-
公开(公告)号：CN116643119A
公开(公告)日：2023-08-25
申请号：CN202310589262.5
申请日：2023-05-24
Applicant: 山东大学 , 国网山东省电力公司信息通信公司
Abstract: 本发明属于数据挖掘技术领域，特别涉及一种基于中介中心性的电网级联故障关键节点探测方法。所述方法包括：对电力网络中众多不同类别的实体及实体间的传输关系构建异构图；在所述异构图中选择元路径为顶点之间的传输方式；在元路径规定的同类顶点的传输方式中，根据其他类别的顶点对同类顶点之间的传输方式的不同影响，将所述同类顶点的传输方式划分为多种传输子方式；计算所述异构图中顶点的中介中心性，即CBC值，用于识别电网级联故障关键节点；选择所述异构图中CBC值最大的k个顶点作为电网级联故障关键节点。本发明中提出的算法能够计算异构图中所有顶点的精确CBC值，识别电网级联故障关键节点。
-
公开(公告)号：CN115633314A
公开(公告)日：2023-01-20
申请号：CN202211135670.5
申请日：2022-09-19
Applicant: 山东大学 , 国网山东省电力公司信息通信公司
Abstract: 本发明属于边缘计算技术领域，具体涉及一种基于信息优先级的分布式边缘计算信息调度方法，包括以下步骤：S1.构建分布式通信场景；S2.构建动态网络拓扑结构和信息注入模型，同时终端结点根据消息的紧急程度，为注入的消息赋予不同的优先级；S3.边缘结点广播本轮的基准概率，终端结点根据基准概率设置本轮传输概率；S4.终端设备从消息队列中按照消息优先级的所占比随机选择一个待发送消息，在传输阶段以S3中得到的本轮传输概率进行传输，同时边缘结点监听信道并根据此时的信道状态动态调整下一轮的基准概率；S5.边缘结点对传输阶段中成功收到的信息进行反馈。其优点在于，解决了多个终端结点和一个边缘设备进行无线通信的问题。
-
公开(公告)号：CN114677587A
公开(公告)日：2022-06-28
申请号：CN202210261781.4
申请日：2022-03-17
Applicant: 山东大学 , 国网山东省电力公司信息通信公司
Abstract: 本发明公开了一种基于密集连接的特征金字塔遥感图像语义分割网络，包括以下步骤，（1）设计多个密集连接块DB模块，每个密集连接块DB模块之后添加过渡层，作为特征提取模块；（2）每个密集连接块DB模块的输出的特征图组成特征金字塔；（3）设计每个优化单元分别接收对应的密集连接块DB模块的输出作为输入，所有优化单元和一个拼接单元作为特征金字塔融合模块；（4）将训练集图像输入到网络中训练并保存最佳语义分割网络模型，通过最佳网络模型得到最终分割结果。其优点在于，增强了网络的特征提取能力，特征金字塔融合模块中的优化单元充分利用了各层级特征，增强了网络的空间信息恢复能力，提高了分割的精确度。
-
公开(公告)号：CN112989369B
公开(公告)日：2022-03-25
申请号：CN202110176369.8
申请日：2021-02-09
Applicant: 山东大学 , 国网山东省电力公司信息通信公司
Abstract: 本发明公开了一种适用于动态分布式物联网系统的数据加密学习方法，包括以下步骤：初始化物联网络相关的全局参数；梯度计算过程；加噪处理过程；边缘物联设备间信息传递过程；计算权重矩阵过程；参数更新过程。本发明首次将数据加密方法用于动态分布式物联网系统，该方法可以在去中心化的动态网络模型下，每个边缘物联设备单独训练数据实现学习算法最终的收敛，并且每个边缘物联设备所存储的训练集会有差异，同时通过拉普拉斯加噪阶段在一定程度上保证网络中每个边缘物联设备的本地数据的安全。
-
公开(公告)号：CN112989369A
公开(公告)日：2021-06-18
申请号：CN202110176369.8
申请日：2021-02-09
Applicant: 山东大学 , 国网山东省电力公司信息通信公司
Abstract: 本发明公开了一种适用于动态分布式物联网系统的数据加密学习方法，包括以下步骤：初始化物联网络相关的全局参数；梯度计算过程；加噪处理过程；边缘物联设备间信息传递过程；计算权重矩阵过程；参数更新过程。本发明首次将数据加密方法用于动态分布式物联网系统，该方法可以在去中心化的动态网络模型下，每个边缘物联设备单独训练数据实现学习算法最终的收敛，并且每个边缘物联设备所存储的训练集会有差异，同时通过拉普拉斯加噪阶段在一定程度上保证网络中每个边缘物联设备的本地数据的安全。
-
Patent Agency Ranking
公开(公告)号：CN116095078A
公开(公告)日：2023-05-09
申请号：CN202310038795.4
申请日：2023-01-12
Applicant: 山东大学 , 国网山东省电力公司信息通信公司
Abstract: 本发明属于感知设备用户行为及心理监测技术领域，具体涉及一种基于端边云架构的用户行为及心理监测系统，云端监测平台通过边缘计算设备与用户交互终端进行连接；系统流程为用户交互终端通过多模态感知模块收集用户心理、行为、生理等不同模态数据上传至边缘计算设备，边缘计算设备对用户实时数据进行快速决策，云端监测平台对非实时数据进行分析判断，展示告警，更新算法模型；本发明优点在于，端边云架构很好的区分处理了实时和非实时数据，分担了云计算压力，减少了数据丢失风险；支持边缘计算设备的算法模型更新；可以及时提醒监管人员对异常个体进行干预，防止事态进一步恶化，充分利用相对匮乏的心理医疗资源。
-
公开(公告)号：CN115620370A
公开(公告)日：2023-01-17
申请号：CN202211309647.3
申请日：2022-10-25
Applicant: 山东大学 , 国网山东省电力公司信息通信公司
IPC: G06V40/16 , G06V10/82 , G06V10/764 , G06V10/762
Abstract: 本发明公开了一种基于多模态聚类联邦学习的情绪识别方法，包括如下步骤：采集多个用户的多模态数据在本地使用深度学习模型进行训练，得到各用户的模型参数；将模型参数上传到服务器；服务器执行自动聚类算法，将模型参数分为多个簇，并对每个簇中的模型参数执行联邦平均算法，得到该簇的新模型参数；将新模型参数下发至对应的用户，更新该用户的旧模型参数；迭代计数器rs自增1，判断当前轮数是否达到预定的训练轮数Rs，如果rs＜Rs，则返回步骤一；如果rs＝Rs，则训练完成，利用训练好的模型进行情绪识别。本发明所公开的方法可以保护用户隐私，解决数据源不足的问题，并且解决了多模态数据存在异构性的问题，实现情绪的准确识别。
-
公开(公告)号：CN113301134B
公开(公告)日：2022-01-07
申请号：CN202110527516.1
申请日：2021-05-14
Applicant: 山东大学 , 南瑞集团有限公司 , 国网山东省电力公司信息通信公司
IPC: H04L67/12 , H04L9/40 , H04L67/562
Abstract: 本发明公开了一种适用于边缘物联代理装置的容错型协作决策的方法，包括以下步骤，S1.初始化物联网络相关的全局参数，各边缘物联代理初始化本地缓存区中令牌及数据，准备开始迭代；S2.采样学习过程：每个边缘物联代理根据其上次采用的选项的值进行不同方式的采样，S3.采用更新过程：边缘物联代理装置根据采样得到的数据进行选择，如果达到预期收益则存储新的参数，并将上次采用的选项的参数值进行更新迭代。其优点在于，该方法可容纳少量恶意的边缘物联代理，即使这些恶意代理装置发送错误信息去干扰物联网络，只有恶意代理数目不超过一定的限制，我们的方法依旧能让正常的边缘物联代理收敛到最优选项。
-
公开(公告)号：CN113301134A
公开(公告)日：2021-08-24
申请号：CN202110527516.1
申请日：2021-05-14
Applicant: 山东大学 , 南瑞集团有限公司 , 国网山东省电力公司信息通信公司
Abstract: 本发明公开了一种适用于边缘物联代理装置的容错型协作决策的方法，包括以下步骤，S1.初始化物联网络相关的全局参数，各边缘物联代理初始化本地缓存区中令牌及数据，准备开始迭代；S2.采样学习过程：每个边缘物联代理根据其上次采用的选项的值进行不同方式的采样，S3.采用更新过程：边缘物联代理装置根据采样得到的数据进行选择，如果达到预期收益则存储新的参数，并将上次采用的选项的参数值进行更新迭代。其优点在于，该方法可容纳少量恶意的边缘物联代理，即使这些恶意代理装置发送错误信息去干扰物联网络，只有恶意代理数目不超过一定的限制，我们的方法依旧能让正常的边缘物联代理收敛到最优选项。
-
公开(公告)号：CN114708553B
公开(公告)日：2025-04-25
申请号：CN202210370808.3
申请日：2022-04-11
Applicant: 山东大学
IPC: G06V20/52 , G06N3/0464 , G06N3/08 , G06V10/774 , G06V10/82 , G06V10/80
Abstract: 本发明公开了一种基于多任务多视图增量学习的用户行为识别方法，包括以下步骤，S1.采集活动姿态数据，将数据划分多个部分，并根据参与训练的人员确定任务数量以及每个任务的视图数量，初始化每个阶段的参数；S2.利用多任务多视图深度神经网络为传感器数据提取特征；S3.参数更新，通过计算多个损失函数，并通过反向传播进行参数更新；S4.所有阶段训练结束，获得最终的预测结果。其优点在于，MTMVIS使用多任务多视图深度神经网络的每一层分别提取特征，并为每个任务使用注意力层加权多任务多视图深度神经网络所有层的输出作为最终的输出层。MTMVIS使用自适应权重巩固来减轻灾难性遗忘问题并增强模型可扩展性。
-
-
-
-
-
-
-
-
-
Search Results
199
records
(took 0.059 seconds)
