-
公开(公告)号：CN102521405B
公开(公告)日：2014-06-25
申请号：CN201110441775.9
申请日：2011-12-26
Applicant: 中国科学院计算技术研究所
IPC: G06F17/30
Abstract: 本发明提供一种支持高速加载的海量结构化数据存储、查询方法和系统。其中海量结构化数据的分布式存储方法包括：从用户端接收高速加载的数据；以及利用双滑动窗口结构，将加载的数据进行分布式缓存，并在固定周期之后将缓存的数据进行分布式存储。通过本发明的海量结构化数据分布式存储方法，能够实现对新加载数据的缓存，从而在后期查询数据时能够提高流数据这种对近期加载数据使用频率高的应用下的查询效率。
-
公开(公告)号：CN103412564A
公开(公告)日：2013-11-27
申请号：CN201310320211.9
申请日：2013-07-26
Applicant: 中国科学院计算技术研究所 , 中国人民解放军总参谋部第六十一研究所
IPC: G05D1/00
Abstract: 本发明公开了一种无人系统分布式一致性编队控制方法及其系统，该方法包括：步骤1.为每个节点设置一个初始状态；步骤2.根据需要的编队队形和每个节点的初始状态，得到每个节点相对于头节点的相对位置矩阵；步骤3.设置每个节点的通信功率，使其只能与邻居节点通信；步骤4.调整节点编队中的所有节点的位置；步骤5.根据每个节点的头节点位置以及相对位置矩阵，得到每个节点最终需要的位置。本发明实现了无人编队的协同控制。
-
公开(公告)号：CN102110145A
公开(公告)日：2011-06-29
申请号：CN201110038071.7
申请日：2011-02-15
Applicant: 中国科学院计算技术研究所
IPC: G06F17/30
Abstract: 本发明公开了一种微型FAT文件系统及其数据快速访问方法。所述方法，包括下列步骤：根据FAT文件系统的结构，将所述FAT文件系统中的大量的重复数据压缩，得到一个仅占设定存储空间的FAT文件系统的数据；将得到的数据存储到流水线存储结构ROM中，再将数据从所述流水线存储结构ROM中取出来；将从所述流水线存储结构ROM中取出来的数据快速解压缩。其实现了一种通用的、仅需要较小存储空间的、支持快速访问的FAT文件系统。
-
公开(公告)号：CN111461212A
公开(公告)日：2020-07-28
申请号：CN202010243264.5
申请日：2020-03-31
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种用于点云目标检测模型的压缩方法，具体包括:以原始的点云目标检测模型为教师模型获得学生模型；并用教师模型骨干网络输出的特征矩阵、分类网络输出的软极大值、回归网络输出的前景点生成的检测框分别用于协助训练学生模型的骨干网络、分类网络和回归网络。经本发明处理后的学生模型，其压缩的模型空间及运算量均大幅度小于原网络，保证了模型的压缩率，而对于学生网络的精度弱于教师网络的问题，本专利采用了知识蒸馏的思想，用教师模型辅助训练学生模型提高了学生模型的精度，使得最终提升后的学生模型可以有效的在小存储空间、低运算效率的边缘设备下运行，大大降低了模型对设备的硬件要求，降低了设备成本，提高了计算效率。
-
公开(公告)号：CN110782006A
公开(公告)日：2020-02-11
申请号：CN201910952242.3
申请日：2019-10-09
Applicant: 中国科学院计算技术研究所
IPC: G06N3/04
Abstract: 本发明提供一种生成复杂神经网络的方法，包括：1)从已有的神经网络结构的种群中选择具有高适应度的两个作为父代个体，其中，所述两个父代个体之间具有以卷积层为单位的异构结构；2)将一个卷积层作为最小的操作单位，对所述两个父代个体执行交叉操作以得到子代个体。本发明可以根据已有网络结构方面的经验，有方向性地改变神经网络结构。本发明在不对卷积神经网络进行任何附加训练的情况下，可以实现功能保持，大大节省计算代价。如果对卷积神经网络进行额外训练，可以体现出新产生的神经结构表现更加优秀。在同源结构进行融合的过程中，本发明将已有参数和结构作为指导，能够迅速实现基于功能保持的神经网络结构搜索。
-
Patent Agency Ranking
公开(公告)号：CN107682924B
公开(公告)日：2020-01-07
申请号：CN201710917120.1
申请日：2017-09-30
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种适用于长延迟SIC网络的链路调度方法和系统，包括：根据发送节点数目、环境噪声功率和SIC算法的信号干扰比阈值，生成各发送节点的传输信号所能被SIC算法解码的最小功率值，通过将最小功率值集合为K‑SIC功率阈向量以为各发送节点划分发送功率等级；根据各发送节点的发送数据量，判定长延迟网络的负载状态，并根据负载状态和发送功率等级执行最小帧长调度算法，生成长延迟网络的最小调度帧长；根据发送节点数目、最小调度帧长和接收节点的接收机制，执行最小功率调度算法，得到使得全网功耗最小的链路调度策略。由此可提升长延迟SIC网络内节点间的传输效率，并降低长延迟SIC网络的整体能耗。
-
公开(公告)号：CN104080122A
公开(公告)日：2014-10-01
申请号：CN201410300914.X
申请日：2014-06-27
Applicant: 中国科学院计算技术研究所
Abstract: 本发明公开了一种适用于水下无线传感器网络的媒体访问控制方法及系统，方法包括：使水下无线传感器网络中所有节点时间同步，并使接收节点通过侦听周围邻居节点的通信包来建立该周围邻居节点的延迟图和通信过程表；根据该延迟图和通信过程表判断发起会话是否会引起冲突，如果不会，则发起会话，计算该周围邻居节点的剩余带宽及给该周围邻居节点应该分配的时隙数目；接收节点按照控制包的内容要求，向该周围邻居节点发送请求报文；该周围邻居节点根据该请求报文内容，发送数据包给该接收节点；该接收节点收到该数据包后，广播发送应答报文给该周围邻居节点。该协议能减少控制数据包的花销，提高信道时空复用率，提高信道利用率并提高通信效率。
-
公开(公告)号：CN111461212B
公开(公告)日：2023-04-07
申请号：CN202010243264.5
申请日：2020-03-31
Applicant: 中国科学院计算技术研究所
IPC: G06V10/778 , G06V10/774 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/045 , G06N3/082 , G06N3/091 , G06N3/096
Abstract: 本发明提供一种用于点云目标检测模型的压缩方法，具体包括:以原始的点云目标检测模型为教师模型获得学生模型；并用教师模型骨干网络输出的特征矩阵、分类网络输出的软极大值、回归网络输出的前景点生成的检测框分别用于协助训练学生模型的骨干网络、分类网络和回归网络。经本发明处理后的学生模型，其压缩的模型空间及运算量均大幅度小于原网络，保证了模型的压缩率，而对于学生网络的精度弱于教师网络的问题，本专利采用了知识蒸馏的思想，用教师模型辅助训练学生模型提高了学生模型的精度，使得最终提升后的学生模型可以有效的在小存储空间、低运算效率的边缘设备下运行，大大降低了模型对设备的硬件要求，降低了设备成本，提高了计算效率。
-
公开(公告)号：CN110708185B
公开(公告)日：2021-06-29
申请号：CN201910826850.X
申请日：2019-09-03
Applicant: 中国科学院计算技术研究所
IPC: H04L12/24 , H04L12/741 , H04L12/935 , H04L29/06 , G06F13/42
Abstract: 本发明提出一种用于人工智能处理器的数据互联方法、系统、芯片和装置，包括通过串联多个PCIe Switch构成PCIe互联拓扑树，PCIe互联拓扑树中第一个PCIe Switch的上游端口与通用处理器相连，每个人工智能处理器均与PCIe互联拓扑树中一个PCIe Switch的下游端口相连；通过PCIe桥将第一传感器连接至PCIe互联拓扑树中任一PCIe Switch的下游端口；搭建PCIe‑SRIO桥接模块，以实现SRIO协议和PCIe协议之间的转换，并将PCIe‑SRIO桥接模块的PCIe端口连接至PCIe互联拓扑树中任一PCIe Switch的下游端口；通过互联多个SRIO交换机构成SRIO互联拓扑树，将PCIe‑SRIO桥接模块的SRIO端口连接到SRIO交换机上，以建立SRIO互联拓扑树与PCIe互联拓扑树的互联通路；通过SRIO桥将第二传感器连接至SRIO互联拓扑树中任一SRIO交换机的空闲端口。
-
公开(公告)号：CN111737466A
公开(公告)日：2020-10-02
申请号：CN202010558767.1
申请日：2020-06-18
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种用于深度神经网络交互信息量化的方法，所述方法包括：S1、获取来自于自然语言处理领域数据集的样本，样本中包含多个单元，每个单元对应于一个单词，对样本中的单元进行多次聚合处理直至样本中的单元聚合成一个单元；S2、根据步骤S1中给定样本多次聚合处理过程中单元聚合方式构建反映深度神经网络内部建模的单词间交互信息的树状图。本发明方法可以客观地量化深度神经网络内部建模的输入样本单词间的交互信息，并且根据交互信息比率的大小，对具有显著交互作用的相邻单元进行聚类，最终得到一棵反映深度神经网络内部建模的单词间交互信息的树状层次结构，为进一步理解深度神经网络提供了一种通用的方法。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.046 seconds)
