-
公开(公告)号：CN119089966A
公开(公告)日：2024-12-06
申请号：CN202411570880.6
申请日：2024-11-06
Applicant: 南京信息工程大学 , 南京信息工程大学无锡研究院
IPC: G06N3/082 , G06N3/0455 , G06N3/0464 , G06T7/269
Abstract: 本发明公开了一种面向边缘部署的光流模型轻量化剪裁方法，包括以下步骤：（1）获取数据集Flying Chairs作为训练集和验证集并进行预处理；（2）将预处理后的数据集输入到全局匹配光流神经网络即GMFlow神经网络中进行训练；（3）对GMFlow神经网络进行裁剪即轻量化处理；（4）获取测试集数据MPI Sintel Dataset，对步骤（3）得到的结果进行测试，选择最优方案；本发明对光流估计在边缘设备上的部署进一步发展提供了思路。
-
公开(公告)号：CN119089966B
公开(公告)日：2025-03-28
申请号：CN202411570880.6
申请日：2024-11-06
Applicant: 南京信息工程大学 , 南京信息工程大学无锡研究院
IPC: G06N3/082 , G06N3/0455 , G06N3/0464 , G06T7/269
Abstract: 本发明公开了一种面向边缘部署的光流模型轻量化剪裁方法，包括以下步骤：（1）获取数据集Flying Chairs作为训练集和验证集并进行预处理；（2）将预处理后的数据集输入到全局匹配光流神经网络即GMFlow神经网络中进行训练；（3）对GMFlow神经网络进行裁剪即轻量化处理；（4）获取测试集数据MPI Sintel Dataset，对步骤（3）得到的结果进行测试，选择最优方案；本发明对光流估计在边缘设备上的部署进一步发展提供了思路。
-
公开(公告)号：CN119849651A
公开(公告)日：2025-04-18
申请号：CN202510318639.2
申请日：2025-03-18
Applicant: 南京信息工程大学
IPC: G06N10/60 , G06N10/20 , G06N3/082 , G06N3/0464
Abstract: 本发明公开了一种基于混合量子经典极深因子分解机的点击率预测方法，包括以下步骤：（1）获取开源数据集并进行预处理，划分训练集、测试集；（2）构建新型混合量子经典极深因子分解机HQCxDeepFM模型，并利用预处理后的数据集进行训练；（3）利用sigmoid激活函数得到最终的预估结果；本发明提升CTR模型的计算能力并降低模型复杂度，同时提高CTR预测性能。
-
公开(公告)号：CN118604917A
公开(公告)日：2024-09-06
申请号：CN202411089699.3
申请日：2024-08-09
Applicant: 南京信息工程大学
IPC: G01W1/10 , G01S13/95 , G06V10/62 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/045
Abstract: 本发明公开了基于空间相关特征提取和深度时空融合网络的降水临近预报方法，其包括以下步骤：（1）在HKO‑7数据集中对不同时间点的雷达回波反射率图像中每个像素的特征序列进行分组，构造特征矩阵；（2）采用皮尔逊相关系数计算特征矩阵各列之间的相关系数，以评估雷达回波反射率图像序列中各像素点之间的空间相关性；（3）通过得到的皮尔逊相关系数矩阵选择雷达回波反射率图像的空间相关区域，提取雷达回波反射率图像序列的空间相关特征；（4）在轨迹门控循环模型TrajGRU中引入空间自注意力机制SAM模块，构建深度时空融合网络DST‑FN并进行训练；（5）验证深度时空融合网络的有效性；本发明提高了气象的预测能力。
-
公开(公告)号：CN118778940B
公开(公告)日：2025-01-14
申请号：CN202411255465.1
申请日：2024-09-09
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于LLVM的IEC61131‑3工业PLC语言编译器,采用前后端分离的设计，即ieclang作为前端，lLLVM编译器作为后端，使源代码经过词法分析、语法分析、语义分析、填充符号表、LLLVM编译器操作等步骤后输出最终的目标代码，能够实现解耦合、提高可移植性、实现模块化、方便于优化并且可以实现并行开发；本发明与传统的MatIec相比较，不仅能够在同样可以输出C语言可执行文件的基础上解决其转换为ANSI C并使用C编译器编译该代码可能会阻止某些优化的缺点，还在处理不同的代码时以处理时间为基准体现了更优的性能。
-
Patent Agency Ranking
公开(公告)号：CN118762529A
公开(公告)日：2024-10-11
申请号：CN202411255473.6
申请日：2024-09-09
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于GCN‑STARNN的交通流量预测方法包括以下步骤：（1）获取开源网站交通流量数据集并预处理；（2）构建时空注意递归神经网络并进行训练；其中，时空注意递归神经网络包括：图卷积神经模块即GCN模块、时空注意递归神经模块即STARNN模块和输出模块；其中，GCN模块与STARNN模块并联；GCN模块用于提取交通路网的空间特征；时空注意递归神经模块用于交通路网时间特征；时空注意递归神经模块由卷积注意力模块和卷积长短时记忆模块模块；（3）输出预测结果。本发明有效提高了交通流量预测的准确率和精度，较现有方法具有更好的性能表现。
-
公开(公告)号：CN119293587A
公开(公告)日：2025-01-10
申请号：CN202411360628.2
申请日：2024-09-27
Applicant: 南京信息工程大学
IPC: G06F18/241 , G01R31/00 , G06F18/2415 , G06F18/15 , G06F18/213 , G06N3/006 , G06N3/0442 , G06N3/0985
Abstract: 本发明公开一种房屋能耗非侵入式负载监测方法、装置及存储介质，属于电力监测技术领域，所述方法包括以下步骤：使用动态粒子群优化算法对所有粒子进行随机初始化，得到粒子超参数组合；生成长短期记忆网络模型；将获取的历史电力分类数据集按照时间戳分为训练集和测试集，通过训练集进行训练，再通过测试集计算得到均方根差；将均方根差作为适应值来更新粒子的个体最优解以及整个粒子群当前全局最优解，然后计算粒子的权重，根据粒子的权重进行速度和位置的更新；确定迭代完全局最优解作为长短期记忆网络模型的最佳参数配置；将实时电力数据输入得到负载监测结果。本发明能够解决现有非侵入式负载监测方法存在复杂性较高，耗时较长且监测结果准确度低的问题。
-
公开(公告)号：CN118823485A
公开(公告)日：2024-10-22
申请号：CN202411149426.3
申请日：2024-08-21
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06N10/60
Abstract: 本发明公开了一种量子多框目标检测方法，包括以下步骤：（1）获取VOC数据集的数据并进行预处理；（2）构建量子经典混合多框目标检测模型即构建改进的多框目标检测300模型：修改多框目标检测模型的第五个额外的特征提取层；（3）对改进的多框目标检测300模型模型进行训练，通过mAP指标值评估量子经典混合多框目标检测模型性能；本发明大幅降低了计算时间和计算复杂度。
-
公开(公告)号：CN118779756A
公开(公告)日：2024-10-15
申请号：CN202411255468.5
申请日：2024-09-09
Applicant: 南京信息工程大学
IPC: G06F18/2415 , G06F18/15 , G06F18/213 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/048 , G06F123/02
Abstract: 本发明公开了基于多组模拟决策网络的非侵入式电力负荷识别方法，包括以下步骤：（1）获取电力负荷时间序列数据并进行预处理；（2）构建基于MGSDN的非侵入电力负荷识别网络，包括：图像特征模拟网络SNN模块和图像决策网络DmNN模块；其中，SNN模块用于生成模拟图像；DmNN用于接收真实和模拟图像，通过多层卷积操作输出预测结果；两个网络通过对抗性训练交替更新参数；（3）输出最终预测图像；本发明提升了准确性，特别是在检测频繁开关的电器时，准确率显著提高，更多的训练迭代次数进一步增强了模型的识别效果；在处理复杂环境和多种电器同时运行的情况下，依然表现出良好的鲁棒性和可靠性，具有较高的实用价值。
-
公开(公告)号：CN118657226A
公开(公告)日：2024-09-17
申请号：CN202411148997.5
申请日：2024-08-21
Applicant: 南京信息工程大学
IPC: G06N10/20 , G06N10/60 , G06N3/096 , G06N3/0464
Abstract: 本发明公开了一种量子迁移学习方法，包括以下步骤：（1）获取Flowers Recognition花卉识别数据集和Animal‑10动物‑10数据集的数据并进行预处理；（2）构建ResNet18量子迁移学习模型和ResNet34量子迁移学习模型即在ResNet18网络和ResNet34网络中分别引入量子卷积神经网络模块；（3）分别对ResNet18量子迁移学习模型和ResNet34量子迁移学习模型进行训练，并与原有ResNet18和ResNet34模型进行对比；本发明将量子计算与迁移学习相融合，使得量子迁移学习模型能够取得比经典模型更好的性能或者速度。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.084 seconds)
