公开(公告)号：CN119779459A

公开(公告)日：2025-04-08

申请号：CN202411939393.2

申请日：2024-12-26

Applicant: 南方科技大学

Inventor： 王瑾璠 ,  陈雅轩 ,  王钦 ,  蔡河鑫 ,  王向荣 ,  汪漪

IPC: G01G19/02 ,  G01G3/00 ,  G01G23/00 ,  G01G23/18 ,  G01B11/02 ,  G01B17/00 ,  G01B7/02

Abstract: 本发明公开了一种载具载重量的非接触式测量方法、系统、终端及介质，所述方法包括：获取车架与车桥之间悬挂装置的压缩程度，所述车架上承受载具载重量，所述车架设置在所述车桥上；基于所述压缩程度，得到所述车架与所述车桥之间的距离变化信息；基于所述距离变化信息，确定所述载具载重量的变化量，实现所述载具载重量的测量。本发明实现载具载重量的非接触式测量，在保证测量精度的同时极大延长使用寿命，安装部署快捷，维护成本较低。

公开(公告)号：CN116894218A

公开(公告)日：2023-10-17

申请号：CN202310459053.9

申请日：2023-04-18

Applicant: 南方科技大学 ,  深圳大学 ,  深圳海星港口发展有限公司

Inventor： 徐维娜 ,  王向荣 ,  吴宗泽 ,  王瑾璠 ,  袁端午

IPC: G06F18/2431 ,  G06F18/2132 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/0442 ,  G06N3/092

Abstract: 本申请公开了一种基于显著性正则化图神经网络的图分类方法及相关装置，所述方法包括获取待分类目标对应的图结构数据，并将所述图结构数据输入显著性正则化图神经网络；通过所述显著性正则化图神经网络确定所述待分类目标的分类类别；其中，所述显著性正则化图神经网络通过骨架网络学习节点特征矩阵，通过图神经记忆网络将节点特征矩阵提取为紧凑图特征表示，并基于紧凑图特征表示以及节点特征矩阵确定显著性分布向量，最后通过显著性分布向量规范骨架网络的聚合权重。这样使得显著性正则化图神经网络通过测量整紧凑图特征表示和节点特征矩阵之间的兼容性，而关注与图分类更相关的节点，并且能够为整个图学习更有效的表示，从而可以提高图分类任务的分类效果。

公开(公告)号：CN119697085A

公开(公告)日：2025-03-25

申请号：CN202411939400.9

申请日：2024-12-26

Applicant: 南方科技大学

Inventor： 蔡河鑫 ,  陈宏 ,  王瑾璠 ,  王向荣 ,  杨镕玮

IPC: H04L45/02 ,  H04L45/12 ,  H04L45/16

Abstract: 本申请公开了一种群体智能场景下的信息传播路径确定方法及相关设备，涉及网络科学技术领域，包括：获取目标网络，包括多个节点和多条用于连接节点的链路，节点包括第一类节点和第二类节点；确定各节点对应的节点相似度，一个节点对应的节点相似度用于表征节点与所有第一类节点的相似程度；确定各链路对应的链路重要度；针对目标网络中的每一节点，根据节点对应的节点相似度，以及节点与其相邻节点之间链路的链路重要度，确定节点与各相邻节点之间的信息传播重要度；根据信息传播重要度确定第一类节点到所有第二类节点的信息传播路径。如此，有利于降低所需的通信资源，且降低信息传播过程中的通信成本。

公开(公告)号：CN115458677A

公开(公告)日：2022-12-09

申请号：CN202110641733.3

申请日：2021-06-09

Applicant: 南方科技大学

Inventor： 袁怀洋 ,  王宪思 ,  翁文康 ,  王向荣

IPC: H01L43/06 ,  H01L43/04 ,  H01L43/10

Abstract: 本申请公开了一种斯格明子的驱动方法，该方法包括：在与预设的磁性薄膜所在平面垂直的方向上施加交变电场，所述磁性薄膜生成有斯格明子，以驱动所述斯格明子做呼吸运动。本申请通过对磁性薄膜施加交变电场，持续性的向磁性薄膜中的斯格明子提供能量，以驱动斯格明子进行呼吸运动，能够减少驱动斯格明子产生的热效应和霍尔效应所带来的不良影响。

公开(公告)号：CN112636998B

公开(公告)日：2022-03-08

申请号：CN202011330617.1

申请日：2020-11-24

Applicant: 鹏城实验室 ,  清华大学深圳国际研究生院 ,  南方科技大学

Inventor： 李清 ,  叶连金 ,  江勇 ,  成剑 ,  王向荣

IPC: H04L43/0805 ,  H04L43/0876 ,  H04L41/06 ,  G06N20/00

Abstract: 本发明公开了一种基于机器学习的域内故障检测方法、终端及存储介质，通过根据网络拓扑中每个节点的度数以及所述每个节点在所述网络拓扑中跳数最小的路径中出现的频率，确定监测节点；获取所述监测节点的监测数据，对所述监测数据进行特征工程，得到被监测的节点和链路的流量特征变化信息；根据预设分类算法以及所述流量特征变化信息确定故障的节点。可见，本发明中在进行域内故障检测时完全不需要使用探测包进行检测，即无需受到探测包频率的影响，并且本发明不会对影响网络性能，也不会造成网络反馈延时，因此解决了现有技术中在进行域内故障检测时难以确定合适的探测包发送频率的问题。

公开(公告)号：CN112636998A

公开(公告)日：2021-04-09

申请号：CN202011330617.1

申请日：2020-11-24

Applicant: 鹏城实验室 ,  清华大学深圳国际研究生院 ,  南方科技大学

Inventor： 李清 ,  叶连金 ,  江勇 ,  成剑 ,  王向荣

IPC: H04L12/26 ,  H04L12/24 ,  G06N20/00

Abstract: 本发明公开了一种基于机器学习的域内故障检测方法、终端及存储介质，通过根据网络拓扑中每个节点的度数以及所述每个节点在所述网络拓扑中跳数最小的路径中出现的频率，确定监测节点；获取所述监测节点的监测数据，对所述监测数据进行特征工程，得到被监测的节点和链路的流量特征变化信息；根据预设分类算法以及所述流量特征变化信息确定故障的节点。可见，本发明中在进行域内故障检测时完全不需要使用探测包进行检测，即无需受到探测包频率的影响，并且本发明不会对影响网络性能，也不会造成网络反馈延时，因此解决了现有技术中在进行域内故障检测时难以确定合适的探测包发送频率的问题。