-
公开(公告)号：CN108768536B
公开(公告)日：2021-10-26
申请号：CN201810410222.9
申请日：2018-05-02
Applicant: 南京大学(苏州)高新技术研究院 , 南京大学
Abstract: 本发明公开了一种高保密空间混沌激光通信系统，包括发射端、接收端和温度控制系统。发射端和接收端采用光电反馈式结构，利用硬件上的加密来实现混沌的同步和信息的解调。温度控制系统通过终端和发射端、接收端的控制模块，实现对发射端和接收端的马赫‑曾德尔电光调制器的温度的同步、实时的控制。由于在通信过程中，调制器的温度一直是动态变化的，这使得窃听方在即使破解混沌系统其他参数的情况下，依然由于调制器温度的失配导致调制器工作点的失配而使误码率升高，破解信息的难度加大。本发明可提高现有混沌系统的保密性能，对于国防安全和信息安全具有重要的意义。
-
公开(公告)号：CN108768536A
公开(公告)日：2018-11-06
申请号：CN201810410222.9
申请日：2018-05-02
Applicant: 南京大学(苏州)高新技术研究院 , 南京大学
CPC classification number: H04B10/505 , H04B10/85 , H04L9/001
Abstract: 本发明公开了一种高保密空间混沌激光通信系统，包括发射端、接收端和温度控制系统。发射端和接收端采用光电反馈式结构，利用硬件上的加密来实现混沌的同步和信息的解调。温度控制系统通过终端和发射端、接收端的控制模块，实现对发射端和接收端的马赫‑曾德尔电光调制器的温度的同步、实时的控制。由于在通信过程中，调制器的温度一直是动态变化的，这使得窃听方在即使破解混沌系统其他参数的情况下，依然由于调制器温度的失配导致调制器工作点的失配而使误码率升高，破解信息的难度加大。本发明可提高现有混沌系统的保密性能，对于国防安全和信息安全具有重要的意义。
-
公开(公告)号：CN116612482A
公开(公告)日：2023-08-18
申请号：CN202310580823.5
申请日：2023-05-22
Applicant: 南京大学
IPC: G06V30/244 , G06V30/182 , G06V30/19 , G06V10/82 , G06N3/0455
Abstract: 本发明公开了一种手写公式识别系统及方法，涉及图像识别技术领域，解决了现有技术中无法区分具有相似外观的符号，导致手写数学公式识别的性能差的问题，其技术方案要点是使用图位置编码器对手写公式的图片进行特征提取；使用第一解码器对提取到的特征进行细粒度识别，生成LaTeX序列；使用第二解码器对提取到的特征进行粗粒度识别，生成粗粒度类别序列。
-
公开(公告)号：CN111404751B
公开(公告)日：2021-05-28
申请号：CN202010201945.5
申请日：2020-03-20
Applicant: 南京大学 , 成都云格致力科技有限公司
Abstract: 本发明公开了一种基于RNN神经网络的RTT预测方法。该方法的步骤为：首先测量得到RTT数据并按照时间先后排序；然后提取RTT数据的特征并转换为神经网络的输入数据与标签数据，对数据按照RTT数据特征进行分类，并平衡各分类中数据的个数；建立RNN神经网络模型，该模型利用历史时刻的RTT数据特征作为输入，其输出是未来时刻的RTT数据；接着对神经网络进行训练；最后利用训练后的神经网络将实时测量的RTT数据的特征转换得到预测的RTT数据。本发明提出了一种量化反映未来RTT变化的方法，在高测量间隔的条件下，弥补单纯测量RTT不足以反映未来RTT变化的缺陷，能有效指导互联网应用应对复杂网络变化。
-
公开(公告)号：CN119810914A
公开(公告)日：2025-04-11
申请号：CN202411872081.4
申请日：2024-12-18
Applicant: 南京大学
IPC: G06V40/20 , G06V10/44 , G06V10/764 , G06V10/82 , G06V20/40 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种结合声调信息的中文唇语识别方法，属于唇语识别领域，该方法包括以下步骤：获取用户输入，其中，所述用户输入包括声调信息和嘴部动作视频；对所述用户输入进行预处理得到预处理数据；构建多模态中文唇读模型，将所述预处理数据输入所述多模态中文唇读模型得到唇语识别结果。本发明结合声调信息与唇读识别技术，通过深入分析视觉信息并结合语言学知识，构建包含声调信息的唇读识别模型，提高识别准确性。
-
Patent Agency Ranking
公开(公告)号：CN111404783A
公开(公告)日：2020-07-10
申请号：CN202010202968.8
申请日：2020-03-20
Applicant: 南京大学 , 成都云格致力科技有限公司
IPC: H04L12/26
Abstract: 本发明公开了一种网络状态数据采集方法及其系统。采集方法包括如下步骤：(1)实时探测记录用户的RTT数据；(2)利用阻塞式带宽探测方法实时探测记录用户的带宽数据，并且记录用户消耗的网络流量；在带宽探测过程中，若没有产生网络拥塞，则在原来发送数据量的基础上增大发送数据量，根据网络阻塞状态判断用户下行带宽；(3)记录用户的IP地址与地理定位；(4)根据用户的IP地址与地理定位对用户进行分类，将记录的RTT数据与带宽数据按照用户分类进行归类；(5)将归类得到的数据进行处理，生成实际可用的数据集。本发明的方法与系统提高了网络状态测量的精准度及效率，减少了对于用户流量的消耗。
-
公开(公告)号：CN111404783B
公开(公告)日：2021-11-16
申请号：CN202010202968.8
申请日：2020-03-20
Applicant: 南京大学 , 成都云格致力科技有限公司
IPC: H04L12/26
Abstract: 本发明公开了一种网络状态数据采集方法及其系统。采集方法包括如下步骤：(1)实时探测记录用户的RTT数据；(2)利用阻塞式带宽探测方法实时探测记录用户的带宽数据，并且记录用户消耗的网络流量；在带宽探测过程中，若没有产生网络拥塞，则在原来发送数据量的基础上增大发送数据量，根据网络阻塞状态判断用户下行带宽；(3)记录用户的IP地址与地理定位；(4)根据用户的IP地址与地理定位对用户进行分类，将记录的RTT数据与带宽数据按照用户分类进行归类；(5)将归类得到的数据进行处理，生成实际可用的数据集。本发明的方法与系统提高了网络状态测量的精准度及效率，减少了对于用户流量的消耗。
-
公开(公告)号：CN111371626B
公开(公告)日：2021-05-28
申请号：CN202010204155.2
申请日：2020-03-20
Applicant: 南京大学 , 成都云格致力科技有限公司
Abstract: 本发明公开了一种基于神经网络的带宽预测方法。该方法的步骤为：(1)建立神经网络模型并进行训练，神经网络模型的输入为历史时刻的带宽变化特征，输出为未来时刻的带宽预测值；(2)记录用户的实时带宽数据并按照时间排序；将实时带宽数据按照设定的采样间隔进行采样；(3)提取带宽的时序特征；(4)将带宽的时序特征输入训练好的神经网络模型，计算未来时刻的带宽量化因子；(5)将计算得到的带宽量化因子转换为预测的未来时刻带宽。本发明提出了一种量化反映未来网络状态变化的方法，在带宽测量的基础上预测未来的带宽，弥补带宽测量耗时长的缺陷，能有效指导互联网应用应对网络变化。
-
公开(公告)号：CN107508665B
公开(公告)日：2020-02-18
申请号：CN201710991413.4
申请日：2017-10-23
Applicant: 南京大学
Abstract: 本发明公开了一种高维度混沌激光保密通信系统，包括发射端和接收端，发射端包括第一可调谐激光器、第二可调谐激光器、第一马赫‑曾德尔调制器、第一射频放大器、第一光电探测器、第一光延时线和第一光纤耦合器；所述接收端包括第三可调谐激光器、第二马赫‑曾德尔调制器、第二光纤耦合器、第二光延时线、第二射频放大器、第二光电探测器、第三光电探测器、第四光电探测器和加法器。本发明使用可调谐激光器来产生混沌载波以及加载信息，通过控制激光器波长的切换和匹配，使得第三方在不知波长的情况下，大大提高了破解信息的难度，对于具有保密需求的企业、部门尤其是国防信息安全领域具有重要的意义。
-
公开(公告)号：CN111404751A
公开(公告)日：2020-07-10
申请号：CN202010201945.5
申请日：2020-03-20
Applicant: 南京大学 , 成都云格致力科技有限公司
Abstract: 本发明公开了一种基于RNN神经网络的RTT预测方法。该方法的步骤为：首先测量得到RTT数据并按照时间先后排序；然后提取RTT数据的特征并转换为神经网络的输入数据与标签数据，对数据按照RTT数据特征进行分类，并平衡各分类中数据的个数；建立RNN神经网络模型，该模型利用历史时刻的RTT数据特征作为输入，其输出是未来时刻的RTT数据；接着对神经网络进行训练；最后利用训练后的神经网络将实时测量的RTT数据的特征转换得到预测的RTT数据。本发明提出了一种量化反映未来RTT变化的方法，在高测量间隔的条件下，弥补单纯测量RTT不足以反映未来RTT变化的缺陷，能有效指导互联网应用应对复杂网络变化。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.03 seconds)
