-
公开(公告)号：CN104144089B
公开(公告)日：2017-06-16
申请号：CN201410382172.X
申请日：2014-08-06
Applicant: 山东大学
IPC: H04L12/26
Abstract: 本发明通过获取简单的数据包包头信息生成特征值，从中选择合适的特征值作为BP神经网络的输入，得到样本训练集，然后实施抓取网络数据流提取特征作为BP神经网络的输入进行实时识别。时间窗的方法提取的特征值具有可扩展性且易于实现。选择三层的神经网络作为实现方案，通过粒子群算法(Particle Swarm Optimization，PSO)寻找具有全局最优特性的初始化权值，BP神经网络采用分布、并行的网状结构进行训练学习，使其容错性更高，处理速度更快，可以更好的完成实时识别。同时，BP神经网络是通过全局寻优的方式进行训练的，因此也具有很高的泛化能力，可以应对未来更复杂和多样的网络环境。
-
公开(公告)号：CN106331729A
公开(公告)日：2017-01-11
申请号：CN201610804697.7
申请日：2016-09-06
Applicant: 山东大学
IPC: H04N19/597 , H04N13/00
CPC classification number: H04N19/597 , H04N13/139
Abstract: 本发明利用深度图与纹理图的相关性，对深度图进行边缘块与平坦块的分类，并根据标记采用加入纹理梯度信息的块运动匹配准则得到不同宏块的运动矢量，分别对不同宏块进行运动矢量后处理及自适应插值，同时得到深度图插值帧和纹理图插值帧。相比传统的帧率上转换方法，此发明加强了对深度图边缘的处理，插入的深度图具有更好的边缘特性，插入的纹理图质量也更好。
-
公开(公告)号：CN104052639B
公开(公告)日：2017-03-22
申请号：CN201410313090.X
申请日：2014-07-02
Applicant: 山东大学
IPC: H04L12/26
Abstract: 针对现有网络流量识别方法存在的问题，提供一种基于支持向量机的低复杂度、高识别准确率、可实时的网络流量识别方法。此方法采用“时间窗口法”只从网络流的数据包头获取简单有效的特征，并选用算法复杂度低、运算量小的支持向量机算法，使其不仅能够快速建模生成分类器，而且在小样本情况下就能达到很高的识别准确率，还可以在任何时间点对网络流的多种应用进行测量识别，满足实时多应用的需求。
-
公开(公告)号：CN104144089A
公开(公告)日：2014-11-12
申请号：CN201410382172.X
申请日：2014-08-06
Applicant: 山东大学
IPC: H04L12/26
Abstract: 本发明通过获取简单的数据包包头信息生成特征值，从中选择合适的特征值作为BP神经网络的输入，得到样本训练集，然后实施抓取网络数据流提取特征作为BP神经网络的输入进行实时识别。时间窗的方法提取的特征值具有可扩展性且易于实现。选择三层的神经网络作为实现方案，通过粒子群算法(Particle Swarm Optimization，PSO)寻找具有全局最优特性的初始化权值，BP神经网络采用分布、并行的网状结构进行训练学习，使其容错性更高，处理速度更快，可以更好的完成实时识别。同时，BP神经网络是通过全局寻优的方式进行训练的，因此也具有很高的泛化能力，可以应对未来更复杂和多样的网络环境。
-
公开(公告)号：CN106331729B
公开(公告)日：2019-04-16
申请号：CN201610804697.7
申请日：2016-09-06
Applicant: 山东大学
IPC: H04N19/597 , H04N13/139
Abstract: 本发明利用深度图与纹理图的相关性，对深度图进行边缘块与平坦块的分类，并根据标记采用加入纹理梯度信息的块运动匹配准则得到不同宏块的运动矢量，分别对不同宏块进行运动矢量后处理及自适应插值，同时得到深度图插值帧和纹理图插值帧。相比传统的帧率上转换方法，此发明加强了对深度图边缘的处理，插入的深度图具有更好的边缘特性，插入的纹理图质量也更好。
-
Patent Agency Ranking
公开(公告)号：CN104519365B
公开(公告)日：2017-07-28
申请号：CN201510018281.8
申请日：2015-01-14
Applicant: 山东大学
IPC: H04N19/597 , H04N19/146 , H04N19/147
Abstract: 一种应用于3个视点视频编码的视点间比特分配方法，首先确定基本视点的编码失真对非基本视点的编码失真的影响，确定基本视点和非基本视点的率失真模型；然后，将视点间的比特分配问题转换为在有限总比特开销条件下，最小化基本视点和非基本视点的整体编码失真的问题，并求出最优解，即最优的视点间比特分配方案。该方法提高了多视点视频的编码效率，使得在相同编码码率的条件下，解码端重建的多视点视频质量更高，具有高性能、通用性强等特点，可应用于多视点视频的编码标准中。
-
公开(公告)号：CN104052639A
公开(公告)日：2014-09-17
申请号：CN201410313090.X
申请日：2014-07-02
Applicant: 山东大学
IPC: H04L12/26
Abstract: 针对现有网络流量识别方法存在的问题，提供一种基于支持向量机的低复杂度、高识别准确率、可实时的网络流量识别方法。此方法采用“时间窗口法”只从网络流的数据包头获取简单有效的特征，并选用算法复杂度低、运算量小的支持向量机算法，使其不仅能够快速建模生成分类器，而且在小样本情况下就能达到很高的识别准确率，还可以在任何时间点对网络流的多种应用进行测量识别，满足实时多应用的需求。
-
公开(公告)号：CN104539971B
公开(公告)日：2017-06-30
申请号：CN201510018246.6
申请日：2015-01-14
Applicant: 山东大学
IPC: H04N19/597
Abstract: 一种应用于2个视点视频编码的视点间比特分配方法，首先确定基本视点的编码失真对非基本视点的编码失真的影响，确定基本视点和非基本视点的率失真模型；然后，将视点间的比特分配问题转换为在有限总比特开销条件下，最小化基本视点和非基本视点的整体编码失真的问题，并求出最优解，即最优的视点间比特分配方案。该方法提高了多视点视频的编码效率，使得在相同编码码率的条件下，解码端重建的多视点视频质量更高，具有高性能、通用性强等特点，可应用于多视点视频的编码标准中。
-
公开(公告)号：CN104539971A
公开(公告)日：2015-04-22
申请号：CN201510018246.6
申请日：2015-01-14
Applicant: 山东大学
IPC: H04N19/597
Abstract: 一种应用于2个视点视频编码的视点间比特分配方法，首先确定基本视点的编码失真对非基本视点的编码失真的影响，确定基本视点和非基本视点的率失真模型；然后，将视点间的比特分配问题转换为在有限总比特开销条件下，最小化基本视点和非基本视点的整体编码失真的问题，并求出最优解，即最优的视点间比特分配方案。该方法提高了多视点视频的编码效率，使得在相同编码码率的条件下，解码端重建的多视点视频质量更高，具有高性能、通用性强等特点，可应用于多视点视频的编码标准中。
-
公开(公告)号：CN104519365A
公开(公告)日：2015-04-15
申请号：CN201510018281.8
申请日：2015-01-14
Applicant: 山东大学
IPC: H04N19/597 , H04N19/146 , H04N19/147
Abstract: 一种应用于3个视点视频编码的视点间比特分配方法，首先确定基本视点的编码失真对非基本视点的编码失真的影响，确定基本视点和非基本视点的率失真模型；然后，将视点间的比特分配问题转换为在有限总比特开销条件下，最小化基本视点和非基本视点的整体编码失真的问题，并求出最优解，即最优的视点间比特分配方案。该方法提高了多视点视频的编码效率，使得在相同编码码率的条件下，解码端重建的多视点视频质量更高，具有高性能、通用性强等特点，可应用于多视点视频的编码标准中。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.018 seconds)
