-
公开(公告)号：CN110941793A
公开(公告)日：2020-03-31
申请号：CN201911145150.0
申请日：2019-11-21
Applicant: 湖南大学
IPC: G06F17/16
Abstract: 本发明公开了一种网络流量数据填充方法、装置、设备及存储介质，将网络流量数据建模成三维原始张量，深入挖掘网络流量数据之间的周期性特征，反映了网络流量数据的多维特性；将Expectile回归与CP分解结合来构造损失函数，通过对设定权重w的选择可以有针对性的进行数据的精准恢复，实现对大象流数据的精准恢复；同时，Expectile回归既能描述数据的中心特性，又能描述数据的尾部特性，反映了数据的全貌特征，解决了传统方法无法描述数据各部分局部特性的问题；该方法根据非负矩阵分解算法与Expectile回归对因子矩阵进行更新，在更新过程中，既不需要像ALS算法计算矩阵的逆矩阵，又无需像SGD算法反复权衡一个合适的学习步长，极大地降低了计算的复杂度。
-
公开(公告)号：CN101082923A
公开(公告)日：2007-12-05
申请号：CN200710035385.5
申请日：2007-07-18
Applicant: 湖南大学
IPC: G06F17/30
Abstract: 本发明提供一种可扩展布鲁姆过滤器(Scalable Bloom filter)查询方法，在数据集元素个数增长的情况下，通过添加长度成倍增长过滤器向量来保持很低的误判率，并给出了一种可扩展布鲁姆过滤器查询方法的元素插入方法。实验表明，可扩展布鲁姆过滤器的元素查询误判率永远小于动态布鲁姆过滤器，可以控制查询误判率在1％，在3.0GHz的CPU机器中，一次元素查询时间仅20μs，比DBF查询速度快很多倍。本发明在现有的布鲁姆过滤器应用领域都可以适应，由于支持集合的动态扩展，因此比现有的布鲁姆过滤器具有更加广泛的应用前景。
-
公开(公告)号：CN1881898A
公开(公告)日：2006-12-20
申请号：CN200610031645.7
申请日：2006-05-12
Applicant: 湖南大学
Abstract: 一种基于节点轨迹标签的无结构P2P副本一致性维护方法，它通过在消息报文中添加已经接收到更新消息的节点地址轨迹标签，利用此标签在消息传输源头完成传输过程中的消息冗余判断，控制冗余消息传输，减少冗余副本更新消息数量，断绝副本更新消息传输循环。还用Bloom Filter优化地址链表示和节点地址查找，减少添加到报文中的轨迹长度，同时简化传输节点的冗余判断。该发明可大大降低冗余消息数目，提高P2P系统的可扩展性，副本节点网络连通性越强，消息数目和传输带宽减少越明显。本发明可用于无结构P2P副本维护、无线网络资源副本维护、复杂网络病毒免疫传输维护等其他自组织网络或分布式存储系统资源一致性维护中。
-
公开(公告)号：CN119484842B
公开(公告)日：2025-03-21
申请号：CN202510071184.9
申请日：2025-01-16
Applicant: 湖南大学
IPC: H04N19/154 , H04N19/136 , H04N19/172 , H04N19/85 , G06V40/16
Abstract: 本发明涉及视频信号压缩技术领域，具体公开基于关键帧预测的人脸视频压缩方法及系统，该方法包括：人脸视频质量分析、人脸视频关键帧提取、人脸视频压缩以及人脸压缩视频解压与重构，通过分析人脸初始视频特征数据，准确评估人脸初始视频的质量，通过分析各提取帧的特征数据，深入了解提取帧内容的细节和变化，为后续的关键帧提取提供准确依据，确保提取出的关键帧能够准确反映视频中的变化，将人脸视频中的各关键帧和各特征帧采用不同的压缩编码，更加高效地利用压缩资源，同时保证视频的质量和清晰度，通过分析第二人脸视频特征数据，判断经过压缩的人脸视频最终的质量是否达到预期，确保人脸视频压缩的质量和效果达到预期要求。
-
公开(公告)号：CN119313680B
公开(公告)日：2025-03-11
申请号：CN202411872145.0
申请日：2024-12-18
Applicant: 湖南大学
Abstract: 本发明公开了基于多模态融合的青光眼区分检测方法及系统。该方法涉及青光眼区分检测技术领域，包括以下步骤：采集青光眼区分检测数据；分析青光眼区分检测数据；综合分析并优化调整青光眼区分检测数据质量准确性方法。本发明通过采集并处理青光眼区分检测数据，对青光眼区分检测数据进行分析，得到青光眼区分检测数据完整性评估指数和青光眼区分检测数据图像质量评估指数，综合分析并优化调整青光眼区分检测数据质量准确性方法，提高了基于多模态融合的青光眼区分检测方法及系统准确性，解决了现有技术中存在基于多模态融合的青光眼区分检测方法及系统准确性不足的问题。
-
Patent Agency Ranking
公开(公告)号：CN114692832B
公开(公告)日：2024-08-27
申请号：CN202210310671.2
申请日：2022-03-28
Applicant: 湖南大学
IPC: G06N3/0442 , G06N3/084 , H04L9/40 , H04L43/0876
Abstract: 本发明公开了一种网络流量测量数据中缺失值的恢复方法，包括将网络流量数据建模成源节点‑目的节点‑测量时隙的三维张量，将每一个源节点、目的节点、测量时隙映射到共享的潜在特征空间(D维向量空间)并嵌入为因子向量，使用注意力增强的长短期记忆网络考虑网络流量的时间模式对时间因子向量进行增强，设计一种新的多模式融合方法——轻量级三线性池化作为张量填充的交互函数有效建模潜在因子向量不同特征维度之间的三向及多阶非线性相关性精确估计网络流量的缺失值，将所有缺失值的估计值与所有测量值合并得到完整的网络流量数据。本发明还公开了一种网络流量测量数据中缺失值的恢复系统。
-
公开(公告)号：CN111222638B
公开(公告)日：2023-05-12
申请号：CN201911147757.2
申请日：2019-11-21
Applicant: 湖南大学
IPC: G06N3/08
Abstract: 本发明公开了一种基于神经网络的网络异常检测方法及装置，涉及网络检测技术领域。所述网络异常检测方法及装置，先将网络流量数据样本经投影矩阵降维处理，再将降维后的数据输入神经网络模型得到输出结果，通过输出结果与实际值之间的误差进行权重矩阵、偏置项以及投影矩阵的更新，使神经网络模型不断的自学习，并且在面对缺失数据时具有良好的自学习和自适应能力，使训练过程不易陷入局部最优，保证了训练过程和模型的稳定性，数据降维后再输入至神经网络，大大降低了训练数据量、时间复杂度和空间复杂度；最后用训练好的神经网络模型进行网络异常流量检测，提高了缺失数据的检测精度。
-
公开(公告)号：CN115994157A
公开(公告)日：2023-04-21
申请号：CN202211602590.6
申请日：2022-12-13
Applicant: 湖南大学
IPC: G06F16/2455 , G06F16/22 , G06F16/23 , G06F40/186 , G06F40/205
Abstract: 本发明公开了一种面向日志局部性特征的快速日志解析方法，其将日志数据集切分为模板提取数据集和日志匹配数据集，对于模板提取数据集：按照日志长度将模板提取数据集中的日志消息切分为不同的日志组，对日志组中的日志消息执行适用于日志数据的多序列最长公共子序列算法提取该日志组的公共单词，判断公共单词的个数是否符合阈值，大于或等于阈值时，为该日志组生成日志模板，将模板加入到模板库中并更新缓存。本发明通过将计算机日志切分到日志组中，对多条日志消息执行适用于日志数据的多序列最长公共子序列算法，一次性提取多条日志消息的公共单词来获取模板，并使用基于缓存的就近匹配算法为每条日志消息匹配模板，提高了日志解析效率和精度。
-
公开(公告)号：CN109947597B
公开(公告)日：2022-12-23
申请号：CN201910211736.6
申请日：2019-03-20
Applicant: 湖南大学
Abstract: 本发明公开了一种网络流量数据恢复方法及系统，输入一个3阶的流量张量其中，是一个不完整张量，I维度表示时隙、J维度表示天数、K维度表示源节点到目的节点之间的流量数据，即OD对；通过张量的平行因子分解，即CP分解，求因子矩阵利用三个因子矩阵A,B,C选择锚点，计算数据间的相似度距离，构建子张量。通过子张量的填充和数据加权融合恢复原始的网络流量张量。本发明能够有效的挖掘并利用数据内部隐藏的相似性，实现更加精准的张量数据填充；对所需填充的张量数据放松了整体低秩的假设约束，只需假设需要恢复的张量具有局部低秩性，更加适用于真实数据集。
-
公开(公告)号：CN114493014A
公开(公告)日：2022-05-13
申请号：CN202210107028.X
申请日：2022-01-28
Applicant: 湖南大学
Abstract: 本发明公开了一种多元时间序列预测方法、系统及计算机产品、存储介质，使用两个特征提取编码分别提取长短期历史数据矩阵的时空特征向量，将历史时间序列矩阵输入空间特征提取编码器，生成加权注意力空间特征向量，将加权空间特征向量输入门控循环单元生成时空特征向量；将长期历史数据矩阵提取的时空特征向量输入交互注意力模块生成加权特征向量；将短期历史数据矩阵输入自回归层，生成短期历史时间序列数据的线性预测结果；将加权特征向量和编码特征向量结合输入全连接层生成神经网络预测结果，将神经网络预测结果和自回归层线性预测结果相加得到最终的预测结果。本发明实现了多元时间序列数据精准预测。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.022 seconds)
