-
公开(公告)号：CN116227359B
公开(公告)日：2024-09-03
申请号：CN202310242725.0
申请日：2023-03-14
Applicant: 重庆大学
IPC: G06F30/27 , G06F30/28 , G06F30/17 , G06N3/0464 , G06F113/08
Abstract: 本发明具体涉及基于注意力和卷积神经网络编解码器的流场预测方法，包括：将符号距离函数图输入经过训练的流场预测模型，输出对应的流场预测图像；训练模型时：首先将包含符号距离函数图及流场真实图像的训练数据集输入流场预测模型；然后通过基于注意力机制和卷积神经网络的编码器提取符号距离函数图的图像特征，生成注意力特征图；进而通过融合映射模块将注意力特征图与符号距离函数图的攻角和马赫数融合，并映射生成高级特征图；随后通过解码器对高级特征图进行解码，生成流场预测图像；最后基于流场预测图像和流场真实图像计算训练损失，并通过训练损失优化流场预测模型的参数。本发明能够提高流场预测的预测精度和预测效率。
-
公开(公告)号：CN118478355A
公开(公告)日：2024-08-13
申请号：CN202410690961.3
申请日：2024-05-30
Applicant: 重庆大学
IPC: B25J9/16
Abstract: 本发明涉及一种决定移动智能体在执行任务之前所处位置的方法及系统，属于智能机器人和自动化路径规划技术领域。该方法包括构造一个决定移动智能体执行具体任务之前所站具体位置的框架，具体包括以下步骤：S1、预测建模对象的重要性，使用图嵌入架构来评估环境中对象的重要性；S2、确定机器人潜在基础位置的面积，配置为基于预测的对象重要性和环境特征，计算潜在的基础位置区域；S3、确定可行的基础位置，为在潜在基础位置区域内识别至少一个可行的基础位置。本发明通过图嵌入模型的智能化设计，提高了机器人在复杂环境中的导航效率和操作任务的成功率。
-
公开(公告)号：CN117540489A
公开(公告)日：2024-02-09
申请号：CN202311506032.4
申请日：2023-11-13
Applicant: 重庆大学
IPC: G06F30/15 , G06F30/27 , G06F30/28 , G06N3/0464 , G06F113/08 , G06F119/14
Abstract: 本发明涉及一种基于多任务学习的翼型气动数据计算方法及系统，属于空气动力学和深度学习技术领域。该方案采用一种多任务学习方法，构建翼型重构网络提取翼型几何特征，设计翼型流场预测网络提取翼型在全局环境下的粗粒度压力系数曲线，设计翼型压力系数生成网络提取翼型在局部环境下的细粒度压力系数曲线，并且通过“十字绣”网络将两者线性结合起来，计算翼型的升力、阻力、力矩等气动系数。本发明有效地把深度学习模型AE、GAN、U‑NET、多任务学习模型与流体力学、空气动力学结合在一起，挖掘其隐藏特征，精准地预测翼型的气动系数，可以很好地提高预测模型训练的全面性和有效性，从而能够提高气动数据计算的准确性，具有广阔的应用前景。
-
公开(公告)号：CN116681480A
公开(公告)日：2023-09-01
申请号：CN202310725823.X
申请日：2023-06-19
Applicant: 重庆大学
IPC: G06Q30/0283 , G06F21/62 , G06F17/16 , G06F17/18
Abstract: 本发明涉及一种基于差异化隐私泄露风险的数据商品动态定价方法，属于数据共享领域，包括以下步骤：S1：构造数据属性矩阵，数据所有者使用本地化差分隐私对属性数据进行扰动，并上传至中心节点计算条件概率；S2：数据所有者分析数据之间的隐私关联，基于信息熵理论计算自定义隐私泄露风险动态概率；S3：基于隐私泄露风险动态评估系数设计定价策略，结合无套利等定价基础理论定价。本发明解决了在数据交易过程中不同的交易方式导致的动态隐私泄露问题，并利用无套利定价原则，对数据商品进行合理定价。
-
公开(公告)号：CN116227359A
公开(公告)日：2023-06-06
申请号：CN202310242725.0
申请日：2023-03-14
Applicant: 重庆大学
IPC: G06F30/27 , G06F30/28 , G06F30/17 , G06N3/0464 , G06F113/08
Abstract: 本发明具体涉及基于注意力和卷积神经网络编解码器的流场预测方法，包括：将符号距离函数图输入经过训练的流场预测模型，输出对应的流场预测图像；训练模型时：首先将包含符号距离函数图及流场真实图像的训练数据集输入流场预测模型；然后通过基于注意力机制和卷积神经网络的编码器提取符号距离函数图的图像特征，生成注意力特征图；进而通过融合映射模块将注意力特征图与符号距离函数图的攻角和马赫数融合，并映射生成高级特征图；随后通过解码器对高级特征图进行解码，生成流场预测图像；最后基于流场预测图像和流场真实图像计算训练损失，并通过训练损失优化流场预测模型的参数。本发明能够提高流场预测的预测精度和预测效率。
-
Patent Agency Ranking
公开(公告)号：CN111814165A
公开(公告)日：2020-10-23
申请号：CN202010647806.5
申请日：2020-07-07
Applicant: 重庆大学
Abstract: 本发明涉及一种基于深度神经网络中间层的图像隐私保护方法，属于机器学习和图像处理技术领域。该方法包括：S1：选择深度神经网络需要添加噪声的一层神经元设定为当前中间层，计算当前中间层卷积核方差均值，并以当前中间层中最大卷积核方差均值的四分之一为阈值将卷积核分成两组；S2：对步骤S1分成的两组卷积核的输出特征图按不同的隐私预算随机去掉其矩形区域以保护图像隐私。本发明既能有效的从本地保护了用户的隐私防止不可信第三方或服务器造成的隐私泄露又兼顾了深度神经网络服务的质量，还能够根据用户对隐私敏感程度的不同自主调节对数据的保护程度，使用户获得适合自己的隐私保护程度以及服务质量。
-
公开(公告)号：CN110336700A
公开(公告)日：2019-10-15
申请号：CN201910621977.8
申请日：2019-07-10
Applicant: 重庆大学
Abstract: 本发明涉及一种基于时间及用户的转发序列的微博流行度预测模型，属于涉及社交网络中消息流行度预测领域，包括以下步骤：S1：利用循环神经网络对微博的转发序列进行建模，用来捕获消息传播过程的长距离依赖；S2：将隐藏层的输出结果进行非线性变换网络，学习在传播过程中每个时间步的速率；S3：利用速率得到的早期趋势加速度和早期的流行度，并在用户活跃度的优化下，对微博未来的流行度进行预测。本发明保证了在消息传播的早期更精准地预测其在未来的流行趋势，该模型既利用了历史传播信息，又很好地刻画了微博的传播过程。
-
公开(公告)号：CN109978165A
公开(公告)日：2019-07-05
申请号：CN201910272879.8
申请日：2019-04-04
Applicant: 重庆大学
IPC: G06N3/08
Abstract: 本发明涉及一种融合自注意力机制的生成对抗网络方法，属于计算机视觉领域，特别是涉及到进行图像生成的生成对抗网络。图像的生成是计算机视觉领域的一项重要挑战，如果能够生成大量的高质量图像样本，在这个依赖大数据背景下的时代，人工智能领域能够得到更迅速的发展。因此，本发明提出一种融合自注意力机制的生成对抗网络，该网络可以生成高质量的图像，同时图像又具有较高的多样性。具体而言，生成对抗网络对于生成器与判别器分布的评估标准改用Wasserstein距离来衡量，损失函数进行相应的改进；同时在生成器与判别器对应的神经网络架构中均引入自注意力机制，提高生成图像局部像素区域之间的关联性，由此提高生成图像的质量。
-
公开(公告)号：CN119012304A
公开(公告)日：2024-11-22
申请号：CN202411114615.7
申请日：2024-08-14
Applicant: 重庆大学
Abstract: 本发明涉及一种无线传感器网络簇间携能传输的能效优化方法，该方法建立了适用于WSN簇头间应用离散式功率分配器进行携能传输的能效优化模型；然后，我们提出了针对此模型的维度扩展方法，并利用凸转化和变量松弛等手段，将具有离散可行解集的优化问题转换为了易解的等效凸问题；之后，提出了迭代求解优化问题的算法，并推导了拉格朗日对偶分解子算法中的变量封闭表达式，实现了对能效优化方案的求解。仿真结果表明，本发明所提出的方法，能够在迭代次数较少的情况下收敛获得优化解，并且所得的能效优化方案能够在传输能效、发射功率和离散功率分割比之间取得权衡，从而使得传输能效最大。
-
公开(公告)号：CN116227364B
公开(公告)日：2024-09-13
申请号：CN202310455762.X
申请日：2023-04-25
Applicant: 重庆大学
IPC: G06F30/27 , G06F30/28 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/0495 , G06N3/084 , G06N3/094 , G06F111/10 , G06F113/08 , G06F119/14
Abstract: 本发明具体涉及基于改进生成对抗网络与模型压缩的翼型流场预测方法，包括：将边界条件输入经过训练的流场预测模型，输出对应的预测流场图像；训练流场预测模型时：首先将边界条件作为生成器的输入并输出预测流场图像，判别器基于真实流场图像对预测流场图像进行判断并更新自身参数，最后将判别器的参数更新结果反馈至生成器，以供生成器更新自身参数；重复迭代并不断更新生成器和判别器的参数；最终，对经过训练的流场预测模型进行模型压缩。本发明通过深度卷积生成对抗网络提取翼型流场的复杂特征，并能够将高维数据并转换为潜在的低维表示以更好的实现翼型流场预测，同时能够通过模型压缩来降低模型的参数量和运算量。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.04 seconds)
