-
公开(公告)号：CN113344119B
公开(公告)日：2024-07-12
申请号：CN202110718610.5
申请日：2021-06-28
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
IPC: G06V10/776 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V20/52
Abstract: 本发明是一种工业物联网复杂环境下的小样本烟雾监测方法，该监测方法利用两条并行分支实现烟雾检测，具体包括如下步骤：S1、第一条分支利用条件生成对抗网络生成数据集，将生成的数据集输入卷积神经网络中进行训练，将参数固定；S2、第二条分支采用迁移学习方法对源域图片和目标域的图片传入卷积神经网络进行训练，S3、将步骤S1和S2得到的概率进行加权得到新的概率，概率最高的标签即为所属类别，从而实现小样本下的烟雾检测。本发明结合了生成对抗网络和迁移学习方法，前者通过扩充数据集来解决小样本的问题，后者通过迁移学习来解决，二者结合，使得该模型即使在只有少量样本的情况下也能很好地在有雪环境下对烟雾进行监控。
-
公开(公告)号：CN113344119A
公开(公告)日：2021-09-03
申请号：CN202110718610.5
申请日：2021-06-28
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
Abstract: 本发明是一种工业物联网复杂环境下的小样本烟雾监测方法，该监测方法利用两条并行分支实现烟雾检测，具体包括如下步骤：S1、第一条分支利用条件生成对抗网络生成数据集，将生成的数据集输入卷积神经网络中进行训练，将参数固定；S2、第二条分支采用迁移学习方法对源域图片和目标域的图片传入卷积神经网络进行训练，S3、将步骤S1和S2得到的概率进行加权得到新的概率，概率最高的标签即为所属类别，从而实现小样本下的烟雾检测。本发明结合了生成对抗网络和迁移学习方法，前者通过扩充数据集来解决小样本的问题，后者通过迁移学习来解决，二者结合，使得该模型即使在只有少量样本的情况下也能很好地在有雪环境下对烟雾进行监控。
-
公开(公告)号：CN116599773A
公开(公告)日：2023-08-15
申请号：CN202310868328.4
申请日：2023-07-14
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请提供一种自适应设备安全风险评估方法、装置、设备及系统，该方法包括：接收安全风险评估任务；确定与安全风险评估任务匹配的目标中继模块；与目标中继模块建立通信连接，并将目标地址发送给目标中继模块，以使目标中继模块依据目标地址，与被测目标建立通信连接，并将被测目标的监听端口信息发送给中心平台；在监听到安全评估扫描请求的情况下，依据被测目标的监听端口信息，通过目标中继模块，将安全评估扫描请求转发至被测目标的监听端口，并接收被测目标通过目标中继模块返回的扫描结果数据；依据获取到的扫描结果数据，确定安全风险评估结果。该方法可以简化跨网络、网段、隔离设备场景下的设备风险安全评估的实现。
-
Patent Agency Ranking
公开(公告)号：CN113312105B
公开(公告)日：2023-05-02
申请号：CN202110619282.3
申请日：2021-06-03
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
IPC: G06F9/445 , G06F9/50 , G06N20/00 , H04L67/1004 , H04L67/12
Abstract: 本发明是一种基于Q学习的车辆任务部分卸载策略方法，该方法应用在车载自组织网络中，方法步骤如下：对于移动车辆终端所请求的任务，进行任务分类，排除两种极端的任务类型，将时延极其敏感的任务直接进行本地卸载，将需要计算资源量大的任务全部卸载到MEC服务器进行计算。其次，对于剩下的不容易判断类型的业务，定义任务分类因子为βn，筛选出其中一部分时延不大敏感，计算资源量也一般的任务，对筛选出的任务进行基于Q学习的部分卸载。最后，当所有移动车辆用户终端所请求任务的卸载决策确定后，将对每个MEC服务器中的用户进行计算资源的分配。本发明的策略方法充分利用本地资源和服务器资源，降低系统总开销。
-
公开(公告)号：CN113296845B
公开(公告)日：2022-10-14
申请号：CN202110619280.4
申请日：2021-06-03
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
Abstract: 本发明公开一种边缘计算环境下基于深度强化学习的多小区任务卸载算法，提出了一种改进的双深度Q网络算法，并基于双深度Q网络算法进行任务卸载算法设计，并将MEC边缘控制平台作为智能体与车联网环境进行交互，旨在相同的资源下优化任务处理速率与任务执行时延，另外在复杂业务场景下，针对DQN算法中存在的过估计问题，对DQN算法中的Q值函数进行改进，提高模型选择最优卸载策略的能力，本方案可以显著的提高计算与存储资源的利用率、有效降低车辆终端的任务执行时延，大幅度提高边缘侧计算与存储资源的利用率，并且算法收敛效率高于传统的DQN算法，解决了任务的最佳卸载比例问题，能够更有效地降低任务的执行时延。
-
公开(公告)号：CN113312105A
公开(公告)日：2021-08-27
申请号：CN202110619282.3
申请日：2021-06-03
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
Abstract: 本发明是一种基于Q学习的车辆任务部分卸载策略方法，该方法应用在车载自组织网络中，方法步骤如下：对于移动车辆终端所请求的任务，进行任务分类，排除两种极端的任务类型，将时延极其敏感的任务直接进行本地卸载，将需要计算资源量大的任务全部卸载到MEC服务器进行计算。其次，对于剩下的不容易判断类型的业务，定义任务分类因子为βn，筛选出其中一部分时延不大敏感，计算资源量也一般的任务，对筛选出的任务进行基于Q学习的部分卸载。最后，当所有移动车辆用户终端所请求任务的卸载决策确定后，将对每个MEC服务器中的用户进行计算资源的分配。本发明的策略方法充分利用本地资源和服务器资源，降低系统总开销。
-
公开(公告)号：CN113296845A
公开(公告)日：2021-08-24
申请号：CN202110619280.4
申请日：2021-06-03
Applicant: 南京邮电大学 , 杭州海康威视数字技术股份有限公司
Abstract: 本发明公开一种边缘计算环境下基于深度强化学习的多小区任务卸载算法，提出了一种改进的双深度Q网络算法，并基于双深度Q网络算法进行任务卸载算法设计，并将MEC边缘控制平台作为智能体与车联网环境进行交互，旨在相同的资源下优化任务处理速率与任务执行时延，另外在复杂业务场景下，针对DQN算法中存在的过估计问题，对DQN算法中的Q值函数进行改进，提高模型选择最优卸载策略的能力，本方案可以显著的提高计算与存储资源的利用率、有效降低车辆终端的任务执行时延，大幅度提高边缘侧计算与存储资源的利用率，并且算法收敛效率高于传统的DQN算法，解决了任务的最佳卸载比例问题，能够更有效地降低任务的执行时延。
-
公开(公告)号：CN116599773B
公开(公告)日：2023-09-19
申请号：CN202310868328.4
申请日：2023-07-14
Applicant: 杭州海康威视数字技术股份有限公司
Abstract: 本申请提供一种自适应设备安全风险评估方法、装置、设备及系统，该方法包括：接收安全风险评估任务；确定与安全风险评估任务匹配的目标中继模块；与目标中继模块建立通信连接，并将目标地址发送给目标中继模块，以使目标中继模块依据目标地址，与被测目标建立通信连接，并将被测目标的监听端口信息发送给中心平台；在监听到安全评估扫描请求的情况下，依据被测目标的监听端口信息，通过目标中继模块，将安全评估扫描请求转发至被测目标的监听端口，并接收被测目标通过目标中继模块返回的扫描结果数据；依据获取到的扫描结果数据，确定安全风险评估结果。该方法可以简化跨网络、网段、隔离设备场景下的设备风险安全评估的实现。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.034 seconds)
