-
公开(公告)号：CN118741596A
公开(公告)日：2024-10-01
申请号：CN202410874952.X
申请日：2024-07-02
申请人： 昆明理工大学
IPC分类号： H04W28/02 , H04W28/084 , H04W28/086 , H04W28/08 , G06N3/006 , G06N3/126
摘要： 本发明公开一种基于D2D协作的依赖任务卸载方法，属于边缘计算技术领域。本发明步骤包括：首先，收集任务和设备信息并构建优化模型，优化模型考虑了通信模型、子任务计算模型和卸载定价模型。其次，结合优化模型和相关约束条件，建立依赖任务卸载的成本优化函数。然后，设计遗传算法适应度函数和染色体编码，将成本优化函数设计为遗传算法的适应度评价函数并使用整数编码将子任务的卸载策略编码为遗传算法中的染色体。最后，计算子任务优先级确定子任务的执行顺序并使用遗传算法求解优化函数，获取最优的卸载策略。本发明通过D2D协作和遗传算法优化，实现了依赖任务卸载策略的优化，有效降低了任务执行的总成本，提高了系统的整体性能和效率。
-
公开(公告)号：CN114138494B
公开(公告)日：2024-05-10
申请号：CN202111478190.4
申请日：2021-12-06
申请人： 昆明理工大学
IPC分类号： G06F9/50
摘要： 本发明涉及一种结合节点计算能力的负载均衡方法，属于大数据集群调度技术领域。本发明首先通过抽样方法获取中间数据关键字的频次和位置，然后根据汇总的关键字信息，结合计算节点的计算能力和数据传输开销，制定中间数据的分区计划，最后在运行计算任务时，使用缓存的分区计划生成分区策略，将中间数据划分到不同Reduce分区，得出计算结果。本发明提高了集群的资源利用率，同时降低了数据传输过程中的网络开销，提升了Hadoop集群分布式计算性能。
-
公开(公告)号：CN116741269A
公开(公告)日：2023-09-12
申请号：CN202310505258.6
申请日：2023-05-08
申请人： 昆明理工大学
摘要： 本发明涉及一种融合基因特征和图卷积预测个性化癌症驱动基因的方法，属于系统生物学技术领域。本发明首先通过在基因‑基因网络中执行Deepwalk算法，学习到此网络中蕴含了节点多阶邻居信息的基因结构特征。然后，利用图卷积网络实现癌症样本亚型的预测，提取模型的参数，通过与癌症亚型预测任务关联起来可以得到融合了癌症样本亚型信息的基因特征。然后在构建的基因‑样本关联矩阵中执行图卷积学习得到基因和样本节点的邻居特征和自身特征。最后通过对得到的4个特征加权得到基因的融合特征。接下来我们通过线性相关系数解码器实现基因‑样本关联矩阵的重构，从而实现样本个性化癌症驱动基因的预测。
-
公开(公告)号：CN116527513A
公开(公告)日：2023-08-01
申请号：CN202310293089.4
申请日：2023-03-23
申请人： 昆明理工大学
IPC分类号： H04L41/14 , H04L41/147 , H04L41/16 , G06N20/00 , G06N3/006
摘要： 本发明涉及一种基于狼群优化算法的面向长尾分布数据的联邦学习方法，属于联邦学习技术领域。本发明首先由服务器向客户端分发随机初始化的模型参数；其次客户端独立使用本地数据进行训练后将模型参数上传至服务器；然后服务器利用狼群优化算法定义各客户端等级，依据客户端等级更新客户端模型参数并返回至客户端，进行下一轮本地训练；完成所有训练轮次后，服务器利用马尔可夫链式转移法则聚合出全局参数。本发明基于狼群优化算法动态寻找适应各客户端数据的最优全局模型参数，避免客户端陷入局部最优解，同时利用马尔可夫链式转移法则使聚合后的全局模型参数较客户端中的最优者有所提升，在联邦学习技术领域具有实践价值和应用前景。
-
公开(公告)号：CN115964523A
公开(公告)日：2023-04-14
申请号：CN202310020215.9
申请日：2023-01-06
申请人： 昆明理工大学
IPC分类号： G06F16/532 , G06F16/583 , G06V10/40 , G06V10/25 , G06V10/764 , G06V10/82 , G06V10/80
摘要： 本发明涉及一种服装分层特征表示和关联学习的图文匹配方法，属于计算机视觉、人工智能领域。本发明首先通过结合自定义服装结构，构建包含CNN、Faster‑RCNN、级联金字塔网络和RNN的分层特征表示模块，分别提取输入服装图像的全局、款式、结构特征和输入服装文本的描述、主语、标签特征，并进行分层表示；然后，结合四重对比和关联推理对服装图像与文本的全局和描述、款式和主语、结构和标签三层特征进行关联学习，分别得到全局、款式和结构标签三种关系向量；最后，基于三种关系向量计算相似度进行图文匹配，优化排序后得到最终的服装图文匹配结果。本发明能有效用于跨模态时尚检索，具有较高的准确率和效率。
-
公开(公告)号：CN115204571A
公开(公告)日：2022-10-18
申请号：CN202210566622.5
申请日：2022-05-24
申请人： 昆明理工大学
摘要： 本发明涉及一种防恶意竞价的众包多任务分配方法，涉及不对称信息下的激励问题，是计算机科学和经济学的交叉技术领域。本发明首先根据工人群体的偏好任务集合和对该任务集合的竞价，定义一个线性比值作为分配依据，这使得分配函数是单调的；然后根据每个工人给出的任务偏好集合和计算所得比值进行任务分配，得到被分配任务的工人集合；最后对选择的工人进行支付，支付为关键值支付，得到最终的任务分配结果。本发明根据当下众包环境和工人群体的需求，提出了多任务众包分配；并且保证了个体理性，即参与分配的工人不会有利益的亏损，侧面提高了工人的参与意愿；解决了在众包平台中工人群体恶意竞价的问题，提高了多任务分配方法的抗操纵性。
-
公开(公告)号：CN114143104B
公开(公告)日：2022-10-14
申请号：CN202111478227.3
申请日：2021-12-06
申请人： 昆明理工大学
IPC分类号： H04L9/40 , H04L67/1097
摘要： 本发明涉及一种基于动态信任模型的DPoS共识机制节点信誉值度量方法，属于区块链技术领域。本发明首先根据区块链系统中节点ai的历史行为、交互节点评价值以及节点得到的奖惩值，度量节点ai在本轮共识中的信誉值Ri；然后通过信誉值对节点进行信誉分级，将节点分为可信节点、一般节点、不可信节点；最后选择可信节点作为本轮候选节点，参与本轮共识过程，一般节点和不可信节点则不能参与本轮出块。本发明通过动态度量DPoS共识机制中节点在每轮共识过程中的信誉值，并根据信誉值对节点进行信用分级，及时剔除系统中存在恶意行为的节点，为提高DPoS共识机制的安全性提供了新的理论依据和技术基础。
-
公开(公告)号：CN116798652A
公开(公告)日：2023-09-22
申请号：CN202310505646.4
申请日：2023-05-08
申请人： 昆明理工大学
IPC分类号： G16H70/40 , G16B40/00 , G16B20/00 , G06F18/24 , G06F18/27 , G06F18/22 , G06F18/214 , G06N3/0464
摘要： 本发明涉及一种基于多任务学习的抗癌药物反应预测方法，属于系统生物学技术领域。本发明首先将药物分子指纹、细胞系基因表达和已知药物反应数据放入交互图卷积模型中，通过汇聚节点特征信息得到细胞系特征表示和药物特征表示，此部分主辅任务共享权重参数。之后主任务进行二元分类，辅助任务A和辅助任务B分别经过单独的线性变换层后进行IC50回归预测任务和相似性网络重构任务。最后通过加权求和来平衡三个任务的损失进行训练。并利用训练好的模型预测新的癌细胞系和药物反应，最后输出癌细胞系和药物敏感性的预测分数。本发明通过多任务学习，结合了IC50回归预测任务和相似性重构任务，来提高机器学习在药物敏感性预测上的效果。
-
公开(公告)号：CN115439198A
公开(公告)日：2022-12-06
申请号：CN202210912969.0
申请日：2022-07-31
申请人： 昆明理工大学
摘要： 本发明涉及一种边缘计算中基于组合拍卖的资源分配假名防范方法，属于边缘计算技术领域。本发明首先收集买卖双方的信息，计算单位价格，根据卖方要价和买方单位价格排序；其次根据收集和处理得到的信息确定配置矩阵；然后，删除分配不完全的用户和可能的假名用户；最后根据保底价格和单位价格计算获胜者的最终单位价格，得到支付矩阵。本发明通过计算用户的单位价格，并据此对用户进行排序，剔除拍卖中的部分用户以防范假名操纵，解决了边缘计算资源分配中不诚实用户通过提交多个假名来提高自身收益的问题。
-
公开(公告)号：CN115295156A
公开(公告)日：2022-11-04
申请号：CN202210131033.4
申请日：2022-02-13
申请人： 昆明理工大学
摘要： 本发明涉及一种基于关系图卷积网络融合多源信息预测miRNA‑疾病的方法，属于系统生物学技术领域。本发明首先从数据库中获取miRNA‑疾病关联关系数据、疾病‑基因关联关系数据、miRNA‑基因关联关系数据、miRNA相似性数据、疾病相似性数据和基因相似性数据；再利用miRNA‑疾病关联关系数据，疾病‑基因关联关系数据，miRNA‑基因关联关系数据分别构建miRNA‑疾病关联关系网络，疾病‑基因关联关系网络，miRNA‑基因关联关系网络；然后利用miRNA相似性数据，疾病相似性数据，基因相似性数据，构建特征矩阵。将构建好的特征矩阵先进行非线性变化，再使用关系图卷积网络学习嵌入特征，重构出miRNA‑疾病关联矩阵；最后使用均方差损失函数来训练整个模型，最后输出结果。
-
-
-
-
-
-
-
-
-
搜索结果
33 条记录 (耗时 0.028 秒)
