率混合关键系统处于在高模式时，混合关键周期任务以高模式的能耗优化速度SHI执行。本发明通过利用任务的概率最坏情况下执行时间，计算出能耗优化的速度，进而降低系统能耗。
-
-
-
-
-
-
-
-
-
Search Results
128
records
(took 0.035 seconds)
