-
公开(公告)号:CN111754000B
公开(公告)日:2022-10-14
申请号:CN202010590843.7
申请日:2020-06-24
Abstract: 本发明公开了一种质量感知的边缘智能联邦学习方法及系统,该方法包括:云平台以多个学习任务的聚合模型质量之和在每次迭代中都达到最大为优化目标,构建联邦学习质量优化问题并解决:在每次迭代中,利用参与节点的历史学习质量记录预测参与节点的学习质量;其中,利用每次迭代中损失函数值的减少量来量化节点训练数据的学习质量;在每次迭代中,云平台通过反向拍卖机制激励高学习质量的节点参与联邦学习;以进行学习任务和学习报酬的分配;在每次迭代中,对于每个学习任务,每个参与节点将其本地模型参数上传到云平台以聚合得到全局模型。本发明可以在保护数据隐私的情况下,为模型的训练提供更丰富的数据和更多的算力,以提高模型的质量。
-
公开(公告)号:CN113821929B
公开(公告)日:2022-08-02
申请号:CN202111123349.0
申请日:2021-09-24
Applicant: 中南大学
IPC: G06F30/20 , G06Q10/04 , G06Q50/26 , G06F119/12
Abstract: 本发明公开了基于时空注意力机制的高速路网站点流量预测方法及系统,通过构建目标站点的训练样本集,构建基于时空注意力机制的站点流量预测模型,并使用训练样本集中的训练数据训练站点流量预测模型,使其学习目标站点预测时刻的流量数据与其过去一段时间内的历史流量数据之间的时间依赖关系以及目标站点预测时刻的流量数据及其关键来源站点关联时刻的流量数据之间的动态空间相关性;并基于训练所得的时间依赖关系和动态空间相关性对目标站点的流量数据进行预测。本发明能捕捉目标站点的流量数据及其关键来源站点的流量数据之间的精确的动态空间相关性,并结合站点流量的时间依赖关系进行流量预测,从而提高复杂高速路网中站点流量的预测精度。
-
公开(公告)号:CN114281545A
公开(公告)日:2022-04-05
申请号:CN202111618376.5
申请日:2021-12-20
Applicant: 中南大学
Abstract: 本发明公开了一种基于CPU资源与图像模型时延关系的资源分配方法,目的是减少CPU资源浪费,降低图像任务队列处理时延。技术方案是构建由接收端口,图像模型模块,测试控制模块,测试模块,监控模块,函数拟合模块,调度模块组成的基于CPU资源与图像模型时延关系的资源分配系统;资源分配系统各模块相互配合,对N个任务需求中的图像模型进行测试,得出N个拟合函数;调度模块N个拟合函数及N个任务请求,按照任务请求的到达顺序,将CPU各个核的空闲资源分配给N个任务。采用本发明能够减少任务过多时CPU处理图像任务队列的总时延,减少CPU资源浪费,改善CPU并行处理任务的能力,提高计算机综合效率。
-
公开(公告)号:CN113821929A
公开(公告)日:2021-12-21
申请号:CN202111123349.0
申请日:2021-09-24
Applicant: 中南大学
IPC: G06F30/20 , G06Q10/04 , G06Q50/26 , G06F119/12
Abstract: 本发明公开了基于时空注意力机制的高速路网站点流量预测方法及系统,通过构建目标站点的训练样本集,构建基于时空注意力机制的站点流量预测模型,并使用训练样本集中的训练数据训练站点流量预测模型,使其学习目标站点预测时刻的流量数据与其过去一段时间内的历史流量数据之间的时间依赖关系以及目标站点预测时刻的流量数据及其关键来源站点关联时刻的流量数据之间的动态空间相关性;并基于训练所得的时间依赖关系和动态空间相关性对目标站点的流量数据进行预测。本发明能捕捉目标站点的流量数据及其关键来源站点的流量数据之间的精确的动态空间相关性,并结合站点流量的时间依赖关系进行流量预测,从而提高复杂高速路网中站点流量的预测精度。
-
公开(公告)号:CN113191484A
公开(公告)日:2021-07-30
申请号:CN202110449033.4
申请日:2021-04-25
Abstract: 本发明公开了一种基于深度强化学习的联邦学习客户端智能选取方法及系统,该方法包括:联邦平台通过从联邦服务市场环境中收集客户端的状态作为输入,输入到基于策略网络的客户端选择智能体中,输出客户端选择方案;联邦平台根据当前环境状况以及客户端选择方案从多个候选客户端中选取一组最优的客户端以协同训练联邦学习模型,并将联邦学习性能作为奖励反馈给客户端选择智能体,以奖励用于优化更新策略网络;策略网络通过强化学习方法离线训练得到。本发明可从候选移动边缘设备中选择高质量的设备参与联邦学习,以处理分布式客户端低质量数据问题,以显著提高联邦学习质量。
-
公开(公告)号:CN111431743B
公开(公告)日:2021-03-02
申请号:CN202010190354.2
申请日:2020-03-18
Applicant: 中南大学
Abstract: 本发明公开了一种基于数据分析的大规模WiFi系统中边缘资源池构建方法及系统,该方法包括:采集所有用户的关联信息记录,并为每个用户提取迁移样本;通过在AP之间建立社交联系构建AP社交关系图;根据AP的中心程度和AP相互之间的紧密程度对AP社交关系图进行中心度测量,获得中心度;根据中心度对AP社交关系图的演化模式进行刻画,获得AP社交关系图的未来的社交性不确定性;根据AP社交关系图的未来的社交性不确定性,构建边缘资源池以提供高效的边缘服务,包括:联合“中心”的AP与“边缘”的AP。本发明可以提高边缘资源池构建策略的服务供给性能。
-
公开(公告)号:CN117908988B
公开(公告)日:2025-03-04
申请号:CN202410077772.9
申请日:2024-01-18
Applicant: 中南大学
IPC: G06F9/445
Abstract: 本发明公开了从服务器内存按需加载运行程序内容的方法及系统,通过客户端截获目标程序映射中引发的缺页中断,所述映射在运行到目标程序入口地址前已经建立完毕;客户端将所述缺页中断的请求发送给所述服务器,所述请求包括发生缺页的进程名称以及本次缺页的地址;服务器根据所述请求从其内存中获取对应的页面,并将所述页面返回给所述客户端。相比现有技术,本发明控制客户端按需从服务器内存加载程序运行所需的代码和数据进入本地内存,整个过程不需要消耗本地存储资源,且从服务器的内存直接获取所需代码和数据,减小数据访问延迟。
-
公开(公告)号:CN119094402A
公开(公告)日:2024-12-06
申请号:CN202411229668.3
申请日:2024-09-03
Applicant: 中南大学
IPC: H04L43/0876 , H04L43/062 , H04L43/04 , G06N3/0442 , G06N3/0475
Abstract: 本发明公开了基于深度生成对抗网络的用户移动蜂窝网络数据合成方法及系统,该方法通过构建用户多维属性合成模块、用户使用流量序列合成模块以及用户空间基站连接序列合成模块,对所述用户多维属性合成模块、用户使用流量序列合成模块、用户空间基站连接序列合成模块进行联合训练,并用训练好的用户多维属性合成模块、用户使用流量序列合成模块、用户空间基站连接序列合成模块合成数据,相比现有技术,本发明中通过将具有关联属性的三种移动网络数据分别构建数据合成模型,再将数据合成模型进行联合训练,使得训练出来的模型合成的数据不但具备数据本身的属性,还具备与其他数据的关联性,大大提高了合成数据的可靠性以及质量。
-
公开(公告)号:CN114038062B
公开(公告)日:2024-10-29
申请号:CN202111335745.X
申请日:2021-11-11
Applicant: 中南大学
Abstract: 本发明公开了一种基于联合关键点表征的考生异常行为分析方法及系统,方法包括如下步骤:S1.获取视频帧,以考生和课桌为目标进行定位,获取目标图像;S2.提取所述目标图像中所述考生的人体关键点,以及所述课桌的课桌关键点;S3.根据所述人体关键点、课桌关键点,生成抽象化特征图;通过智能神经网络对所述特征图进行识别,判断考生是否存在异常行为。具有准确性高、对考生异常行为识别效果好等优点。
-
公开(公告)号:CN116089838A
公开(公告)日:2023-05-09
申请号:CN202310184950.3
申请日:2023-03-01
Applicant: 中南大学 , 湖南能源大数据中心有限责任公司
IPC: G06F18/214 , G06F18/24 , G06F18/25 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08 , G06Q30/0201 , G06Q50/06
Abstract: 本发明公开了一种窃电用户智能识别模型训练方法和识别方法,所述训练方法包括获取无标签用电数据和有标签用电数据;对用电时间序列进行预处理;由无标签用电数据的N个预处理后的用电时间序列构成第一样本数据集,由有标签用电数据的M个预处理后的用电时间序列及对应的用户类型构成第二样本数据集;构建对比表征学习模型,利用第一样本数据集对对比表征学习模型进行训练,得到目标特征编码器;构建窃电用户智能识别模型,窃电用户智能识别模型包括目标特征编码器、时频域特征提取模块以及分类计算模块;利用第二样本数据集对窃电用户智能识别模型进行训练,得到目标窃电用户智能识别模型。本发明能够提高窃电用户识别的准确性。
-
-
-
-
-
-
-
-
-