-
Patent Agency Ranking
公开(公告)号：CN105843924A
公开(公告)日：2016-08-10
申请号：CN201610179487.3
申请日：2016-03-25
Applicant: 南京邮电大学
IPC: G06F17/30
CPC classification number: G06F16/285 , G06F16/2246 , G06F16/24568
Abstract: 本发明公开一种认知计算中基于CART的决策树构建方法，包括：根据决策树的制定规则，初始化决策树的根节点和对应的特征属性集；对训练集的数据进行排序操作；判断节点中的所有样本数据是否属于同一类，计算待分裂的节点的最优和次优特征属性，判断是否满足选择最优分裂属性和中断机制的分裂条件，若满足，则使用最优分裂属性进行分裂，根据使用最优分裂属性分裂，然后使用特征属性分裂后的节点迭代替换当前节点，从左右两个分支中添加一个新的叶子节点，达到决策树的自动分裂；否则等待数据流输入，进行样本更新，继续对节点分裂进行计算。本发明进一步提高了处理数据流的准确度，降低了系统阻塞的可能性。
-
公开(公告)号：CN103440275A
公开(公告)日：2013-12-11
申请号：CN201310343107.1
申请日：2013-08-08
Applicant: 南京邮电大学
IPC: G06F17/30
Abstract: 本发明是一种基于普利姆的K均值聚类方法，针对K均值聚类算法随机选取中心的不足的问题，引入prim最小生成树方法对K均值聚类算法初始中心的选取进行优化，由此设计出一种改进的K均值聚类算法。使用prim最小生成树方法对随机生成的点求其最小生成树，然后从中找出最小生成树权值和最大，且权值相差不大的点集作为初始聚类中心，最后使用K均值聚类算法聚类。仿真结果表明相比传统K均值算法，本发明的方法具有更高的准确率以及更少的数据迭代次数。
-
公开(公告)号：CN105894011A
公开(公告)日：2016-08-24
申请号：CN201610184418.1
申请日：2016-03-28
Applicant: 南京邮电大学
CPC classification number: G06K9/6296 , G06N3/0454 , G06N3/084
Abstract: 本发明公开了基于深度置信网络认知决策方法，包括如下步骤：深度置信网络的输出作为决策过程的输入；对决策过程进行训练，调整权值和阈值；对误认知的样本进行再次训练，实现错误控制；重复上述步骤，直至对测试样本的认知准确性达到设定值，实现错误控制；根据训练和再训练的决策模型，判断并输出决策结果。本发明能够进一步控制认知决策的准确性。
-
公开(公告)号：CN105787116A
公开(公告)日：2016-07-20
申请号：CN201610174811.2
申请日：2016-03-25
Applicant: 南京邮电大学
CPC classification number: G06F11/1451 , G06F16/278
Abstract: 本发明公开了基于上下文感知数据流的认知计算架构，包括上下文感知数据获取层，用于收集用户使用相关互联网服务所产生的数据和数据流，传输给上下文感知数据存储层；上下文感知数据存储层，通过数据分类器将收集的数据分成静态数据和动态数据流，静态数据存入分布式数据库，经过输出接口给上下文感知数据计算层调用；动态数据流经过缓存空间，直接送往上下文感知数据计算层；上下文感知数据计算层，对动态数据流进行处理，包括数据流分类、数据流模板匹配。本发明实现了对上下文感知数据的有效分析，对提升数据处理效率并得出有效的认知结果起到很大的作用。
-
公开(公告)号：CN103412794A
公开(公告)日：2013-11-27
申请号：CN201310345008.7
申请日：2013-08-08
Applicant: 南京邮电大学
IPC: G06F9/50
Abstract: 针对实际应用中持续不断的数据流具有不可预测性，而传统的静态数据存储处理机制难以应对流计算条件下对数据实时处理的需求，提出一种面向流计算的动态分配调度方法，该方法建立流序列图(StreamQueryGraph，SQG)并采用动态权重更新机制计算每条边的权重，最后在SQG中进行最短路径选择，选择权重最小的边发送元组。同时采用两种算法开销优化方案减小上下文开销。实验表明选取合适的逻辑主机个数可以显著降低系统反应时间，而增加一次调度的元祖个数使得系统上下文开销得以减小，系统性能得到提升。
-
-
-
-
Search Results
5
records
(took 0.019 seconds)
