-
公开(公告)号：CN119089305A
公开(公告)日：2024-12-06
申请号：CN202411139430.1
申请日：2024-08-19
Applicant: 桂林理工大学
IPC: G06F18/2415 , G06F18/214 , G06N3/04 , G06N3/094
Abstract: 本申请公开了一种云资源数据预测方法、系统、设备、介质及产品，涉及云资源数据预测领域，首先获取历史时间段的云资源数据；云资源数据为CPU利用率、存储器利用率、进口网络流量、输出网络流量或者磁盘利用率；对历史时间段的云资源数据进行预处理，得到历史时间段的处理后的云资源数据；根据历史时间段的处理后的云资源数据，利用云资源预测模型，确定当前时刻的云资源数据；其中，云资源预测模型是利用训练数据集结合条件变量对组合模型进行训练得到的；组合模型包括依次连接的条件生成对抗网络和双向门控循环单元。本申请中通过引入带有条件标签的条件生成对抗网络和双向门控循环单元网络，提高了云资源数据的预测精度。
-
公开(公告)号：CN118860519A
公开(公告)日：2024-10-29
申请号：CN202410998163.7
申请日：2024-07-24
Applicant: 桂林理工大学
Abstract: 本发明涉及移动边缘计算技术领域，公开了一种任务卸载方法、装置、设备及介质。该方法包括：获取MEC场景中多个不同用户设备上待执行的任务；构建本地执行各用户设备上待执行的任务的第一任务执行模型、将待执行的任务从用户设备传输至边缘服务器的任务传输模型、边缘服务器执行所有待执行的任务的第二任务执行模型、包含所有用户设备上待执行的任务的多队列模型，且该模型根据用户设备上待执行的任务、第一任务执行模型和/或第二任务执行模型已执行的任务动态变化；将上述模型组合形成用于表征MEC场景下的任务卸载问题的MEC模型，基于DQN算法对MEC模型进行求解，得到任务卸载策略，以实现长期任务卸载过程中任务的处理。
-
公开(公告)号：CN118747077A
公开(公告)日：2024-10-08
申请号：CN202410657482.1
申请日：2024-05-25
Applicant: 桂林理工大学
Abstract: 本发明公开了一种基于Lyapunov引导深度强化学习的任务卸载方法，包括五个步骤：步骤S1.获取UE‑MEC服务器相关数据；步骤S2.对问题进行建模；步骤S3.建立目标函数；步骤S4.构建Lyapunov引导的深度强化学习模型(Ly‑DDPG)；步骤S5.执行模型，得到最优计算任务卸载决策。本发明构建了lyapunov引导的深度强化学习模型(Ly‑DDPG)，通过Lyapunov优化的方式将多时隙问题化为单时隙问题来进行解耦，在长期约束条件下实现最小化任务卸载成本，最后通过深度强化学习模型进行决策，在动态复杂的UE‑MEC场景下，降低了问题求解复杂度，且对于保障用户长期的任务卸载成本效益具有重大意义。
-
公开(公告)号：CN118730283A
公开(公告)日：2024-10-01
申请号：CN202410998150.X
申请日：2024-07-24
Applicant: 桂林理工大学
Abstract: 本发明提供了一种设备的故障诊断方法、装置、计算机设备及存储介质，属于设备故障诊断技术领域，包括：采集待诊断设备运行时的振动信号；通过改进的海象优化算法优化初始VMD算法，确定初始VMD算法的最优参数组合，将最优参数组合代入初始VMD算法，得到自适应VMD算法；将振动信号输入自适应VMD算法判断待诊断设备的故障类型。该方法可以提升设备的故障诊断的准确性。
-
公开(公告)号：CN118642855A
公开(公告)日：2024-09-13
申请号：CN202410840166.8
申请日：2024-06-27
Applicant: 桂林理工大学
Abstract: 本发明公开了一种基于Q‑learning的云资源负载调度方法，包括4个步骤：步骤S1：收集历史云资源负载数据；步骤S2：基于历史云资源的负载数据，预测在预定的时间段内云资源的预期负载使用状况；步骤S3：采用Q‑learning算法，根据收集到的云资源负载数据来构建一个负载调度模型；步骤S4：将构建好的负载调度模型应用于实际的云环境中并运行。本发明可以通过使用Q‑learning算法在复杂和动态的云环境中，克服传统方法存在自适应弱，扩展性和决策性差等问题，持续学习和优化资源分配和任务调度策略，达到自适应性强、无需预先知识、处理高维状态空间、灵活性高、自动化管理、扩展性强和持续优化等优势，达到有效提高系统性能和资源利用率的目的。
-
Patent Agency Ranking
公开(公告)号：CN118233041A
公开(公告)日：2024-06-21
申请号：CN202410336778.3
申请日：2024-03-22
Applicant: 中国电子科技集团公司第三十四研究所 , 桂林理工大学
Abstract: 本发明涉及信息安全技术领域，具体涉及一种基于高级加密标准实现的光业务单元净荷加密方法，在OTN系统中，客户业务信息加密是基于加密单板的物理端口，通过标准AES加密算法对承载客户业务信息的OSU净荷进行加/解密。加密后的OSU数据可在OTN中透明传输，不影响OTN的网络监视管理。同时可透传客户业务时钟，不影响时间时钟同步特性。因此，本发明针对OSU帧结构进行AES加密，加强OSU层面的安全性。在OTN网络中进行OSU交叉复用时，避免OSU中承载信息在中间节点处的泄漏。
-
公开(公告)号：CN118138144A
公开(公告)日：2024-06-04
申请号：CN202410250589.4
申请日：2024-03-05
Applicant: 桂林理工大学
IPC: H04B10/80 , H04B10/071
Abstract: 本方法针对高电压试验等电磁干扰强的应用环境中，利用光纤对直流/工频交流模拟信号进行隔离传输，该方法通过预偏置的光发射负反馈控制电路的控制作用，将要传输的模拟信号u线性变换为正比的光信号L，利用光纤分路技术将光信号L分为光信号LF和LT，LF为光发射负反馈控制电路的负反馈信号，LT通过信号隔离传输支路传输到安全环境，在接收端再利用光电转换电路将光信号转换为正比的电信号，实现模拟电信号的光纤隔离传输。通过该方法降低了电磁对模拟信号传输的干扰以及传输线引入新的干扰，同时避免了传输线上感应出危险电压的问题。该方法主要由光发射负反馈控制电路TC、光分路器、反馈光电转换电路FC、隔离传输方法光电转换电路RC构成。
-
公开(公告)号：CN117540619A
公开(公告)日：2024-02-09
申请号：CN202311298764.9
申请日：2023-10-09
Applicant: 桂林理工大学
IPC: G06F30/27 , G06N3/092 , G06N3/0464
Abstract: 本发明公开了一种基于深度强化学习微波器件鲁棒性可调的设计方法，具体包括以下步骤：步骤1，将微波器件的结构参数矩阵化；步骤2，基于深度强化学习框架建立强化学习环境将步骤1的结果添加扰动作为状态输入；步骤3，基于深度强化学习框架设计智能体和所建立的环境交互；步骤4，基于步骤3将器件的性能指标和鲁棒性因素分别转化为相应奖励函数和；步骤5，基于步骤4调整奖励的比重，指导智能体设计鲁棒性不同的微波器件；步骤6，基于步骤5验证器件的鲁棒性，得到器件的鲁棒性和器件性能的变化趋势，验证结果显示不同的任务设计的器件具有不同的鲁棒性。本发明可以在保障性能的前提下，控制调整器件的鲁棒性，打破制造工艺差异的限制。
-
公开(公告)号：CN112305184B
公开(公告)日：2023-10-13
申请号：CN202011081813.X
申请日：2020-10-12
Applicant: 桂林理工大学
Abstract: 本发明公开了一种污水处理多故障诊断系统及方法，包括：污水指标采集子系统、污水指标接收传输子系统、数据存储子系统、数据处理子系统、云端数据库、查询子系统、比较子系统、异常指标数据处理子系统、故障报警显示子系统，结合变量的聚类分析算法和加权熵模型对污水指标数据进行计算与分析，减少数据的冗余和提高数据的总体质量，体现出数据处理子系统在进行指标数据处理时，具有灵活性高、扩展性好、处理效率高和出错率低的优点，同时利用阈值告警方式，达到对污水指标的实时监控，具有对污水指标数据可以精确掌握的优点。本发明不仅能够对多故障进行详细的数据分析和故障分析，同时还具有快速精确地找到多个故障位置的优点。
-
公开(公告)号：CN116707902A
公开(公告)日：2023-09-05
申请号：CN202310668900.2
申请日：2023-06-07
Applicant: 桂林理工大学
IPC: H04L9/40 , H04L41/14 , H04W12/122 , H04B17/318 , H04B17/336
Abstract: 本发明公开了一种基于决策树的LoRaWAN网络攻击检测方法。首先，采集LoRaWAN设备节点的数据包，对其受攻击和不受攻击时的数据进行分析和特征提取，然后利用特征属性选择算法构建决策树模型，并进行数据训练，采用交叉验证、精确率、召回率等指标来评估模型的性能和效果，通过参数调整和交叉验证等操作，提高决策树模型的精度和泛化性能。最终实现LoRaWAN网络攻击的实时检测，一旦出现可疑的攻击行为，能够准确高效的进行阻断处理操作。本发明能对符合攻击特征的数据进行有效且及时的检测，降低了LoRaWAN网络应用的安全风险，具有检测及时、准确性高、可扩展性强等优点，适用于各种LoRaWAN应用场景。
-
-
-
-
-
-
-
-
-
Search Results
161
records
(took 0.027 seconds)
