公开(公告)号：CN116723193A

公开(公告)日：2023-09-08

申请号：CN202310242559.4

申请日：2023-03-14

Applicant: 重庆大学

Inventor： 杨正益 ,  易雄宇 ,  程旺鑫 ,  郝金隆 ,  李秀华 ,  唐照翔 ,  文俊浩 ,  周魏

IPC: H04L67/1008 ,  H04L67/1027 ,  H04L67/62 ,  H04L67/12

Abstract: 本发明适用于数据处理中云计算任务优化调度领域，提供了一种基于车载以太网的负载均衡方法、装置及终端设备，方法包括在J个服务实例运行的设备中计算第j个服务实例的负载率；获取第j个服务实例的执行时间；在客户端运行的设备中，获取车载应用请求的响应时间，响应时间为车载应用请求发出至客户端接收到响应数据的时间；通过改进蚁群算法生成负载均衡调度指令，以使客户端执行负载均衡调度指令；当客户端收到任意服务实例的不可用事件通知时，或接收到新增服务实例通知时，更新通过改进蚁群算法生成负载均衡调度指令所使用的信息素矩阵。本发明可以选择执行时间更短、响应速度更快、负载水平更低的目标服务实例来执行车载应用请求。

公开(公告)号：CN112631717B

公开(公告)日：2023-09-05

申请号：CN202011514515.5

申请日：2020-12-21

Applicant: 重庆大学

Inventor： 范琪琳 ,  王天富 ,  李秀华 ,  熊庆宇 ,  潘盼 ,  文俊浩 ,  高旻

IPC: G06F9/455 ,  G06F18/20 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开基于异步强化学习的网络服务功能链动态部署系统及方法。系统包括信息获取模块、神经网络训练模块、虚拟网络功能放置模块、放置校验模块和数据库；方法步骤为：1)获取服务功能链请求；2)生成虚拟网络功能的放置方式，并完成虚拟网络功能的放置；3)判断服务功能链请求中所有虚拟网络功是否均放置成功，若是，则接受所述服务功能链请求；否则，拒绝所述服务功能链请求，释放已占用的资源。本发明将单个服务功能链部署问题建模为一个有限步数的马尔科夫决策过程，优化目标为最大化接受率和长期平均收益，以此来适应强化学习方法架构。

公开(公告)号：CN116401445A

公开(公告)日：2023-07-07

申请号：CN202310166078.X

申请日：2023-02-23

Applicant: 重庆大学

Inventor： 杨正益 ,  郭向星 ,  杨佳佳 ,  周魏 ,  文俊浩 ,  王丽平 ,  易雄宇

IPC: G06F16/9535 ,  G06F16/9536

Abstract: 本发明公开一种基于性格感知及复杂关系交互的服务推荐系统，包括信息获取模块、用户性格子图生成模块、信息传播模块、信息融合模块和个性化推荐模块；本发明将用户性格对用户偏好的影响考虑在内，构建用户性格图，提升了用户表示的精准度。

公开(公告)号：CN112860429B

公开(公告)日：2023-06-16

申请号：CN202011595152.2

申请日：2020-12-29

Applicant: 重庆大学

Inventor： 李秀华 ,  吴凡凡 ,  李辉 ,  徐峥辉 ,  明钊 ,  范琪琳 ,  文俊浩 ,  熊庆宇

IPC: G06F9/50 ,  G06F30/20 ,  G06F111/04 ,  G06F111/06

Abstract: 本发明公开一种移动边缘计算系统中任务卸载的成本效率优化系统及方法。方法步骤为：1)搭建移动边缘计算系统；2)计算能量成本和时间成本；3)设置任务的卸载决策变量，并建立用户服务体验增益模型；4)利用用户服务体验增益模型确定任务Ri的卸载决策；5)计算成本效率；6)确定基于任务卸载优先级的任务卸载方案。系统包括移动边缘计算系统、能量成本和时间成本计算模块、单任务卸载决策生成模块、任务卸载成本效率计算模块、任务卸载方案生成模块和数据库。本发明可以实现移动边缘计算系统能量‑时间成本效率最大化。

公开(公告)号：CN114781545B

公开(公告)日：2023-05-05

申请号：CN202210511356.6

申请日：2022-05-10

Applicant: 重庆大学

Inventor： 胡春强 ,  王天琪 ,  邓绍江 ,  向涛 ,  蔡斌 ,  桑军 ,  文俊浩

IPC: G06F18/214 ,  G06N20/00

Abstract: 本发明提供了一种联邦学习方法及系统。包括：S1，将初始全局模型发送给所有客户端，客户端上传初始本地模型至中央服务系统；S2，根据客户端上传的初始本地模型对客户端进行聚类获得一个以上客户端类；S3，对全局模型进行多轮迭代训练直到达到迭代停止条件，第t轮迭代训练：从每个客户端类中选取至少一个客户端参与训练；基于客户端返回的第t轮本地模型和第t轮损失函数值判断参与第t轮迭代训练的客户端之间是否存在梯度冲突，并根据梯度冲突情况获取累积模型差异；利用累积模型差异更新第t轮全局模型。将模型不公平性原因分为外部矛盾和内部矛盾两类进行消除，提高选取客户端的代表性和公平性，减少训练轮次和通信成本，加快收敛。

公开(公告)号：CN111538916B

公开(公告)日：2023-04-18

申请号：CN202010309687.2

申请日：2020-04-20

Applicant: 重庆大学

Inventor： 曾骏 ,  唐浩然 ,  于扬 ,  姚娟 ,  文俊浩

IPC: G06F16/9537 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明涉及基于神经网络和地理影响的兴趣点推荐方法，具体的：获取用户的历史签到数据；分别以双通道的神经网络的形式，对用户向量和位置向量进行降维，使得用户和位置处于同一维度的向量空间；将降维后的用户向量和位置向量传入联合神经网络，同时结合它们内积的结果，得到联合神经网络的预测输出；基于均方损失函数，采用梯度下降算法，对所有神经网络层进行训练并不断更新未知参数；基于全体签到数据中的每相邻两点之间的地理距离，采用幂律分布来模拟用户访问下一个位置的距离可能性，并根据距离可能性的大小进行排序，生成推荐列表输出。本发明方法运用深度学习技术，充分挖掘用户对兴趣点的潜在偏好和移动模式，且极大地缩短计算时间，节约计算成本。

公开(公告)号：CN115660776A

公开(公告)日：2023-01-31

申请号：CN202211277665.8

申请日：2022-10-19

Applicant: 重庆大学

Inventor： 谭立志 ,  文俊浩 ,  周魏 ,  杨正益

IPC: G06Q30/0601 ,  G06N3/0464 ,  G06N3/08

Abstract: 一种融合深度矩阵分解和多特征交叉的内容资源推荐方法，包括以下步骤：1)构建交互矩阵Yij；2)构建交互矩阵深度分解模块，将交互矩阵Yij输入到交互矩阵深度分解模块中，获得映射结果DNN；3)获取独热向量y和数值型特征向量Xfeature；4)构建多特征交叉模块，将独热向量y和数值型特征向量Xfeature输入到多特征交叉模块中，获得组合结果Cross；5)构建点击率预测模块，将映射结果DNN和组合结果Cross输入到点击率预测模块中，获得内容资源推荐方案。本发明同时利用用户、内容资源的属性信息和用户的交互数据做推荐，进行了用户交互数据的处理和用户、内容资源属性信息的处理，再结合运算结果做点击率预测，从而为用户推荐内容资源。

公开(公告)号：CN113033100B

公开(公告)日：2022-11-29

申请号：CN202110330102.X

申请日：2021-03-29

Applicant: 重庆大学

Inventor： 曾骏 ,  姚娟 ,  于扬 ,  文俊浩

IPC: G06F30/27 ,  G06N3/00 ,  G06Q10/10 ,  G06Q50/04

Abstract: 本发明涉及一种基于混合教学优化算法的云制造服务组合方法。包括如下步骤：从公开数据集中选择服务s并初始化得到初始种群P；计算初始种群P中每个个体的QoS值并选出最优值F(Pbest)和最优个体最优个体Pteacher；按比例分为种群A和种群B，并分别从群A和种群B中计算遴选出新个体组成子代个体；计算新个体的适应度值，选出最大适应度QoS’值与最优值F(Pbest)进行比较，来更新服务组合方案；重复上述步骤，当达到预设最大迭代次数时停止，输出最优值F(Pbest)，此时该最优值F(Pbest)对应的个体为最优服务组合。实验表明，该方法对于提高大规模环境下的服务组合的解质量是非常有效的。

公开(公告)号：CN111813084B

公开(公告)日：2022-10-28

申请号：CN202010662863.0

申请日：2020-07-10

Applicant: 重庆大学

Inventor： 熊庆宇 ,  吴丹 ,  易华玲 ,  杨正益 ,  胡瑶 ,  文俊浩 ,  张致远

IPC: G05B23/02 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的机械装备故障诊断方法，具体包括以下步骤：步骤S1：对机械设备的主要数据源和次要数据源进行数据采集并进行预处理，得到数据集；步骤S2：采用5折交叉验证方法，将数据集分为训练集、验证集和测试集；步骤S3：基于CNN和BD‑LSTM建立故障诊断模型，将训练集输入故障诊断模型中提取隐藏特征后进行训练，并输出诊断结果。本发明采用BD‑LSTM进行平滑跟踪和预测结果，处理了由于操作和环境干扰引起的不确定性；传感器监测数据采用CNN和BD‑LSTM并行提取隐藏特征，两条没有相关性的路径输出都会影响预测，且可根据预测的误差校正网络中的每个参数。

公开(公告)号：CN114398954A

公开(公告)日：2022-04-26

申请号：CN202111545844.0

申请日：2021-12-16

Applicant: 重庆大学 ,  重庆工业大数据创新中心有限公司

Inventor： 李秀华 ,  韩苏宁 ,  徐峥辉 ,  邢镔 ,  胡小林 ,  朱林全 ,  杨正益 ,  文俊浩

IPC: G06K9/62 ,  G06N3/00 ,  G06N3/04 ,  G06N3/08 ,  G06F11/34

Abstract: 本发明公开一种基于混合优化策略极限学习机的云服务器负载预测方法，步骤为：1)建立极限学习机模型；2)构建鲸鱼优化器，3)使用多样混合优化策略更新鲸鱼优化器；4)将迁移策略引入鲸鱼优化器，得到混合策略鲸鱼优化器；5)获取云服务器历史负载数据，并对混合策略鲸鱼优化器进行训练，得到最优超参数P；6)将最优超参数输入至极限学习机模型中，建立云服务器负载预测模型；7)获取当前云服务器负载数据，并输入到云服务器负载预测模型中，对云服务器未来负载进行预测。本发明提供一种基于混合优化策略极限学习机的云服务器负载预测方法，该方法可以大大提高云服务器负载的预测精度。