公开(公告)号：CN118972900B

公开(公告)日：2025-02-11

申请号：CN202411460580.2

申请日：2024-10-18

Applicant: 南京邮电大学 ,  江苏移动信息系统集成有限公司

Inventor： 王晔 ,  刘淼 ,  韩银锋 ,  张凌豪 ,  杨洁 ,  赵海涛 ,  童恩

IPC: H04W28/08 ,  H04W28/10 ,  H04W84/06 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了基于图神经网络的空天地网络流量卸载决策方法及系统，涉及通信网络优化技术领域，包括：接收空天地一体化网络中的节点相关数据，将节点相关数据进行时间窗口划分，并进行特征提取，得到节点特征数据，其中，所述节点相关数据包括节点连接状态数据和节点间的实时流量数据；将节点特征数据输入至预先建立的图神经网络模型GNN内，通过对节点和边的特征进行编码和聚合，生成每个节点的表示向量，利用每个节点的表示向量对GNN进行训练，得到训练后的GNN；接收空天地一体化网络中的网络状态和节点特征，输入至训练后的GNN内，输出得到性能预测结果，基于性能预测结果，结合多目标优化技术，从而实现网络整体的流量最佳卸载。

公开(公告)号：CN118972900A

公开(公告)日：2024-11-15

申请号：CN202411460580.2

申请日：2024-10-18

Applicant: 南京邮电大学 ,  江苏移动信息系统集成有限公司

Inventor： 王晔 ,  刘淼 ,  韩银锋 ,  张凌豪 ,  杨洁 ,  赵海涛 ,  童恩

IPC: H04W28/08 ,  H04W28/10 ,  H04W84/06 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了基于图神经网络的空天地网络流量卸载决策方法及系统，涉及通信网络优化技术领域，包括：接收空天地一体化网络中的节点相关数据，将节点相关数据进行时间窗口划分，并进行特征提取，得到节点特征数据，其中，所述节点相关数据包括节点连接状态数据和节点间的实时流量数据；将节点特征数据输入至预先建立的图神经网络模型GNN内，通过对节点和边的特征进行编码和聚合，生成每个节点的表示向量，利用每个节点的表示向量对GNN进行训练，得到训练后的GNN；接收空天地一体化网络中的网络状态和节点特征，输入至训练后的GNN内，输出得到性能预测结果，基于性能预测结果，结合多目标优化技术，从而实现网络整体的流量最佳卸载。

公开(公告)号：CN118379615A

公开(公告)日：2024-07-23

申请号：CN202311845505.3

申请日：2023-12-29

Applicant: 南京泰通科技股份有限公司 ,  南京邮电大学

Inventor： 吉鹏程 ,  张凌豪 ,  李蒙 ,  倪小龙 ,  何潞 ,  李健华 ,  陈巧英 ,  赵海涛 ,  徐波

IPC: G06V20/10 ,  G06V10/26 ,  G06V10/25 ,  G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/09

Abstract: 本发明提供了一种基于SAM模型的铁路轨道入侵数据标注和增强训练方法，以下步骤进行：1）异常入侵关键帧的提取。2）半自动标注过程：使用SAM‑RA模块的强大图像分割能力，对提取的关键帧进行标注，并生成入侵物的图像掩膜。3）数据增强：通过SAM‑RTN方法，使用生成的图像掩膜作为感知特征，进行特征提取和ROI采样。4）联合训练网络：将图像掩膜数据和感知特征的采样数据联合并输入到下游的目标检测和分类训练网络中。本发明的方法结合了SAM模型强大的图像分割能力和特征感知能力，从而显著提高了铁路轨道异常入侵物的目标检测和分类网络的性能。

公开(公告)号：CN118470972A

公开(公告)日：2024-08-09

申请号：CN202410677233.9

申请日：2024-05-29

Applicant: 南京邮电大学

Inventor： 尹诗芹 ,  赵海涛 ,  张凌豪 ,  刘鹏飞 ,  徐波

IPC: G08G1/01

Abstract: 本发明公开了一种基于离散图结构的交通流预测模型方法，属于交通管理技术领域，包括步骤一、采集数据；步骤二、进行数据的预处理；步骤三、进行模型的搭建与优化；步骤四、进行模型的训练；步骤五、进行模型的部署；步骤六、进行模型的预测及使用，本发明，在GNN框架下，同时学习图的结构和时间序列的预测，适用于图结构未知的情况，通过优化图模型的性能分布实现学习，通过神经网络参数化，实现对离散图结构的可微分重参数化采样，提高时间上的可扩展性、预测准确性以及计算效率。

公开(公告)号：CN117974679A

公开(公告)日：2024-05-03

申请号：CN202410062111.9

申请日：2024-01-16

Applicant: 南京邮电大学 ,  江苏省未来网络创新研究院

Inventor： 赵海涛 ,  张凌豪 ,  刘鹏飞 ,  陈科齐 ,  徐波

IPC: G06T7/10 ,  G06N3/0464 ,  G06N3/045 ,  G06V10/44 ,  G06V10/25 ,  G06T5/50 ,  G06V10/77 ,  G06V10/82

Abstract: 本发明公开了一种SAM模型增强的CNN‑RoI下的图像自动裁切方法及系统包括，通过利用SAM模型对于图像分割表达图像特征的显著优势，再应用网格候选框的裁切划分思维；在此基础上，利用深度学习的CNN网络和RoI、RoD综合对图像进行特征提取和分析，找出图像中的最佳候选裁切区域，进而实现图像的自动裁切；本发明的预训练神经网络模型不仅能够适应各种不同的纵横比，而且还能输出最具视觉吸引力的裁剪结果，使得无论从色彩的搭配，还是从构图的布局，都能够提供出最为满意的裁剪效果，在处理各种主题和风格的图像时也都有良好的表现；另外，本发明实现起来也非常简单且易于部署，具有很好的应用前景。