-
公开(公告)号：CN114710744B
公开(公告)日：2023-03-21
申请号：CN202210378315.4
申请日：2022-04-12
Applicant: 电子科技大学
Abstract: 本发明提供了一种深度融合WiFi测距与PDR推算的室内定位方法，属于WiFi定位技术领域，包括以下步骤：在定位场景中采集WiFi数据；处理采集的WiFi的RSSI数据，并对RSSI排序，进行RSSI测距，得到WiFi测距量；获取传感器数据，计算行人的前进方向、步长，进行行人航位推算，得到行人的预测位置；通过WiFi测距量、行人的前进方向、步数和步长，自适应调整扩展卡尔曼滤波的过程噪声和观测噪声；将过程噪声、观测噪声、WiFi测距量、行人预测位置和WiFi位置作为输入，利用自适应扩展卡尔曼滤波器融合WiFi测距量、行人的预测位置和WiFi位置，得到行人估计位置坐标。本发明在定位精度上比传统的三角定位和PDR定位的定位精度有所提升。
-
公开(公告)号：CN114710744A
公开(公告)日：2022-07-05
申请号：CN202210378315.4
申请日：2022-04-12
Applicant: 电子科技大学
Abstract: 本发明提供了一种深度融合WiFi测距与PDR推算的室内定位方法，属于WiFi定位技术领域，包括以下步骤：在定位场景中采集WiFi数据；处理采集的WiFi的RSSI数据，并对RSSI排序，进行RSSI测距，得到WiFi测距量；获取传感器数据，计算行人的前进方向、步长，进行行人航位推算，得到行人的预测位置；通过WiFi测距量、行人的前进方向、步数和步长，自适应调整扩展卡尔曼滤波的过程噪声和观测噪声；将过程噪声、观测噪声、WiFi测距量、行人预测位置和WiFi位置作为输入，利用自适应扩展卡尔曼滤波器融合WiFi测距量、行人的预测位置和WiFi位置，得到行人估计位置坐标。本发明在定位精度上比传统的三角定位和PDR定位的定位精度有所提升。
-
公开(公告)号：CN113159319A
公开(公告)日：2021-07-23
申请号：CN202110295204.2
申请日：2021-03-19
Applicant: 电子科技大学 , 成都畅联众智科技有限公司
Abstract: 本发明公开了一种基于遗传算法的区块链共识节点待打包数据选取方法，包括以下步骤：S1：矿工从P2P网络接收待打包数据，并得到每个待打包数据的体积最大值、尘埃阈值和输出值；S2：验证每个待打包数据的合法性，并放入待打包数据池；S3：利用矿工从待打包数据池中获取合法的待打包数据，并得到每笔合法的待打包数据的激励值和体积，并给定区块容量、遗传算法的最大迭代次数、交叉概率和变异概率；S4：利用遗传算法确定总激励值最高的待打包数据组合，完成待打包数据选取。本发明使用遗传算法，求出矿工选择待打包数据打包进入区块的过程中具有最大激励值的最优解，从而提高矿工挖矿过程获得的激励值。
-
公开(公告)号：CN117061552A
公开(公告)日：2023-11-14
申请号：CN202311023673.4
申请日：2023-08-15
Applicant: 电子科技大学
IPC: H04L67/12 , H04L9/40 , H04L9/00 , H04L67/06 , H04L67/60 , H04L41/22 , G06N3/0442 , G06F21/60 , G06F21/31 , G06Q10/20
Abstract: 本发明提出了一种用于车辆电池寿命预测的区块链智能合约系统及方法，保障了新能源车辆数据的安全性和可靠性，同时实现更高效的电池健康的管理。本发明采用区块链智能合约技术，提高了数据的安全性和可追溯性，并使车辆电池数据的收集和下载更加方便。本发明基于多维度模块构建的系统为车辆使用者提供可视化预测数据和更方便的电池健康状态管理，有效解决了新能源车辆中电池寿命预测方面的问题，为新能源汽车的可持续发展提供了支持。
-
公开(公告)号：CN115099529A
公开(公告)日：2022-09-23
申请号：CN202210928914.9
申请日：2022-08-03
Applicant: 电子科技大学
Abstract: 本发明公开了一种高考院校录取分数预测与志愿推荐的算法，包括以下步骤：S1：收集各高校录取信息以及不同省份的高考分数与位次信息。S2：将收集到的各所高校信息进行筛选，剔除无用数据。S3：对整理后的高校信息进行归一化处理，减小差异样本对数据产生的影响。S4：利用XGBoost对高校当年在该省的成绩进行回归预测，预测出该高校的录取分数。S5：根据考生提供的分数、意向省份等信息，推荐出适合的高校，并提出稳定、可冲、危险三个推荐范围内的高校。本发明通过分析历史上高校的高考录取成绩，预测当年高校的录取分数，并提供考生填报高考志愿的参考信息。
-
Patent Agency Ranking
公开(公告)号：CN114863169A
公开(公告)日：2022-08-05
申请号：CN202210453041.0
申请日：2022-04-27
Applicant: 电子科技大学
IPC: G06V10/764 , G06V10/774 , G06N20/00 , G06N20/20 , G06K9/62
Abstract: 本发明提供了一种结合并行集成学习和联邦学习的图像分类方法，包括以下步骤：S1：每个客户端确定参与训练的数据集，并协商确定训练使用的各种参数；S2：客户端之间使用参与训练的数据集和协商确定的参数，采用联邦学习的方式并行训练，得到训练后的基础模型；S3：客户端使用未参与训练的基础模型得到预测结果，结合原有的标签得到元模型的训练数据集；S4：客户端使用未参与训练的基础模型得到预测结果，结合原有的标签得到元模型的训练数据集；S5：将要分类的图像输入训练好的基础模型，再将得到的预测结果输入训练好的元模型，得到最终的分类结果。本发明通过并行集成学习的方式，提升了联邦学习在非独立同分布数据集下的图像分类性能。
-
公开(公告)号：CN112083950A
公开(公告)日：2020-12-15
申请号：CN202010958716.8
申请日：2020-09-14
Applicant: 电子科技大学
IPC: G06F8/71
Abstract: 本发明公开了一种基于分支限界法的区块链共识节点待打包数据选取方法，包括以下步骤：S1、从P2P网络接收每个待打包数据，得到待打包数据的体积最大值、尘埃阈值和其对应的输出；S2、将未纳入区块且验证合法的待打包数据存储进待打包数据池；S3、从待打包数据池获取N个待打包数据，并计算单位激励值；S4、对N个待打包数据降序排列；S5、将排序后的待打包数据分为3个集合；S6、求解最大激励值；S7、将最大激励值对应的待打包数据打包进区块，实现区块链共识节点选取待打包数据；本发明解决了现有在采用PoW共识机制的区块链应用中，基于优先级来选择待打包数据打包进入区块，获得的结果不是全局最优解的问题。
-
公开(公告)号：CN116740954A
公开(公告)日：2023-09-12
申请号：CN202310522305.8
申请日：2023-05-10
Applicant: 电子科技大学
Abstract: 本发明公开了一种多暂态有限状态机的地磁车辆检测方法，属于车辆检测领域，该方法包括对地磁传感器采集到的含噪声的原始地磁信号进行预处理，对所述原始地磁信号使用平移不变量小波去噪方法得到滤波后信号，并利用滑动窗口计算得出原始地磁信号的方差序列，将所述方差序列和滤波后信号输入多暂态状态机，状态机输出最终的车辆检测结果。本发明采用平移不变量小波去噪方法对原始含噪信号进行预处理，并提出一种基于方差信号的多暂态状态机车辆检测算法，在标准停车场中进行的实验结果表明，本发明所提出的算法相比于经典的车辆检测算法在准确率上有较大提升，为建立智慧停车系统、提升车辆管理效率提供了理论支撑，此外，本算法对于弱磁性车辆等特殊情况也能准确检测，适用范围更加广泛。
-
公开(公告)号：CN116488825A
公开(公告)日：2023-07-25
申请号：CN202310468532.7
申请日：2023-04-27
Applicant: 电子科技大学
IPC: H04L9/32
Abstract: 本发明提供了一种用于数据确权和数据溯源的非同质化通证的管理和验证方法，包括以下步骤：S1：NFT管理机构部署NFT管理智能合约，并公开相对应的NFT智能合约接口标准；S2：NFT智能合约拥有者根据接口标准实现并部署智能合约，然后向NFT管理智能合约请求注册；S3：NFT智能合约用户向NFT智能管理合约请求铸造NFT，NFT智能管理合约调用安全铸造函数进行NFT铸造；S4：NFT智能合约用户可通过NFT智能合约对NFT进行交互，如转移和销毁；S5：当NFT智能合约发生异常情况时，NFT智能合约拥有者可主动或被动的注销NFT智能合约。
-
公开(公告)号：CN116415655A
公开(公告)日：2023-07-11
申请号：CN202310447005.8
申请日：2023-04-24
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于有向无环图的去中心化异步联邦学习方法，包括以下步骤：S1：在智能合约中初始化全局有向无环图和联邦学习训练相关参数；S2：各客户端使用基于累计权重的随机游走算法从全局有向无环图中选取k个未验证节点，k是开始联邦学习之前商定的参数；S3：各客户端验证共识层所选取的k个未验证节点，若验证不通过则从全局有向无环图中重新获取未验证节点；S4：各客户端从验证通过的节点中提取模型，然后聚合这些模型为一个新的模型，之后在聚合的新模型基础上继续进行若干轮训练；S5：新模型训练完成后，生成新节点，并将客户端本地有向无环图结构更新到全局有向无环图,重复S2‑S5，直到联邦学习任务完成；S6：联邦学习任务完成后，将全局有向无环图存储在智能合约中，智能合约根据各客户端的贡献发放奖励；该发明与传统联邦学习相比，每个客户端可以异步获取模型，无需等待服务器的聚合，弥补了不同客户端的算力差异，并且由于有验证节点的步骤，避免了恶意节点对全局模型的攻击，提高了性能。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.019 seconds)
