-
公开(公告)号：CN108712777A
公开(公告)日：2018-10-26
申请号：CN201810219255.5
申请日：2018-03-16
Applicant: 南京邮电大学
CPC classification number: H04W52/18 , H04W52/267
Abstract: 本发明公开了一种考虑能量损耗的能量采集无线传输系统功率分配方法,具体步骤如下：建立优化模型，通过最优化方法解优化问题，根据存储效率和最优条件求出储能门限值和取能门限值之间的关系，计算出所有时刻的储能门限值和取能门限值，使得按照这两个门限值分配的功率满足因果限制条件，根据传输速率表达式、电路损耗功率值计算出能效最大化的最优功率值，把这个最优功率值也当成一个门限值，与前面线性搜索得到的门限值比较，根据不同情况调整功率值，经过两部分配后，对最后一个时隙的功率进行调整。
-
公开(公告)号：CN114168840B
公开(公告)日：2025-05-02
申请号：CN202111090997.0
申请日：2021-09-17
Applicant: 南京邮电大学
IPC: G06F16/9535 , G06F16/9536 , G06N3/0464 , G06N3/048 , G06N3/08 , G06Q50/00
Abstract: 本发明揭示了一种融合注意力机制的图神经网络模型推荐方法，该方法包括以下步骤：S1：输入数据预处理，输入数据预处理分为两个部分，用户物品模型和用户社交模型。针对当前推荐系统准确率不高，无法准确利用社交网络信息和时序信息的问题，该方法可以把用户与项目的时序信息考虑在内，并且能够融入用户的社交网络信息。本技术方案充分利用了时序信息和社交网络信息，加入多头注意力机制对用户进行推荐时，着重考虑在不同方面朋友对用户的影响，而非考虑朋友之间的相互影响，使得该算法有更好的性能。
-
公开(公告)号：CN113642621B
公开(公告)日：2024-06-28
申请号：CN202110885066.3
申请日：2021-08-03
Applicant: 南京邮电大学
IPC: G06V10/764 , G06V10/44 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于生成对抗网络的零样本图像分类方法，属于深度学习技术领域。包括获取图像数据集；对图像数据集进行预处理得到训练集和测试集；构建核心神经网络，并将训练集输入核心神经网络得到图片图像特征和视觉图像特征，核心神经网络包括卷积神经网络、生成对抗网络、重构网络和注意力网络；计算核心神经网络的损失函数，并对核心神经网络的参数进行调节；图片图像特征和视觉图像特征共同训练得到分类器；将测试集输入分类器进行分类。相较于现有技术，本发明通过在生成对抗网络中加入重构网络，使生成对抗网络生成的视觉图像特征更加多样化；在生成对抗网络中引入注意力网络，以减少视觉图像特征中的干扰信息，提高了分类准确度。
-
公开(公告)号：CN112214793A
公开(公告)日：2021-01-12
申请号：CN202011064433.5
申请日：2020-09-30
Applicant: 南京邮电大学
IPC: G06F21/62 , G06F16/9536
Abstract: 本发明公开了一种基于融合差分隐私的随机游走模型推荐方法，包括将网页关系图数据转化成二分图，基于PersonalRank随机游走迭代，得到节点的分值，以Top10的分值作为打分函数，以满足指数机制的概率输出推荐结果。本发明不仅能够保证推荐结果的准确性，同时也保证了目标用户以及其他用户对物品行为的隐私。
-
公开(公告)号：CN111754403A
公开(公告)日：2020-10-09
申请号：CN202010542676.9
申请日：2020-06-15
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于残差学习的图像超分辨率重构方法，包括：获取用于训练系统的公用图像数据集，处理得到训练集与测试集；获取待处理的低分辨率图像；将系统核心神经网络各模块的搭建与融合，组成基于残差学习的深度卷积网络；计算网络预测与标签损失，根据损失调整网络参数；深度残差网络的训练并向其输入的待处理的低分辨率图像；输出重构的高分辨率图像,评估图像重建精度，图像超分辨率重构完成。本发明增加了图像特征的提取能力，提升了图像重建系统的泛化性与高效性，使得图像重建精度更加精确。
-
Patent Agency Ranking
公开(公告)号：CN111639692A
公开(公告)日：2020-09-08
申请号：CN202010446473.X
申请日：2020-05-25
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于注意力机制的阴影检测方法，包括：获取用于训练系统的待处理公用阴影数据集；从摄像头设备或本地硬盘上获取待检测阴影图像；公用阴影数据集的预处理并获得对应的训练集与测试集；待检测阴影图像的预处理；系统核心神经网络各模块的搭建与融合，组成基于注意力机制的卷积神经网络；计算网络预测与标签损失，根据损失调整网络参数；深度卷积神经网络的完全训练并向其输入预处理的待检测阴影图像；输出阴影检测结果,对各像素进行阴影属性分类，完成自定义数据的阴影检测流程。本发明增加了阴影特征的提取能力，降低了语义间的关联性，提升了检测系统的泛化性与高效性，使得阴影检测结果更加精确。
-
公开(公告)号：CN110827111A
公开(公告)日：2020-02-21
申请号：CN201910809997.8
申请日：2019-08-29
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于动态扩展模型的实时信用分析方法及系统，包括采集用户基础信用信息，根据用户基础信用信息建立信用扩展分析模型，通过机器学习算法确定信用扩展分析模型的相关参数，进而确定最终的信用扩展分析模型，将最终的信用扩展分析模型加载在Flink流式信用计算平台上，根据输入的用户基础信用信息通过最终的信用扩展分析模型得到信用评估。本发明能够方便增加信用评估维度，得到的信用结果是基于更全维度、更接近事实的模型、对历史信用行为时效性评估，在实时计算平台的支持下，可以快速得到信用评估结果。
-
公开(公告)号：CN114168840A
公开(公告)日：2022-03-11
申请号：CN202111090997.0
申请日：2021-09-17
Applicant: 南京邮电大学
IPC: G06F16/9535 , G06F16/9536 , G06N3/04 , G06N3/08 , G06Q50/00
Abstract: 本发明揭示了一种融合注意力机制的图神经网络模型推荐方法，该方法包括以下步骤：S1：输入数据预处理，输入数据预处理分为两个部分，用户物品模型和用户社交模型。针对当前推荐系统准确率不高，无法准确利用社交网络信息和时序信息的问题，该方法可以把用户与项目的时序信息考虑在内，并且能够融入用户的社交网络信息。本技术方案充分利用了时序信息和社交网络信息，加入多头注意力机制对用户进行推荐时，着重考虑在不同方面朋友对用户的影响，而非考虑朋友之间的相互影响，使得该算法有更好的性能。
-
公开(公告)号：CN111126241A
公开(公告)日：2020-05-08
申请号：CN201911319017.2
申请日：2019-12-19
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于最优序列特征子集的脑电模式提取方法，以针对脑机接口系统对脑电数据分类的高精度分类要求，脑机接口可以通过发现寻找脑电信号的最优特征子序列进行信号分类，在保证脑电信号分类精度的同时也提供相关强解释性结果。通过PAA降维和SAX符号化，将数据复杂度降低，另外通过Hash方式替代数据之间相似性计算，速度和效率更高。定义了一个区分度用以判断符号子序列之间对不同脑电信号的区分能力。
-
公开(公告)号：CN111754403B
公开(公告)日：2022-08-12
申请号：CN202010542676.9
申请日：2020-06-15
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于残差学习的图像超分辨率重构方法，包括：获取用于训练系统的公用图像数据集，处理得到训练集与测试集；获取待处理的低分辨率图像；将系统核心神经网络各模块的搭建与融合，组成基于残差学习的深度卷积网络；计算网络预测与标签损失，根据损失调整网络参数；深度残差网络的训练并向其输入的待处理的低分辨率图像；输出重构的高分辨率图像,评估图像重建精度，图像超分辨率重构完成。本发明增加了图像特征的提取能力，提升了图像重建系统的泛化性与高效性，使得图像重建精度更加精确。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.02 seconds)
