-
公开(公告)号：CN116887355A
公开(公告)日：2023-10-13
申请号：CN202310908869.5
申请日：2023-07-24
Applicant: 南京邮电大学
IPC: H04W28/084 , H04W28/082 , H04L67/10 , H04L67/12
Abstract: 本发明公开一种多无人机公平协作和任务卸载优化方法及系统，通过构建了一个由多用户设备、多无人机组成的两层网络架构，并考虑计算任务双重卸载机制，进一步引入公平性指数；联合考虑无人机轨迹、计算资源分配以及多无人机协作任务分配，在满足任务最小延迟的前提下实现长期无人机最大公平负载和最小功率消耗；将多目标优化问题建模为马尔可夫决策模型，然后提出了基于MADDPG的协作卸载算法，多无人机之间通过信息交互，在动态环境下自适应调整卸载方案，从而得出每个无人机的最佳协作策略，实现所有无人机预期总奖励的最大化，输出有效的飞行轨迹，保证任务成功的情况下均衡无人机负载并节省能耗。
-
公开(公告)号：CN116610822A
公开(公告)日：2023-08-18
申请号：CN202310899864.0
申请日：2023-07-21
Applicant: 南京邮电大学
Abstract: 本发明属于医学文本信息数据处理技术领域，公开了一种面向糖尿病文本的知识图谱多跳推理方法，将源实体和关系向量化，对知识图谱三元组数据进行嵌入表示；构建强化学习智能体，通过智能体随机采样策略函数来获取智能体下一步动作；通过实例路径集对应的元路径集挖掘知识图谱中的逻辑规则；依据智能体的命中奖励和规则奖励来计算智能体总奖励，通过最大化智能体总奖励的期望值来训练智能体的策略网络；以提取的实体及实体间关系和逻辑规则为基础，通过找到相应元路径与规则主体匹配的实例路径，预测实例路径的源实体和目标实体之间的新关系，并输出推理结果。本发明提高了智能体选择路径的质量及多跳推理的性能，提升了多跳知识推理的可解释性。
-
公开(公告)号：CN116192764B
公开(公告)日：2023-07-07
申请号：CN202310444747.5
申请日：2023-04-24
Applicant: 南京邮电大学
IPC: H04L47/2441 , H04L41/147 , H04L41/16
Abstract: 本发明属于流量预测技术领域，公开了一种基于深度学习的多任务数据中心网络流量预测方法，其对获取数据中心网络流量数据进行处理，进行归一化处理，划分训练集和测试集；构建深度学习多任务模型提取数据中心网络流量的特征信息，并进行流量分类任务及进行流量预测任务，预测未来时间段的网络流量。本发明所述的方法将多种模型融合，并引入多任务学习思想，有效解决数据中心网络流量深度学习模型使用单一以及预测精度的问题。
-
公开(公告)号：CN116384513A
公开(公告)日：2023-07-04
申请号：CN202310620160.5
申请日：2023-05-30
Applicant: 南京邮电大学 , 边缘智能研究院南京有限公司
Abstract: 本发明公开了一种云边端协同学习系统包括：用户设备层、边缘服务器层以及云服务器层；云服务器层用于控制云服务器将来自边缘服务器的局部模型聚合为全局模型，根据全局精度判断结果广播全局模型；边缘服务器层用于控制边缘服务器接收来自云服务器的全局模型，并将其作为局部模型广播给用户设备；用户设备层用于控制用户设备对接收到的局部模型进行训练得到本地模型，边缘服务器层还用于对接收到的本地模型进行聚合，并将聚合后的模型作为局部模型，判断该局部模型的局部精度，若局部精度满足要求，则将该局部模型上传至云服务器进行聚合，否则将该局部模型返回给边缘服务器继续训练直到满足要求为止，本发明能够大幅提高学习效率。
-
公开(公告)号：CN116166444B
公开(公告)日：2023-07-04
申请号：CN202310459836.7
申请日：2023-04-26
Applicant: 南京邮电大学
Abstract: 本发明属于端边协同计算领域，公开了一种面向深度学习分层模型的协同推理方法，对深度学习分层模型采取逐层分割的方案，通过边缘计算节点处理速度这一状态信息，只需做一次统一决策，即可为节点匹配计算量合适的不同层推理子任务；还使用网络遥测技术感知节点间网络状态，当出现阻塞问题时即刻对上述整体决策做出相应调整；既降低了决策复杂度，又降低推理时延的同时，同时还提高了边缘节点的资源利用率，保证资源的合理分配。
-
Patent Agency Ranking
公开(公告)号：CN115630649B
公开(公告)日：2023-06-30
申请号：CN202211470749.3
申请日：2022-11-23
Applicant: 南京邮电大学
IPC: G06F40/295 , G06F40/211 , G16H10/00 , G06N3/045 , G06N3/0475 , G06N3/08
Abstract: 本发明属于数据处理领域，公开了一种基于生成模型的医学中文命名实体识别方法，该生成模型包括对抗训练模块和私有任务模块，其中所述对抗训练模块由一个Shared BiLSTM生成器、一个Self‑Attention机制和一个CNN判别器组成，该医疗领域中文命名实体识别方法采用Lattice LSTM动态框架，动态的改变LSTM的结构以充分利用词与词之间的序列关系，克服了非结构化中文医学命名实体文本的局限性；采用对抗式训练的动态架构学习中文CNER任务和CWS任务的共同特征，提取医学文本中特定的信息，将实体与实体之间、实体与非实体之间的边界区分开来，实现中文医学命名实体的有效识别。
-
公开(公告)号：CN116346837A
公开(公告)日：2023-06-27
申请号：CN202310296228.9
申请日：2023-03-24
Applicant: 南京邮电大学
IPC: H04L67/1097 , H04L67/12 , H04L67/10 , G06F18/241 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种基于深度强化学习的物联网边缘协同缓存方法，该方法包括：(1)边缘服务器收集终端层用户设备的视频缓存信息，构建数据集，(2)分布式边缘服务器通过模型训练模块训练数据集；(3)中心服务器接收各分布式边缘服务器的局部梯度参数进行参数聚合，得到全局梯度参数；(4)中心服务器通过参数训练模块，输入拟合后的全局梯度参数经过神经网络的训练，输出更新后的全局模型参数；(5)重复(1)‑(4)，得到在线视频请求的预测模型，并进行视频内容请求预测，获得用户在线视频请求的预测列表；(6)根据得到的用户在线视频请求的预测列表，多个分布式边缘服务器进行协作缓存，直至各分布式边缘服务器达到存储上限。
-
公开(公告)号：CN115600603B
公开(公告)日：2023-04-07
申请号：CN202211612063.3
申请日：2022-12-15
Applicant: 南京邮电大学
IPC: G06F40/295 , G06F40/211 , G06F16/901 , G06F40/44 , G06N3/08 , G06F18/214 , G06N3/0455
Abstract: 本发明属于医疗信息数据处理技术领域，公开了一种面向中文冠心病诊断报告的命名实体消歧方法，包括三个阶段：候选实体生成阶段：根据冠心病诊断报告中文命名实体数据集，由生成模块生成候选实体集；候选实体排序阶段：将冠心病诊断报告中文命名实体数据集和生成的候选实体集进行拼接，由排序筛选模块对候选实体集进行筛选，得到新的候选实体集，并保存在候选实体存储模块中；一致性校验阶段：候选实体存储模块中保存的两个相邻实体提及的新的候选实体集，通过注意力模块和类树构建模块，得到段落文本所有每个实体提及的最终目标候选实体，提高整个段落文本的消歧准确率。
-
公开(公告)号：CN115659986B
公开(公告)日：2023-03-31
申请号：CN202211593075.6
申请日：2022-12-13
Applicant: 南京邮电大学
IPC: G06F40/295 , G06F40/30 , G06N3/0442 , G06N3/084 , G06F18/241
Abstract: 本发明属于医学文本信息抽取技术领域，公开了一种面向糖尿病文本的实体关系抽取方法，根据字符嵌入和位置嵌入以及双向长短期记忆网络得到包含上下文信息的句子向量；接着进行多头注意力计算，抽取不同的依赖特征，增强句子的特征表示；然后预测句子中的潜在关系集合同时构建实体对应矩阵；用基于关系的注意力机制计算特定关系下单词的权重，权重相加得到特定关系下的句子表示；然后基于指针网络对不同关系进行头尾实体抽取；最后结合实体对应矩阵构成三元组。本发明采用特定关系注意力机制，计算文本中每个词在特定关系下的权重，权重相加得到特定关系下的句子表示，在此基础上进行实体抽取，有效解决了实体重叠问题。
-
公开(公告)号：CN115600603A
公开(公告)日：2023-01-13
申请号：CN202211612063.3
申请日：2022-12-15
Applicant: 南京邮电大学(CN)
IPC: G06F40/295 , G06F40/211 , G06F16/901 , G06F40/44 , G06N3/08 , G06F18/214 , G06N3/0455
Abstract: 本发明属于医疗信息数据处理技术领域，公开了一种面向中文冠心病诊断报告的命名实体消歧方法，包括三个阶段：候选实体生成阶段：根据冠心病诊断报告中文命名实体数据集，由生成模块生成候选实体集；候选实体排序阶段：将冠心病诊断报告中文命名实体数据集和生成的候选实体集进行拼接，由排序筛选模块对候选实体集进行筛选，得到新的候选实体集，并保存在候选实体存储模块中；一致性校验阶段：候选实体存储模块中保存的两个相邻实体提及的新的候选实体集，通过注意力模块和类树构建模块，得到段落文本所有每个实体提及的最终目标候选实体，提高整个段落文本的消歧准确率。
-
-
-
-
-
-
-
-
-
Search Results
92
records
(took 0.026 seconds)
