-
公开(公告)号：CN113963436A
公开(公告)日：2022-01-21
申请号：CN202111196326.2
申请日：2021-10-14
Applicant: 山东大学 , 深圳市美伦工程科技有限公司
IPC: G06V40/20 , G06V20/52 , G06V10/56 , G06V10/774 , G06K9/62
Abstract: 本发明公开了基于深度学习的安全帽识别增量学习与角色判定方法，通过RTSP对摄像头进行取流操作，然后对采集到的视频跳帧处理。记录训练数据加入数据集的批次信息，在新的训练数据加入后对网络微调实现增量学习；根据批次确定学习规则，避免灾难性遗忘。对视频中不同颜色安全帽以及不戴安全帽的情况进行检测识别，在判定不戴安全帽不安全行为的同时，对戴安全帽的人员通过安全帽颜色确定人员角色。本发明将目标检测技术与工厂的安全机制相结合，完成风险检测预警系统，在节省了大量人力物力的同时，提高了工厂的安全防护机制，完善了工厂管理制度，维护了人员的生命健康安全。
-
公开(公告)号：CN113963436B
公开(公告)日：2025-01-17
申请号：CN202111196326.2
申请日：2021-10-14
Applicant: 山东大学 , 深圳市美伦工程科技有限公司
IPC: G06V40/20 , G06V20/52 , G06V10/56 , G06V10/774 , G06V40/10 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了基于深度学习的安全帽识别增量学习与角色判定方法，通过RTSP对摄像头进行取流操作，然后对采集到的视频跳帧处理。记录训练数据加入数据集的批次信息，在新的训练数据加入后对网络微调实现增量学习；根据批次确定学习规则，避免灾难性遗忘。对视频中不同颜色安全帽以及不戴安全帽的情况进行检测识别，在判定不戴安全帽不安全行为的同时，对戴安全帽的人员通过安全帽颜色确定人员角色。本发明将目标检测技术与工厂的安全机制相结合，完成风险检测预警系统，在节省了大量人力物力的同时，提高了工厂的安全防护机制，完善了工厂管理制度，维护了人员的生命健康安全。
-
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。
-
公开(公告)号：CN119271382B
公开(公告)日：2025-04-18
申请号：CN202411803520.6
申请日：2024-12-10
Applicant: 山东大学
Abstract: 本申请属于Linux内核调度器技术领域，具体涉及一种Linux内核调度器参数优化系统及方法，包括数据采集模块、大模型训练与优化模块、内核调度器模块、代码生成与验证模块、小模型训练模块、小模型推理模块；大模型负责周期性地提供全局优化的视角，生成小模型的初始权重和调度器原型，从长期积累的数据中提取规律，确保优化策略具有全局视野。同时，小模型则作为局部适配器，实时处理内核态的动态调度需求。这种分层优化机制能够平衡短期适应性和长期性能提升。
-
公开(公告)号：CN119835267A
公开(公告)日：2025-04-15
申请号：CN202510325051.X
申请日：2025-03-19
Applicant: 山东大学
Abstract: 本申请涉及网络通信技术领域，公开一种存算分离存储系统及提高该系统网络传输效率的方法。本发明通过在Ethernet‑SSD中集成轻量级TCP/IP协议栈、RDMA技术、协程调度机制和硬件加速模块，有效解决了传统存储架构在高并发、大吞吐量数据访问场景下的性能瓶颈。通过优化存储系统的各个环节，Ethernet‑SSD在提供高效数据传输的同时，也实现了任务调度和资源管理的最大化利用，确保了系统在高负载和高并发环境下的稳定性与高效性。为分布式存储、云计算和高性能计算等领域提供了一个高效可靠的存储解决方案，具有广泛的应用前景。
-
Patent Agency Ranking
公开(公告)号：CN114595836B
公开(公告)日：2025-04-08
申请号：CN202210183917.4
申请日：2022-02-28
Applicant: 山东大学
IPC: G06N20/20 , G06F21/64 , H04L9/30 , H04L9/32 , H04L67/1097
Abstract: 本发明涉及区块链、机器学习技术领域，具体涉及基于拜占庭容错与隐私保护的去中心化机器学习方法及系统。一种基于拜占庭容错与隐私保护的去中心化机器学习方法，包括：初始化阶段：每个节点生成一个密钥对(pk，vk)和唯一标识符id，所有节点建立连接；每个节点初始化其信誉值ω、学习速率γ以及训练轮数T、梯度、参数；训练阶段：所有节点都以相同的初始参数开始训练，每轮训练包括梯度计算和区块链共识；其中区块链共识由本轮选举出的领导节点负责。本发明提供的方法，使用拜占庭共识算法确保了多轮模型转换的一致性，同时提供了在每轮检测和过滤拜占庭梯度的有效方法。节点使用本地训练数据计算梯度，只与节点共享受扰动梯度，提供强大的隐私保护功能。
-
公开(公告)号：CN119485503A
公开(公告)日：2025-02-18
申请号：CN202510031132.9
申请日：2025-01-09
Applicant: 山东大学
IPC: H04W28/084 , H04W28/08 , H04B7/185 , G06N3/0464 , G06N3/042 , G06N3/098
Abstract: 本发明公开了一种星地融合网络调度方法、装置、介质和设备，涉及星地融合网络技术领域。应用于包括多个地面用户、中央服务器和多个卫星的星地融合网络；该地面用户以卫星作为卸载单元卸载模型参数至中央服务器，每个地面用户本地执行通信优化，先确定本地计算时间表示，对各地面用户的本地模型进行量化模型分析，确定每个本地模型的权重参数对应的量化比特数目以确定本地量化模型参数，再确定每个地面用户的传输时间表示，以确定联邦图学习的总时延，之后构建联邦图优化模型并求解，使各地面用户与各卫星在求解得到的各优化变量对应工作参数下进行联邦图学习以进行网络调度。本发明降低了传输时延且能够得到更好的卸载决策。
-
公开(公告)号：CN118051035B
公开(公告)日：2024-08-09
申请号：CN202410444105.X
申请日：2024-04-15
Applicant: 山东大学
IPC: G05B19/418
Abstract: 本发明属于AGV调度技术领域，具体涉及一种基于局部距离视野强化学习的多AGV调度方法。所述方法包括：根据地图信息构建拓扑图；将拓扑图信息转化为基于局部视野的距离信息，以局部视野的距离信息表示每个AGV智能体的当前状态；构建强化学习环境；在所述强化学习环境中构建强化学习模型，地图中的多个AGV利用A2C强化学习方法进行分布式的强化学习训练，以实现高效的分布式多AGV协同调度。本发明提供的方法将每个AGV作为独立的智能体，通过局部视野距离表示AGV状态，利用强化学习算法逐步优化调度策略，以实现高效的分布式多AGV协同调度。
-
公开(公告)号：CN118444646A
公开(公告)日：2024-08-06
申请号：CN202410610018.7
申请日：2024-05-16
IPC: G05B19/418 , G06F18/214 , G06F18/20
Abstract: 本发明属于资源调度技术领域，具体涉及一种基于自注意力机制强化学习的拓扑图上AGV调度方法。该方法包括：构建基于拓扑图的强化学习环境；构建基于自注意力机制的强化学习模型；所述模型由策略网络和价值网络组成；利用基于拓扑图的强化学习环境对经过预训练的模型进行强化学习训练；利用训练好的模型输出AGV调度策略。与传统的AGV调度方法相比，本发明具有更高的灵活性和适应性，能够处理更复杂的拓扑结构和动态变化的运行环境。该发明可广泛应用于智能制造、仓储物流等领域，有助于提高企业的生产效率、降低生产成本。
-
公开(公告)号：CN114090835B
公开(公告)日：2024-07-23
申请号：CN202111404046.6
申请日：2021-11-24
Applicant: 山东大学
IPC: G06F16/901
Abstract: 本发明公开了一种基于属性图信息的社团检测方法，包括以下步骤：S1：对复杂网络的数据进行预处理，构造网络图；S2：将网络图构造成属性图，其中包括：将两个节点之间的关系强度映射成所在边上的权重，每个节点的强度映射成节点上的权重；S3：给定查询节点q和正整数k，在属性图上计算极大(s,c,k)‑clique的模型；S4：优化计算极大(s,c,k)‑clique的模型的算法。其优点在于，利用极大(s,c,k)‑clique的模型，有效的解决了属性图中对社团的检测问题。本发明中提出的模型既考虑了网络的拓扑结构，又充分挖掘了顶点和边上的属性值，从而保证最终找到的社团的质量。
-
-
-
-
-
-
-
-
-
Search Results
201
records
(took 0.07 seconds)
