公开(公告)号：CN100419776C

公开(公告)日：2008-09-17

申请号：CN200610144353.4

申请日：2006-12-04

Applicant: 中国科学院计算技术研究所

Inventor： 何子键 ,  徐勇军 ,  谢磊 ,  李晓维

IPC: G06F21/00 ,  H04L9/14

Abstract: 本发明涉及集成电路设计中的微处理器设计技术领域，公开了一种可编程安全处理器，该安全处理器包括程序存储器、控制堆栈、控制译码器、运算译码器、RAM控制器、运算执行器、运算堆栈和接口模块。本发明提供的这种可编程安全处理器，是一个能支持可编程的结构，通过分析大部分密码运算的基本运算，然后设置这些基本运算单元，然后通过程序控制和基本运算就能实现多种加解密算法。由于这种可编程安全处理器支持可编程，而且易于高效实现多种密码算法，所以满足了在嵌入式应用中需要快速实现多种密码算法的需求。

公开(公告)号：CN1963746A

公开(公告)日：2007-05-16

申请号：CN200610164874.6

申请日：2006-12-07

Applicant: 中国科学院计算技术研究所

Inventor： 高建良 ,  何子键 ,  徐勇军 ,  李晓维

IPC: G06F9/318 ,  G06F7/52

Abstract: 本发明涉及安全处理器技术领域，公开了使用乘加加指令实现长数据乘法的装置，该装置包括：部分积产生单元，用于实现第一源操作数与第二源操作数的乘积，将得到的乘积输出给压缩单元；压缩单元，用于实现部分积产生单元输入的部分积、第三源操作数和第四源操作数的压缩，将压缩结果输出给加法单元；所述第三源操作数为对应权重的中间结果，第四源操作数为上一次乘加加运算产生的进位；加法单元，用于对接收自压缩单元的压缩结果进行最终加法操作，输出积与进位。本发明同时公开了一种使用乘加加指令实现长数据乘法的方法。利用本发明，大大提高了安全处理器在执行长数据乘法运算时的运算效率和速度。

公开(公告)号：CN119669663A

公开(公告)日：2025-03-21

申请号：CN202411634098.6

申请日：2024-11-15

Applicant: 中国科学院计算技术研究所

Inventor： 王飞 ,  李雨杰 ,  徐勇军 ,  邵泽志 ,  余澄庆 ,  孙涛

IPC: G06F18/15 ,  G06F18/213 ,  G06F18/2131 ,  G06N3/0455 ,  G06N3/042 ,  G06N3/045 ,  G06N3/08 ,  G06F123/02

Abstract: 本发明提供一种用于多元时间序列分析的外插模型及其训练方法，模型包括：数据获取模块，用于获取所有传感器的待外插时序数据和元数据，待外插时序数据包括各传感器在预定时间段内的时序数据，所有传感器中包括缺失全部时序数据的目标传感器且其时序数据以预设缺失值替代；元数据图建模模块，用于基于待外插时序数据和元数据提取各传感器间的动态时空关系，根据动态时空关系构建元数据图；编码器，用于基于预定义图和元数据图编码待外插时序数据，得到编码结果；解码器，用于基于预定义图和元数据图对编码结果进行解码，得到解码结果；聚合层，用于聚合编码结果和解码结果，得到外插结果；其中，采用对抗训练方式训练得到经训练的外插模型。

公开(公告)号：CN119442131A

公开(公告)日：2025-02-14

申请号：CN202411430489.6

申请日：2024-10-14

Applicant: 中国科学院计算技术研究所

Inventor： 徐勇军 ,  余澄庆 ,  邵泽志 ,  付屹松 ,  杜一凡 ,  王飞

IPC: G06F18/25 ,  G06F18/214 ,  G06F18/213 ,  G06N3/045 ,  G06N3/08

Abstract: 本发明提供了一种基于多尺度融合的多元时间序列预测模型构建方法，所述方法包括：步骤S1、获取训练数据集，所述训练数据集包括多个预设时间段的多元时间序列数据；步骤S2、构建初始模型；步骤S3、以多元时间序列数据作为输入，多元时间序列数据的下一个时间段的多元时间序列数据作为预测输出，采用训练数据集基于预设的损失函数训练初始模型直至收敛，得到多元时间序列预测模型。本发明构建的多元时间序列预测模型不仅能够提取不同尺度下的时域和频域信息，还能对不同尺度下的时域信息和频域信息进行对齐融合，以充分利用多元时间序列数据的时域信息和频域信息实现多元时间序列数据的精准预测。

公开(公告)号：CN118760981A

公开(公告)日：2024-10-11

申请号：CN202410882198.4

申请日：2024-07-03

Applicant: 中国科学院计算技术研究所

Inventor： 王鹏 ,  徐勇军 ,  王飞

IPC: G06F18/2415 ,  G06F18/2433 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/045 ,  G06F18/213 ,  G06N3/048

Abstract: 本申请公开了一种基于深度卷积神经网络的轨迹分类方法，包括：基于待分类的原始轨迹数据，进行数据清洗和数据格式转换，输出压缩的网格序列；将压缩的网格序列的编码输入预构建的静态轨迹分类模型，通过双向长短期记忆网络提取轨迹序列中的上下文信息，采用多头自注意力机制结合分块最大池化方法，提取轨迹语义信息，综合输出轨迹的静态信息分类结果；将压缩前的网格序列的编码转换为单通道灰度图，输入预构建的时空图像轨迹分类模型进行特征提取分类，输出轨迹的动态图像信息分类结果；其中，所述轨迹图像分类模型采用改进的卷积神经网络。本发明采用静态与动态轨迹信息分类方法相结合，有效地利用整个网格序列，在轨迹分类任务上取得性能提升。

公开(公告)号：CN118055055A

公开(公告)日：2024-05-17

申请号：CN202311806725.5

申请日：2023-12-26

Applicant: 中国科学院计算技术研究所

Inventor： 王琪 ,  黄建辉 ,  李婷婷 ,  刘存壮 ,  徐勇军

IPC: H04L45/02 ,  H04W40/02 ,  H04W40/20 ,  H04W40/12 ,  H04B7/185 ,  H04W84/06 ,  H04W40/24 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/092

Abstract: 本发明实施例提供了一种无人机网络系统和无人机路由决策方法，每个无人机节点均配置有：定位设备，用于获取其所在无人机节点的实时定位位置；移动预测模型，用于根据其所在无人机节点的历史速度预测其当前位置和速度；队列预测模型，用于基于其所在无人机节点当前的邻居表预测该无人机节点的当前队列变换率；路由决策模型，根据当前位置、速度、队列变化率以及历史轨迹状态作出路由决策。该方案采用多种深度学习模型组合的方式能够更加准确地为无人机节点作出最优的路由决策。

公开(公告)号：CN112085746B

公开(公告)日：2024-02-02

申请号：CN202010937140.7

申请日：2020-09-08

Applicant: 中国科学院计算技术研究所厦门数据智能研究院

Inventor： 安竹林 ,  许开强 ,  程坦 ,  徐勇军

IPC: G06T7/11 ,  G06T7/12 ,  G06N3/0464

Abstract: 本发明公开了一种基于增强特征表示的图像分割方法，包括如下步骤：S1、以卷积神经网络作为骨干网络，将待分割图像输入到卷积神经网络以获得初次分割结果，输出特征图；S2、利用全局平均池化捕获所述特征图的类别整体特征；S3、重建像素特征，将其用于分类获得最终的分割图像。本发明通过捕获各类别的整体特征，将其作用于各类别内像素点，进而增强像素特征表示，提高类内像素点的相似度和类间像素点的判别性，从而提高图像分割的准确性。

公开(公告)号：CN117113206A

公开(公告)日：2023-11-24

申请号：CN202311156428.0

申请日：2023-09-08

Applicant: 中国科学院计算技术研究所

Inventor： 王元 ,  王飞 ,  徐勇军 ,  邵泽志

IPC: G06F18/2411 ,  G06F18/214

Abstract: 本发明提供了一种轻量化的大尺度多元时间序列预测模型及其训练方法，该训练方法包括：获取训练集，其包括多个交通流量样本和对应的标签；获取初始构建的交通流量预测模型，其包括：用于存储多个源表示向量的存储体，每个源表示向量是表示一种空间属性的原型向量，用于提取每个时间序列的时序特征的编码器，用于根据每个时间序列的时序特征、空间标识向量和时间序列被采集时对应的时间属性确定每个时间序列对应的道路在一个或者多个未来时刻的交通流量的解码器，每个时间序列的空间标识向量是根据每个时间序列的时序特征与存储体中各个源表示向量的注意力值对各个源表示向量进行加权得到；利用训练集对交通流量预测模型进行多次迭代训练。

公开(公告)号：CN112564712B

公开(公告)日：2023-10-10

申请号：CN202011344089.5

申请日：2020-11-26

Applicant: 中国科学院计算技术研究所

Inventor： 王琪 ,  刘建敏 ,  徐勇军 ,  王永庆

IPC: H03M7/40 ,  G06N3/0464 ,  G06N3/092

Abstract: 本发明提供一种基于深度强化学习的网络编码方法，所述方法包括：源节点将要发送的信息划分成K个片，根据源节点编码模型确定每个片的编码系数，生成并向下一跳节点发送编码包；中间节点接收前一节点发送的编码包，将收到的编码包再次编码，根据中间节点编码模型确定编码系数，生成并向下一跳节点发送编码包，其中所述源节点和中间节点编码模型通过对DQN网络训练得到。本发明可以根据网络动态变化来自适应地调节编码系数，改善解码效率，并具备良好的模型泛化能力，能泛化于具有不同网络规模和不同链路质量下的网络，本发明分别在源节点和中间节点上分布式执行的各自的编码系数优化模型，简化了编码系数优化实施并且改善了DQN训练的稳定性。

公开(公告)号：CN111459997B

公开(公告)日：2023-07-21

申请号：CN202010183569.1

申请日：2020-03-16

Applicant: 中国科学院计算技术研究所

Inventor： 钱塘文 ,  徐勇军 ,  吴琳 ,  邵泽志 ,  余泳

IPC: G06F16/2458 ,  G06F16/29 ,  G06F16/906

Abstract: 本发明实施例提供了一种时空轨迹数据的频繁模式增量挖掘方法和电子设备，该方法用于对船舶或者航空器的时空轨迹数据进行挖掘，该方法先对轨迹点进行聚类形成多个聚类类簇，每个聚类类簇包括聚类中心和聚类范围，每个聚类中心配有一个身份标识，提取经纬度坐标落在相应聚类类簇的聚类范围的轨迹点并将其用该聚类类簇的聚类中心的身份标识表示，得到用聚类中心的身份标识按序排列表示的经映射后的轨迹，对经映射后的轨迹进行频繁模式挖掘，具有抗干扰性强且便于识别目标的重复轨迹的特定，便于找出目标的轨迹规律，以便为相关用户提供准确的轨迹预测或者服务。