-
公开(公告)号：CN114928548B
公开(公告)日：2023-07-28
申请号：CN202210445503.4
申请日：2022-04-26
Applicant: 苏州大学
IPC: H04L41/147 , H04L41/14 , H04L51/52 , G06Q50/00 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种社交网络信息传播规模预测方法及装置，首先通过对用户之间的关注关系进行采样，并构建异构图解决了多源信息传播结构上的不连通问题；然后，对用户转发的时间序列划分时间段，并进一步根据这些时间段向异构图中添加时间节点，并连接对应时间段内的用户，使得构建的异构图也有了表达时间特征的能力；最后，通过对异构图中的时间节点使用循环神经网络提取时间特征，并和使用图卷积神经网络的结构特征学习多轮交替进行，从而实现时间特征和结构特征之间双向强依赖关系的学习。
-
公开(公告)号：CN111049814A
公开(公告)日：2020-04-21
申请号：CN201911229659.3
申请日：2019-12-04
Applicant: 苏州大学
Abstract: 本发明公开了一种在边缘计算环境中针对污染攻击的计算验证的方法，在云端随机生成零空间向量矩阵和标记验证矩阵，得到完成两次扩展的编码数据块；进行行序随机重排，并将重排后的行号记录进集合并发送给边缘设备；用户向云端发送计算请求后，云端将边缘节点信息、编码系数矩阵、零空间验证矩阵、零空间扩展行与标记行行序号记录发送给用户节点；用户将输入矩阵发送给边缘设备，获得中间计算结果；用户对接收到的计算结果进行标记行验证和零空间验证从而确定正确计算结果；用户在得到某个固定数量的正确中间结果后进行解码并获得最终的计算结果。本发明给出的基于编码边缘计算的可验证计算方案，能够在用户付出较少计算代价的情况下对计算结果进行正确性验证。
-
公开(公告)号：CN116865947B
公开(公告)日：2024-08-02
申请号：CN202310846584.3
申请日：2023-07-11
Applicant: 苏州大学
Abstract: 本发明涉及数据存储技术领域，尤其是指一种基于线性编码的区块链存储方法，具体步骤包括：用户将原始文件切分成多个体积均等的文件块，并对文件块进行线性编码得到文件编码块，对编码块进行数字签名，将数字签名和编码块打包上传至云端系统；云端系统对接收到的编码块和数字签名进行验证，验证成功后对编码块的数字签名再一次签名，得到云端签名，公布到区块链中；云端系统对编码块进行差错检测；云端系统收集所有存储的编码块，对原始文件进行修复；云端系统将检测为受损的编码块删除，并通知用户重新上传新的编码块。本发明实现了由云端系统对存储数据的完整性进行自检和修复。
-
公开(公告)号：CN115661608A
公开(公告)日：2023-01-31
申请号：CN202211302513.9
申请日：2022-10-24
Applicant: 苏州大学
IPC: G06V10/82 , G06V10/774 , G06N3/092
Abstract: 本发明实施例提供了一种文物病害标注模型的训练及文物病害标注方法及软件，本发明在文物病害标注模型的训练过程中，通过对图像进行逐像素点标注，使得标注结果更加精确，通过建立神经网络并对其训练，比较训练好的神经网络模型的标注结果和人工标注结果，通过调节神经网络的参数使得神经网络模型精化，使得训练得到的文物病害标注模型的标注结果更加精确；利用训练好的文物病害标注模型可以得到一种文物病害标注方法，该标注方法减少了人工标注可能会出现的误标和漏标的可能性，同时实现了文物病害的自动化标注，该自动化标注方法可以大大提高文物病害标注效率。
-
公开(公告)号：CN110996259B
公开(公告)日：2021-05-25
申请号：CN201911229660.6
申请日：2019-12-04
Applicant: 苏州大学
Abstract: 本发明公开了一种基于边缘计算的智慧垃圾监控清运方法及装置，分别设置云服务器和多个边缘服务器；在各垃圾桶处设置智慧终端，将获取的传感器信息定期通过通信模块发送至边缘服务器；在边缘服务器上设置数据监控模块，对智慧终端发来的数据进行解析，获取垃圾桶的各项数据，分别存储至边缘服务器本地数据库及云服务器数据库；在边缘服务器和云服务器上分别设置人机交互端，根据业务的时延要求，将需要实时处理的业务设置在边缘服务器，将其它业务设置在云服务器；边缘服务器利用接收到的数据进行路径规划，发送至垃圾清运车，垃圾清运车根据规划的路径实现垃圾清运。本发明可以监控垃圾桶的多种状态，既有利于清运路径规划，又能判断垃圾桶内是否有火灾隐患；合理设置系统架构，实现低延迟。
-
Patent Agency Ranking
公开(公告)号：CN119399566A
公开(公告)日：2025-02-07
申请号：CN202510007159.4
申请日：2025-01-03
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/82 , G06V20/40 , G06N3/0464 , G06N3/045 , G06N3/084 , G06V10/774
Abstract: 本发明涉及视频识别以及超声心动图视频自动化分析技术领域，具体提供了基于增强时空特征网络的自动化自发显影识别方法，包括对待识别视频进行预处理，得到视频帧集合；其中，所述待识别视频为经食道超声心动图视频；将所述视频帧集合输入到训练好的自动化自发显影识别模型，利用所述自动化自发显影识别模型输出对应的自发显影识别结果；其中，所述自动化自发显影识别模型是根据多个训练数据训练得到的，所述训练数据包括经食道超声心动图视频；所述自动化自发显影识别模型包括注意力图创建模块、时空特征提取模块和分类模块。本发明所述的基于增强时空特征网络的自动化自发显影识别方法，能够有效降低数据成本，识别准确性高。
-
公开(公告)号：CN115356400B
公开(公告)日：2024-07-26
申请号：CN202210966877.0
申请日：2022-08-11
Applicant: 苏州大学
IPC: G01N29/06 , G01N29/44 , G06N3/0442 , G06N3/045 , G06N3/084
Abstract: 本发明提供一种基于BiLSTM的超声波木材无损检测方法及系统，该方法为：采集超声波在木材内部传播的原始时间数据样本；对所述原始时间数据样本进行预处理；对所述木材内部图像进行网格化处理，计算网格点的坐标信息；基于BiLSTM，构建木材缺陷检测网络模型；根据所述原始时间数据样本训练所述木材缺陷检测网络模型；将训练好的木材缺陷检测网络模型上传到云端；采集目标木材的时间数据并上传到云端，对目标木材内部超声波速度分布图进行预测；根据预测结果对目标木材内部状态进行分类。本发明通过对图像网格化处理、将原始数据与网格坐标信息相结合，提高了网络模型的泛化能力和木材无损检测精度。
-
公开(公告)号：CN116980189B
公开(公告)日：2024-06-28
申请号：CN202310890218.8
申请日：2023-07-19
Applicant: 苏州大学
Abstract: 本发明涉及一种面向分片联盟链的恶意节点检测方法，通过对分片联盟链进行数学建模，当新节点申请加入时，中央机构利用公钥基础设施为新节点分配公钥、私钥与识别标量，验证新节点身份后，利用联盟链分片规则将新节点加入节点委员会中；选取该节点委员会中的多个节点生成测试组，发送至新节点，测试组中每个节点向新节点反馈第一签名与第二签名，并利用数字签名技术验证信息完整性，将扰乱或伪造数据的节点移出。且利用范德蒙矩阵的逆矩阵来检查是否有扰动数据，识别出是否包含恶意节点。本发明利用群组测试方法，将测试组划分至诚实集和恶意集中，每个节点均包含在至少一个测试组中，通过比对，识别出恶意节点，减少恶意节点识别所需的测试次数。
-
公开(公告)号：CN115690493A
公开(公告)日：2023-02-03
申请号：CN202211307240.7
申请日：2022-10-24
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/82 , G06N3/09
Abstract: 本发明实施例提供了一种文物病害标注模型的训练及文物病害标注系统及装置，本发明在文物病害标注模型的训练过程中，通过对图像进行逐像素点标注，使得标注结果更加精确，通过建立神经网络并对其训练，比较训练好的神经网络模型的标注结果和人工标注结果，通过调节神经网络的参数使得神经网络模型精化，使得训练得到的文物病害标注模型的标注结果更加精确；利用训练好的文物病害标注模型可以得到一种文物病害标注系统，该标注系统减少了人工标注可能会出现的误标和漏标的可能性，同时实现了文物病害的自动化标注，该自动化标注系统可以大大提高文物病害标注效率。
-
公开(公告)号：CN114928548A
公开(公告)日：2022-08-19
申请号：CN202210445503.4
申请日：2022-04-26
Applicant: 苏州大学
Abstract: 本发明涉及一种社交网络信息传播规模预测方法及装置，首先通过对用户之间的关注关系进行采样，并构建异构图解决了多源信息传播结构上的不连通问题；然后，对用户转发的时间序列划分时间段，并进一步根据这些时间段向异构图中添加时间节点，并连接对应时间段内的用户，使得构建的异构图也有了表达时间特征的能力；最后，通过对异构图中的时间节点使用循环神经网络提取时间特征，并和使用图卷积神经网络的结构特征学习多轮交替进行，从而实现时间特征和结构特征之间双向强依赖关系的学习。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.026 seconds)
