-
公开(公告)号：CN116233224B
公开(公告)日：2025-04-18
申请号：CN202211676948.X
申请日：2022-12-26
Applicant: 昆明理工大学
IPC: H04L67/52 , H04L67/51 , H04L41/147 , H04L41/5067 , G06F16/909 , G06F16/906
Abstract: 本发明涉及一种位置感知的网络服务推荐方法，属于推荐算法、服务计算、服务推荐技术领域。本发明对用户和服务之间的地理位置关系进行考量，计算出用户与服务之间的地理位置相似度，之后综合考虑地理位置相似性、用户网络环境、服务网络环境、服务功能类来预测相关用户在调用相关服务时的服务质量值(QoS，QualityofService)。并根据QoS值排序生成服务推荐列表推荐给用户，准确并且快速的方便用户选择出合适的服务已构建自己的服务平台，进一步提高了预测精确度和节省了实际调用并且记录所产生的经济费用与时间。
-
公开(公告)号：CN115392279B
公开(公告)日：2025-04-18
申请号：CN202211059417.6
申请日：2022-08-31
Applicant: 昆明理工大学
Abstract: 本发明涉及一种单阅读器移动RFID系统下基于漏读预警的标签防碰撞方法，属于无线射频识别技术领域。本发明采用比特时隙ALOHA提高读取效率，利用阅读器的移动性获取标签信息，估计未识别的标签数，根据未识别的标签数判读是否会发生漏读现象，通过提示使用者停止移动来减少漏读现象。本发明首先移动阅读器从场景中收集数据用于估算阅读器识别范围内未识别标签数，从而获取阅读器识别范围内未识别标签数，然后对比上一个识别周期的未识别标签数，判读是否有发生标签漏读现象的风险，如果有发生标签漏读现象的风险，则提示使用者停止阅读器移动，减少标签的漏读。本发明能够减少中小型仓库中由于漏读标签而浪费的时间，从而提升识别效率。
-
公开(公告)号：CN118312814A
公开(公告)日：2024-07-09
申请号：CN202410471174.X
申请日：2024-04-18
Applicant: 昆明理工大学
IPC: G06F18/23213 , G06F18/241 , G06F18/2415 , G06F18/211
Abstract: 本发明涉及一种基于对称非负分解的多视图新闻数据聚类方法，属于数据挖掘和模式识别中的多视图聚类分析应用技术领域。首先，通过对多视图新闻数据进行非负分解，获得系数矩阵。其次，采用对称矩阵分解，将系数矩阵与指示矩阵相结合，并通过迭代优化的方式不断提升算法性能。最后，在迭代收敛后，根据系数矩阵构造邻接矩阵，将邻接矩阵和类别数作为谱聚类的输入，得到最终的聚类结果。本发明采用的多视图聚类方法在处理多视图新闻数据时具有显著优势。它不仅通过非负分解和对称矩阵分解有效地保留了视图间的关键信息，而且在迭代优化过程中提高了算法的收敛性。最终，得到的聚类结果准确地反映了多视图新闻数据的聚类特性，进一步提升了处理多视图新闻数据的聚类效果与聚类效率。
-
公开(公告)号：CN117933366A
公开(公告)日：2024-04-26
申请号：CN202410074787.X
申请日：2024-01-18
Applicant: 昆明理工大学
Abstract: 本发明涉及一种基于参与者图参数广播的图结构数据联邦学习方法，属于联邦学习技术领域。首先，由参与者训练一个节点生成深度学习模型负责生成扩展节点。其次，将参与者看作参与者图的节点，通过计算参与者的扩展节点之间的欧氏距离，判定参与者数据之间是否存在关联，若存在关联，记参与者节点之间存在一条边，以此构建参与者图。在参与者图中，参与者节点与其定长可达简单路径上的有序节点组成联盟。然后，参与者使用图结构数据进行训练，并将参数上传至服务器，服务器将参数广播至联盟参与者进行训练。最后，计算参与者的边际收益作为其贡献权重，通过加权聚合得到全局参数。本发明有效地提高全局参数的测试精度。
-
公开(公告)号：CN117893907A
公开(公告)日：2024-04-16
申请号：CN202410073714.9
申请日：2024-01-18
Applicant: 昆明理工大学
IPC: G06V20/10 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及一种残差和层注意力机制增强的花卉分类方法，属于图像分类技术领域。本发明包括图像预处理阶段、网络模型构建阶段、分类阶段。图像预处理阶段对花卉数据集中的图像进行相应缩放、旋转、随机平移、归一化等操作；网络模型构建阶段构建残差和层注意力机制增强的VGG16网络—RA‑VGG16，并对其进行训练。分类阶段使用训练好的模型对数据集进行分类。本发明通过在VGG16网络中引入残差和层注意力机制，可有效提高花卉分类准确率。
-
Patent Agency Ranking
公开(公告)号：CN117170838A
公开(公告)日：2023-12-05
申请号：CN202310958421.4
申请日：2023-08-01
Applicant: 昆明理工大学
Abstract: 本发明涉及一种基于在线机制的边缘计算任务调度抗操纵方法，属于边缘计算技术领域。本发明首先实时收集买方的任务类型和卖方的资源信息，通过计算已到达任务的分配概率和预期效用，并据此对任务降序排列。其次，根据任务报告的类型信息和服务器的资源矩阵确定分配矩阵，剔除资源约束和时间约束不满足任务的分配关系。最后，在确定的分配矩阵上，计算对分配任务的支付，生成支付矩阵。本发明提出了一种新的随机分配方法，适应边缘计算环境的动态和不确定性，实现实时任务调度决策，同时，通过激励机制防范用户通过延迟报告任务到达时间、提前报告离开时间、谎报任务价值和请求资源来提升自身预期效用，以提高边缘计算任务调度过程中的抗操作性。
-
公开(公告)号：CN117033459A
公开(公告)日：2023-11-10
申请号：CN202310919394.X
申请日：2023-07-25
Applicant: 昆明理工大学
IPC: G06F16/2458 , G06F18/10 , G06F17/18 , G06Q30/0601
Abstract: 本发明涉及一种基于纵横编码快速频繁项集生成的商品关联挖掘方法，属于数据挖掘技术领域。本发明利用Spark大数据处理框架，通过将商品的购物清单数据进行统计生成频繁‑1项集，根据频繁‑1项集的长度生成对应长度横向1位串，根据频繁‑1项集的顺序对购物清单进行清洗和排序并转换为0‑1位串的BitMap，并将其转换为频繁‑1项集对应的纵向编码，通过对应长度横向1位串位运算进行项集生成，同时利用项纵向编码对项集进行支持度计算，得到频繁项集。本发明与传统的Aprior算法相比，主要解决了Aprior需要生成大量候选项集，占用大量内存空间以及需要多次扫描数据库，耗费大量时间的问题。本发明应用到实际的购物商品领域中的分析中，提升了频繁项集的挖掘效率。
-
公开(公告)号：CN112905851B
公开(公告)日：2023-06-27
申请号：CN202110225578.7
申请日：2021-03-01
Applicant: 昆明理工大学
IPC: G06F16/901
Abstract: 本发明涉及一种自适应的Hilbert编码和解码方法，属于空间数据库索引技术领域。本发明包括Hilbert曲线状态视图构建阶段，构建编码状态视图，用于实现编码值和坐标之间的映射、及其到下一阶状态的映射；Hilbert编码阶段：根据输入数据的不同，自适应的选择不同的编码策略。对于输入坐标前部连续0超过特定阈值r的情形，采用跳过输入数据前部特定阶的策略，否则采用逐阶迭代编码的策略。对于输入坐标前部为较少的连续0开头的情况时，采用逐阶迭代编码的方式，计算Hilbert编码。本发明通过引入高效掩码操作、首1检测等技术，可避免对特定序列的迭代查表操作，可同时很好的适应均匀分布和偏斜分布的情形，具有较高的效率。
-
公开(公告)号：CN115965318A
公开(公告)日：2023-04-14
申请号：CN202211676515.4
申请日：2022-12-26
Applicant: 昆明理工大学
IPC: G06Q10/0836 , G06F18/2321 , G06F17/16
Abstract: 本发明涉及一种基于变中心演化聚类的物流中心选址方法，属于数据挖掘、机器学习中的聚类分析应用技术领域。本发明首先将所有数据对象作为节点，得到完全无向图，并引入局部分布特性来扩展相似性度量，并将其作为图中节点的重要性来衡量节点的中心性，实现无向图边权重的更新；其次，通过调整图中任意两个对象之间路径长度来扩散节点的中心性，并依据节点重要性实现演化聚类中心的确定；最后，通过格式塔接近原则对剩余数据对象进行标签传播完成聚类。根据本发明采用的聚类方法来进行物流配送中心的选址，能够准确地选择出合理的物流选址中心，进一步提升整个物流系统的合理性和商品流通效率。
-
公开(公告)号：CN115878693A
公开(公告)日：2023-03-31
申请号：CN202211675673.8
申请日：2022-12-26
Applicant: 昆明理工大学
IPC: G06F16/2458 , G06F16/22 , G06Q30/0601
Abstract: 本发明涉及一种基于位串的分布式频繁项集在商品关联中应用方法，属于数据挖掘技术领域。本发明借助传统的FP‑Growth关联规则算法的改进，通过将商品的购物清单转换为位串的组织形式，通过BitwiseOperate方法进行模式生成，最终运行在Spark大数据处理框架中实现了分布式运算。本发明与传统的FP‑Growth算法相比，主要解决了FPGrowth在生成FPTree上的生成时内存过大且分布式较复杂的问题，采用位串的形式节省了内存空间，通过位运算快速生成对应的频繁项集，最终在分布式环境下集成，改进了频繁项集挖掘效率，并将算法应用到实际中的购物商品领域中的分析的，为频繁模式挖掘提供了新的研究思路。
-
-
-
-
-
-
-
-
-
Search Results
140
records
(took 0.023 seconds)
