对有缺失的数据进行近似查询的方法、系统及存储介质

    公开(公告)号:CN112214534A

    公开(公告)日:2021-01-12

    申请号:CN202011133501.9

    申请日:2020-10-21

    Applicant: 湖南大学

    Abstract: 本发明公开了一种对有缺失的数据进行近似查询的方法、系统及存储介质,快速地对存在缺失的数据进行近似查询。对于存在缺失和冗余的数据,首先用深度学习算法对其进行特征提取,然后再使用提取后的数据利用距离敏感布鲁姆过滤器进行近似查找,最终返回查询结果。本发明在高速网络中资源定位、计算机图像搜索等产生大量数据、需要进行近似查询的应用领域,可以解决数据存在缺失的问题,降低资源消耗,适应网络环境。

    一种干扰感知的源节点和路由选择方法

    公开(公告)号:CN104144460A

    公开(公告)日:2014-11-12

    申请号:CN201410089962.9

    申请日:2014-03-12

    Applicant: 湖南大学

    Abstract: 本发明公开了一种干扰感知的源节点和路由选择方法,设计了一个新的路由指标MIPC,来表征考虑无线传输干扰下的路径的吞吐量,该路由指标不仅考虑了流间的干扰,而且也考虑了流内干扰。其次,根据新的路由指标,本发明提出了一种联合源节点选择、路由选择和信道分配的方法。该方法能从多个源节点中,为目的节点找到使得整体网络聚合吞吐量最大的源节点子集,以及这些选定源节点子集和目的节点之间对应的路由及信道分配。本发明的方法可以在充分考虑干扰的影响下同时进行源节点选择、路由选择和信道分配,同时考虑了流内干扰和流间干扰,选择并确定最优服务源节点子集,并计算源节点到目的节点的路由和路由上每跳链路的信道分配,最大化了目的节点的聚合吞吐量。

    一种面向节点移动性的无线mesh网资源分发方法

    公开(公告)号:CN102497406B

    公开(公告)日:2014-07-30

    申请号:CN201110402919.X

    申请日:2011-12-07

    Applicant: 湖南大学

    Abstract: 本发明属于无线网络和移动计算领域,具体公开了一种面向节点移动性的无线mesh网资源分发方法,将移动客户端的资源下载请求转发到资源密度最大的mesh路由器;利用mesh路由器的协调能力,由mesh路由器指定其下的移动客户端提供下载服务,当该移动客户端由于移动而移出了mesh路由器的范围时,由该mesh路由器选择与之关联的其它移动客户端节点继续提供下载服务;该过程一直持续下去,直到该mesh路由器下已经没有移动客户端可以提供下载服务,再将下载请求转发给其他的mesh路由器,本发明能最大程度地消除由于节点移动性而产生的资源下载中断和资源下载的不稳定性。

    一种干扰感知的无线mesh网P2P资源分发方法

    公开(公告)号:CN102497405A

    公开(公告)日:2012-06-13

    申请号:CN201110402740.4

    申请日:2011-12-07

    Applicant: 湖南大学

    Abstract: 本发明公开了一种干扰感知的无线mesh网P2P资源分发方法,包括多跳无线mesh网络,多跳无线mesh网络包括若干个网络节点,网络节点之间互相通信,网络节点包括多个拥有请求文件的节点,即server peer,以及多个请求文件下载的节点,即client peer,client peer通过多跳与server peer通信,本发明在拥有多个server peer的多跳无线mesh网络中,设计合作的资源分发方法,该方法能结合peer选择和路由为多个客户端peer提供最优的资源下载性能,即拥有最大的网络聚合吞吐量和有限的网络下载时延,解决了干扰敏感的P2P资源分发问题。

    基于历史数据的多元时间序列扩散插补方法、终端设备及存储介质

    公开(公告)号:CN119783015A

    公开(公告)日:2025-04-08

    申请号:CN202411663511.1

    申请日:2024-11-20

    Applicant: 湖南大学

    Abstract: 本发明公开了一种基于历史数据的多元时间序列扩散插补方法、终端设备及存储介质,选择多段与当前时间段最匹配的历史数据来补充训练数据,以解决自监督训练过程中训练数据不足的问题。在此基础上,进一步设计了基于历史数据融合方案,充分考虑目标观测数据与历史数据之间的相似性与时间相关性,并利用多个历史数据段通过归一化方式与目标观测数据整合,确保了融合的训练数据分布在真实值的近似值范围内。扩散过程用于训练一个噪声估计模型,将融合的训练数据和部分观测数据同时输入到扩散过程中,为模型的训练提供了丰富的特征信息,去噪过程从一个随机生成的噪声数据开始,利用噪声估计模型,逐步去除噪声,最终得到插补数据。

    基于超球面感知矩阵的轻量级数据采集、传输方法及设备

    公开(公告)号:CN118573363A

    公开(公告)日:2024-08-30

    申请号:CN202410569369.8

    申请日:2024-05-09

    Applicant: 湖南大学

    Abstract: 本发明公开了一种基于超球面感知矩阵的轻量级数据采集、传输方法及设备,当数据采集端接收到数据采集命令时,根据两个随机种子生成超球面感知矩阵,将所述超球面感知矩阵与原始数据相乘,得到采集结果。本发明超球面感知矩阵是通过种子生成的,不需要存储,极大地节约了采集端的存储空间,此外,由于每次数据采集使用的种子不同,因此生成的感知矩阵也不同,因此可以有效抵御已知明文攻击。

    在线网络测量流量恢复方法、终端设备及存储介质

    公开(公告)号:CN116962234A

    公开(公告)日:2023-10-27

    申请号:CN202310823176.6

    申请日:2023-07-06

    Applicant: 湖南大学

    Abstract: 本发明公开了一种在线网络测量流量恢复方法、终端设备及存储介质,根据二维矩阵模型对每个时刻的网络流量数据进行建模;根据历史时刻的流量数据来训练一个基础的子空间列并且标记这些列的索引,通过计算得到一个杠杆得分;根据子空间列的索引,选择当前时刻需要全采样的子空间列,对于剩余的列,仅采样部分元素;根据当前时刻的采样矩阵判断是否需要继续采样,当残差最大值小于某一个阈值时,使用基于子空间矩阵填充来恢复未采样数据,当残差的最大值大于某一个阈值时,根据残差大小选择需要继续测量的列,更新列空间,然后恢复未采样数据。本发明解决了现有技术中恢复精度低和无法在线恢复等问题,实现了低开销的在线网络测量。

    物联网设备检测方法、终端设备及存储介质

    公开(公告)号:CN116484257A

    公开(公告)日:2023-07-25

    申请号:CN202310462519.0

    申请日:2023-04-26

    Applicant: 湖南大学

    Abstract: 本发明公开了一种物联网设备检测方法、终端设备及存储介质,利用物联网设备与网关交互的数据包长度,方向,以及时间戳作为特征,先将每种物联网设备类型与网关交互的数据包转化为流的形式,再将物联网设备流按照一定的规则转化为图结构。设计一种图神经网络模型,能够将设备流图输入到图神经网络中学习图及其子图的特征,从而对不同类型的物联网设备流进行识别。本发明还提出了一个可持续学习框架,用于对新的物联网设备类型进行持续学习,这使得在已学过的设备类型不受到灾难性遗忘的情况下,检测系统能够检测新的物联网设备类型,而无需从头开始重新训练模型,这样会减少训练时间和计算资源。

    一种基于令牌转换的多序列日志解析方法和系统

    公开(公告)号:CN115858219A

    公开(公告)日:2023-03-28

    申请号:CN202211577597.7

    申请日:2022-12-09

    Applicant: 湖南大学

    Abstract: 本发明公开了一种基于令牌转换的多序列日志解析方法,包括:获取多条日志数据,对所有日志数据进行预处理,以得到日志令牌消息,对所有日志令牌消息按长度分为多个日志组,针对每一个日志组中的每条日志令牌消息而言,对该日志令牌消息包含的每个令牌进行令牌转换操作,从而得到更新后的日志组,使用多序列公共子序列算法对每一个更新后的日志组进行模板提取,以得到该日志组对应的日志模板,针对所有日志组而言,对所有日志组对应的所有日志模板中任意两个相邻的日志模板进行相似性计算,将相似性计算结果中小于或等于预设阈值的两个日志模板进行合并,相似性计算结果大于预设阈值的日志模板不进行合并,以得到最终的日志模板。

    一种含有缺失数据的数据保距性降维方法

    公开(公告)号:CN110852366A

    公开(公告)日:2020-02-28

    申请号:CN201911059239.5

    申请日:2019-11-01

    Applicant: 湖南大学

    Abstract: 本发明公开了一种含有缺失数据的数据保距性降维方法,涉及数据处理技术领域。所述数据保距性降维方法,通过缺失数据矩阵使原始数据中的缺失部分不参与自动编码器损失函数的计算,使自动编码器能够处理含有缺失数据的降维,且避免了缺失数据对自动编码器造成的影响;同时借助于自动编码器强大的自动学习能力,能够有效地捕获原始数据之间复杂的非线性关系,再通过约束更新损失函数中编码器的权重矩阵,使降维处理具有保距性,最大程度地使降维后的低维数据保留了原始高维数据的分布信息,便于后续的数据处理,节省了数据处理时间和空间。

Patent Agency Ranking