-
公开(公告)号：CN116827992A
公开(公告)日：2023-09-29
申请号：CN202310792578.4
申请日：2023-06-30
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于物联网场景下的边缘计算卸载方法，属于物联网任务卸载技术领域，构建云边协同的物联网边缘计算系统模型；初始化边缘计算系统模型相关参数；针对云端和边缘服务器建立时延模型和能耗模型；根据移动设备卸载方式的不同构建系统效益函数；使用改进的麻雀搜索算法不断迭代更新麻雀位置并获得最佳的卸载策略和系统效益值。本方法引入正余弦算法思想提高算法跳出局部最优解的能力。引入Levy飞行策略和随机游走策略可以在搜索空间中全面地进行探索，保证系统模型中每个用户设备都能将任务卸载到云端或边缘服务器，提高系统效益，减少任务丢弃的比率。
-
公开(公告)号：CN112528087B
公开(公告)日：2023-06-20
申请号：CN202011400390.3
申请日：2020-12-01
Applicant: 南京邮电大学
IPC: G06F16/901
Abstract: 本发明公开了一种网络系统中基于大同步模型的图顶点并行重编码方法，包括：各任务将输入图的顶点Id发送给出度顶点，并统计各自的输入顶点数量写入总同步目录；各任务根据总同步目录记录的各任务输入顶点数量，顺序递增更新原顶点Id，同时建立新旧Id映射，然后根据接收消息建立各顶点的输入顶点集合，最后以新Id作为消息值，根据输入顶点集合进行反向发送；各顶点根据新旧顶点Id映射，将收到的新顶点Id汇总为新的输出边集合。本发明能够避免顶点不规则编码带来的存储资源浪费和低效计算等问题，同时不影响原图的结构关系，在图计算技术领域具有广泛的实用价值和应用前景。
-
公开(公告)号：CN112528087A
公开(公告)日：2021-03-19
申请号：CN202011400390.3
申请日：2020-12-01
Applicant: 南京邮电大学
IPC: G06F16/901
Abstract: 本发明公开了一种网络系统中基于大同步模型的图顶点并行重编码方法，包括：各任务将输入图的顶点Id发送给出度顶点，并统计各自的输入顶点数量写入总同步目录；各任务根据总同步目录记录的各任务输入顶点数量，顺序递增更新原顶点Id，同时建立新旧Id映射，然后根据接收消息建立各顶点的输入顶点集合，最后以新Id作为消息值，根据输入顶点集合进行反向发送；各顶点根据新旧顶点Id映射，将收到的新顶点Id汇总为新的输出边集合。本发明能够避免顶点不规则编码带来的存储资源浪费和低效计算等问题，同时不影响原图的结构关系，在图计算技术领域具有广泛的实用价值和应用前景。
-
公开(公告)号：CN116980194A
公开(公告)日：2023-10-31
申请号：CN202310916537.1
申请日：2023-07-24
Applicant: 南京邮电大学
IPC: H04L9/40 , H04L9/14 , G06F16/215 , G06F16/27 , G06F21/60
Abstract: 本发明公开了一种基于云边端协同的数据传输方法及其系统，属于信息安全技术领域；步骤为：数据清洗模块对数据进行去冗余；将消冗数据发送到数据加密模块；数据加密模块对传入的明文数据进行加密处理；数据加密模块输出的密文传送到云端数据中心；用户向信任机构提供用户ID和密码以及云端数据中心的交互权限；用户输入的登录信息与信息库比对成功后，开启数据初级访问权限；用户获得相应的访问权限，获取到解密密钥对需要查看的数据进行解密处理。本发明通过数据清洗模块对引入的数据进行去冗余，保证数据的清洁度；通过数据加密模块中的Rijndael加密算法、Blowfish算法和Enyo算法三种轻量级加密算法，根据需求自适应选择加密算法，提高加密的安全性和高效性。
-
Patent Agency Ranking
公开(公告)号：CN109979537A
公开(公告)日：2019-07-05
申请号：CN201910197033.2
申请日：2019-03-15
Applicant: 南京邮电大学 , 江苏航天龙梦信息技术有限公司
Abstract: 本发明提出一种面向多条序列的基因序列数据压缩方法，主要用于解决基因数据量过大，减小基因数据存储和传输成本问题。首先从待压缩基因序列中选取参考序列，其次，将非参考序列和参考序列采用不同的压缩方式进行压缩。对于非参考序列，通过与参考序列异或，然后进行矩阵划分和矩阵编码，最终将基因序列编码成二元组形式进行存储；对于参考序列，采用k‑mer算法进行单独压缩。采用本压缩方法的压缩比高，压缩速度快，而且二元组编码与基因次序无关，有利于分布式存储和分析基因序列。
-
公开(公告)号：CN110162706B
公开(公告)日：2021-10-26
申请号：CN201910431441.X
申请日：2019-05-22
Applicant: 南京邮电大学
IPC: G06F16/9535 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于交互数据聚类的个性化推荐方法及系统，包括构建用户项目交互特征矩阵、构建用户历史行为矩阵、使用分类器对交互矩阵P进行分类、相似用户聚类、邻近项目选择、神经网络训练、个性化推荐，本发明将用户对项目的浏览记录、用户搜索记录等历史信息与用户个人信息拼接构造用户特征，使用聚类算法对用户特征进行聚类，并在此基础上对特定用户进行个性化推荐，改进了传统矩阵分解模型的性能，将矩阵分解与多层感知机结合，对用户项目间的关系进行学习预测。提升了大数据环境下推荐的精度。
-
公开(公告)号：CN116667955A
公开(公告)日：2023-08-29
申请号：CN202310893080.7
申请日：2023-07-20
Applicant: 南京邮电大学
IPC: H04B17/382 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于联邦学习的多协作频谱感知分类方法，属于无线通信技术领域；该方法包括以下步骤：数据预处理；对每个次用户信道中的历史传输信号，通过格拉姆角场算法将其转换为图像，得到子数据集，作为联邦学习模型的输入；构建联邦学习模型；联邦学习模型包括一个主用户、M个次用户和一个中央聚合器；对构建联邦学习模型进行训练；采用门限判决算法对数据集进行判决，输出最终的判决结果。本发明通过基于残差块的联邦学习模型，解决模型训练时间长、信号特征提取不完全的问题；通过设置门限判决使感知结果利用空闲频谱，最大限度地减少对主用户的干扰；解决单用户感知结果的不可靠性，得到频谱占用状态的正确判断，提高频谱感知的准确性。
-
公开(公告)号：CN109979537B
公开(公告)日：2020-12-18
申请号：CN201910197033.2
申请日：2019-03-15
Applicant: 南京邮电大学 , 江苏航天龙梦信息技术有限公司
Abstract: 本发明提出一种面向多条序列的基因序列数据压缩方法，主要用于解决基因数据量过大，减小基因数据存储和传输成本问题。首先从待压缩基因序列中选取参考序列，其次，将非参考序列和参考序列采用不同的压缩方式进行压缩。对于非参考序列，通过与参考序列异或，然后进行矩阵划分和矩阵编码，最终将基因序列编码成二元组形式进行存储；对于参考序列，采用k‑mer算法进行单独压缩。采用本压缩方法的压缩比高，压缩速度快，而且二元组编码与基因次序无关，有利于分布式存储和分析基因序列。
-
公开(公告)号：CN110162706A
公开(公告)日：2019-08-23
申请号：CN201910431441.X
申请日：2019-05-22
Applicant: 南京邮电大学
IPC: G06F16/9535 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于交互数据聚类的个性化推荐方法及系统，包括构建用户项目交互特征矩阵、构建用户历史行为矩阵、使用分类器对交互矩阵P进行分类、相似用户聚类、邻近项目选择、神经网络训练、个性化推荐，本发明将用户对项目的浏览记录、用户搜索记录等历史信息与用户个人信息拼接构造用户特征，使用聚类算法对用户特征进行聚类，并在此基础上对特定用户进行个性化推荐，改进了传统矩阵分解模型的性能，将矩阵分解与多层感知机结合，对用户项目间的关系进行学习预测。提升了大数据环境下推荐的精度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.086 seconds)
