-
公开(公告)号：CN105843842A
公开(公告)日：2016-08-10
申请号：CN201610130704.X
申请日：2016-03-08
Applicant: 东北大学
IPC: G06F17/30
CPC classification number: G06F16/283 , G06F16/2465
Abstract: 本发明提出一种大数据环境下多维聚集查询与展示系统及方法，属于大数据的多维聚集查询、立方数据可视化和OLAP分析交互技术领域，本发明包括：采用频数统计的算法将原始大数据集压缩为小数据集，即获得频数统计图数据；将频数统计图数据处理为分析性数据并进行存储；根据所保存数据的维值采用构建数据立方的方式展示对应的聚集结果；本发明以空间换时间，通过大规模分布式处理将大数据集压缩为小数据集，解决了大数据环境下聚集分析的运算性能与查询效率问题，支持各种类型的聚集计算，提供直观的高维度分析型数据的展示与交互方式，使操作得到简化，可以供开发者开发多种交互方法，也有助于推动虚拟现实技术在数据查询与浏览方面的发展。
-
公开(公告)号：CN103425772B
公开(公告)日：2016-08-10
申请号：CN201310350126.7
申请日：2013-08-13
Applicant: 东北大学
IPC: G06F17/30
Abstract: 一种具有多维信息的海量数据查询方法，涉及数据挖掘领域。对具有多维信息的海量数据的维信息进行装载；对海量数据进行装载；采用联机数据分析OLAP的方法对海量数据进行查询。本发明一种具有多维信息的海量数据查询方法，通过维编码的方法来组织具有多维信息的海量数据、利用数据分块存储的方法简化了数据块的寻址、通过中间变量(即分析路径)的方式，快速地实现维层级的转化、通过了基于数据块选择的方法进行数据的筛选，仅针对实际参与的数据进行计算和处理。
-
公开(公告)号：CN104750860A
公开(公告)日：2015-07-01
申请号：CN201510181050.9
申请日：2015-04-16
Applicant: 东北大学
IPC: G06F17/30
Abstract: 一种不确定数据的数据存储方法，该方法在进行不确定数据记录存储时，根据每条记录的不确定情况创建记录级不确定性元组，将记录中包含的所有不确定数据项按属性名称划分，根据属性名称分别创建该属性名称的属性单元，组成属性单元集合，根据属性单元集合中各个属性单元的属性名称创建属性包含单元，为每条记录创建行键，将所有记录的记录级不确定性元组、属性单元集合、属性包含单元与行键整合不确定数据逻辑模型，将不确定数据逻辑模型及对应的数据进行存储，对不确定数据逻辑模型以属性名称为索引项建立属性索引树，根据不确定数据记录间的生成规则创建生成规则矩阵，查询时，根据查询语句的条件属性，利用不确定数据逻辑模型进行查询操作。
-
公开(公告)号：CN112783505B
公开(公告)日：2023-07-18
申请号：CN202110120098.4
申请日：2021-01-28
Applicant: 东北大学
IPC: G06F8/41 , G06N3/0442 , G06N3/092
Abstract: 本发明提供一种用于源代码的函数智能重命名方法，涉及深度强化学习技术领域。该方法首先对源代码进行词化占位符机制的结构化预处理，再构建生成函数名的强化学习actor网络，actor网络包含混合注意和复制机制的编解码结构，生成构成函数名的多个子词；同时定义强化学习acto网络生成函数名的奖励函数；构建生成函数名的强化学习critic网络；critic网络采用奖励函数对actor网络生成的函数名进行打分评价，反馈给actor网络一个时间差分值，来训练actor网络，直到时间差分值收敛到指定阈值；最后测试生成函数名的actor网络。该方法采用神经网络和强化学习方法自动生成函数名称，不仅可以维护源代码，而且可以用于使用自然语言查询和代码分类来提高代码搜索的性能。
-
公开(公告)号：CN114139689A
公开(公告)日：2022-03-04
申请号：CN202111497896.5
申请日：2021-12-09
Applicant: 东北大学
Abstract: 本发明提供一种用于嵌入式系统的深层聚合神经网络轻量化方法，涉及深度学习技术领域。该方法首先使用深度可分离卷积块替换深层聚合神经网络中的标准卷积块，将一个标准卷积块拆分为深度卷积计算和逐点卷积计算，对输入进行处理生成特征图；并在深层聚合神经网络的深层聚合结点处的聚合操作之后接入瓶颈残差块，对特征图进行维度扩展；然后在深层聚合神经网络的瓶颈层中加入注意力模块，自适应地校准特征图中的特征；最后通过多个深度可分离卷积块和聚合节点构造出迭代深度聚合结构和分层深度聚合结构，实现对深层聚合神经网络结构的轻量化。该方法增强了特征提取的能力，达到了模型轻量化的目的，而且在层级上提高了多尺度目标的识别准确度。
-
Patent Agency Ranking
公开(公告)号：CN111006599B
公开(公告)日：2021-07-20
申请号：CN201911042049.2
申请日：2019-10-30
Applicant: 东北大学
IPC: G01B11/16
Abstract: 本发明公开了一种基于像素光栅和计算机视觉的物体表面微尺度测量方法。首先使用投影仪投出单像素宽条纹光栅图案，进行光栅测试，直至相机能拍出清晰条纹图片，然后进行相机和投影仪的标定，计算标定结果，其次进行光栅投影，获取条纹图片，随后进行图像增强、去噪、抠图、提取中心线和求特定点，使用空间几何方法计算物体上一点的空间坐标，最后整合所有空间坐标构成物体表面三维点集，利用三维点集完成具体的表面凹凸测量要求。本发明提出了一种新的光栅投影图像处理和计算方案，扩展了光栅投影三维检测的研究内容，使用单像素宽条纹可以显著的降低投射出每条条纹的宽度，从而大大提高了检测精确度，实现了对物体表面的微尺度测量。
-
公开(公告)号：CN111006599A
公开(公告)日：2020-04-14
申请号：CN201911042049.2
申请日：2019-10-30
Applicant: 东北大学
IPC: G01B11/16
Abstract: 本发明公开了一种基于像素光栅和计算机视觉的物体表面微尺度测量方法。首先使用投影仪投出单像素宽条纹光栅图案，进行光栅测试，直至相机能拍出清晰条纹图片，然后进行相机和投影仪的标定，计算标定结果，其次进行光栅投影，获取条纹图片，随后进行图像增强、去噪、抠图、提取中心线和求特定点，使用空间几何方法计算物体上一点的空间坐标，最后整合所有空间坐标构成物体表面三维点集，利用三维点集完成具体的表面凹凸测量要求。本发明提出了一种新的光栅投影图像处理和计算方案，扩展了光栅投影三维检测的研究内容，使用单像素宽条纹可以显著的降低投射出每条条纹的宽度，从而大大提高了检测精确度，实现了对物体表面的微尺度测量。
-
公开(公告)号：CN108520053B
公开(公告)日：2020-03-31
申请号：CN201810300996.6
申请日：2018-04-04
Applicant: 东北大学
IPC: G06F16/24
Abstract: 本发明提供一种基于数据分布的大数据查询方法，涉及大数据查询技术领域。一种基于数据分布的大数据查询方法，首先对待查询的数据划分数据段，并根据加速比计算整体数据段的段势分布函数，以确定各数据段的数量比例关系；然后根据约束条件将待查询数据装载到各数据段内；最后根据用户查询请求的时限要求，采用数据段选择算法确定参与查询的数据段，并返回查询结果及实际查全率和置信度。本发明提供的基于数据分布的大数据查询方法，保证了分布式环境下各类查询的随机性、性能和近似性评价，并兼容精确查询，且新增数据不会影响查询效果，具备良好的扩展性和可维护性。
-
公开(公告)号：CN110084326A
公开(公告)日：2019-08-02
申请号：CN201910394398.4
申请日：2019-05-13
Applicant: 东北大学
IPC: G06K9/62 , G06F16/2458
Abstract: 本发明涉及工业设备异常检测技术领域，提供一种基于模糊集的工业设备异常检测方法。首先利用异常知识树构建工业设备的异常检测模型；然后，根据用户需求配置属性集、属性的数据流、时间窗口的大小、属性的隶属度函数与聚合函数，得到叶子节点的异常度；接着，根据属性之间的皮尔逊相关性系数对属性聚类并计算叶子节点的权重；然后，将类簇中涉及到的叶子节点聚合成非叶子节点，再将非叶子节点聚合成根节点；用户根据需求选择模型参数后，基于Storm实时计算系统，构建异常检测模型的流处理的拓扑结构，可视化工业设备在不同时间窗口内的异常程度结果。本发明能够对工业设备的异常进行实时检测，且能够实现对不同粒度数据的异常检测。
-
公开(公告)号：CN105677840B
公开(公告)日：2019-02-05
申请号：CN201610005893.8
申请日：2016-01-06
Applicant: 东北大学
Abstract: 本发明一种基于多维渐增数据模型的数据查询方法，属于数据查询技术领域，本发明将某些频繁出现的键建立成为集合空间中的维，并根据值(value)在维上进行分段，而对于那些出现次数较少的键定义为平凡键，通过这样的方式，所有的数据都会被组织成一个高维的模型，简称为key‑cube(键立方)；在查询过程中，符合查询条件的数据会被锁定在相关的cell(单元格)之中，因此查询的范围大大的减小了；其次这个数据模型具有一定的适应性会根据数据中键值对出现的次数从而做出相应的反应；这个key‑cube是渐增式的，随着键值中数据的增多，此模型会根据键的频繁程度拓展出新的维，从而形成新的key‑cube。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.044 seconds)
