-
公开(公告)号：CN117875453A
公开(公告)日：2024-04-12
申请号：CN202410121394.X
申请日：2024-01-29
Applicant: 东北大学
IPC: G06N20/00
Abstract: 本发明提供一种具有自适应部分训练的客户端异步联邦学习方法，涉及分布式机器学习技术领域。服务器随机选择n个客户端广播全局模型，每个客户端执行一个数据批次的完整模型训练来估计时间消耗并计算损失值，将结果传输给服务器；将客户端时间消耗和损失值归一化，计算各客户端的综合评分，选定评分排名前k的客户端中最大的时间消耗，确定其聚合间隔；根据聚合间隔确定客户端部分训练比和本地训练周期；客户端完成本地训练后将模型参数上传服务器端，服务器将聚合间隔时间内接收到的客户端的模型参数聚合成新的全局模型。重复上述操作，直至全局模型精度达到预设要求。本发明能充分利用计算资源并且保证重要客户端参与度高，加快全局模型聚合。
-
-
-
公开(公告)号：CN119888431A
公开(公告)日：2025-04-25
申请号：CN202510361389.0
申请日：2025-03-26
Applicant: 东北大学
Abstract: 本发明公开了一种基于脉冲神经网络改进的飞行物体目标检测方法及装置，涉及目标检测技术领域，主要目的在于解决现有针对飞行物体的目标检测准确性较低的问题。主要包括获取目标检测图像和事件数据，并依据目标检测图像和事件数据生成基于事件驱动的图像帧序列。通过脉冲特征提取层将图像帧序列转换成脉冲特征，并通过各个特征提取子网络逐步对脉冲特征进行特征提取，得到每个特征提取子网络对应的图像增强特征；通过颈部网络对多个图像增强特征进行多尺度特征融合，得到每个特征融合子网络对应的融合特征，通过每个目标检测层分别对各自对应的融合特征进行目标识别，得到飞行物体目标检测结果。主要用于飞行物体目标检测。
-
公开(公告)号：CN112330719B
公开(公告)日：2024-02-27
申请号：CN202011392635.2
申请日：2020-12-02
Applicant: 东北大学
IPC: G06T7/246 , G06T7/11 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 基于特征图分割和自适应融合的深度学习目标跟踪方法，包括：(1)对训练集中的视频进行预处理，生成由模板图像和搜索区域图像构成的训练样本对；生成响应图标签；(2)构建基于特征图分割和自适应融合的深度学习网络模型；(3)对深度学习网络模型进行训练，将模型的结构和训练好的模型参数进行磁盘存储，获得目标跟踪模型；(4)对于待跟踪的视频进行处理，得到第1帧对应的模板图像和后续的待跟踪的每一帧对应的与3个尺度相应的搜索区域图像；(5)加载目标跟踪模型，形成由模板图像和搜索区域图像构成的3对样本，输入到目标跟踪模型中，得到对待跟踪视频后续每一帧跟踪的目标位置。(56)对比文件Chuanhao Li等.Partial tracking methodbased on siamese network《.VISUALCOMPUTER》.2020,第37卷(第3期),587–601.
-
Patent Agency Ranking
公开(公告)号：CN102073732A
公开(公告)日：2011-05-25
申请号：CN201110020156.2
申请日：2011-01-18
Applicant: 东北大学
IPC: G06F17/30
Abstract: 本发明提供了一种事件序列上挖掘最小发生频繁情节的方法，通过对低阶频繁情节进行逐级的延伸直接生成高阶频繁情节。本发明提供的发现情节的最小发生并对其进行计数的方法，通过建立情节矩阵并在矩阵元素上设置相应的修改状态发现2-情节的最小发生并实现计数，通过对频繁的2-情节进行基于时间戳队列的延伸来发现k-情节(k>2)的最小发生并实现计数。本发明提供的基于相同结点链和哈希链建立情节树的情节挖掘方法，节省了情节延伸的时间和所占用的内存空间，在挖掘过程中，只需扫描数据一次，无需生成候选情节集合，挖掘效率高，占用内存空间少，并具有挖掘时间成本不随频繁数阈值明显变化的良好特性，可被扩展到事件流上的情节挖掘。
-
公开(公告)号：CN102073732B
公开(公告)日：2014-04-30
申请号：CN201110020156.2
申请日：2011-01-18
Applicant: 东北大学
IPC: G06F17/30
Abstract: 本发明提供了一种事件序列上挖掘最小发生频繁情节的方法，通过对低阶频繁情节进行逐级的延伸直接生成高阶频繁情节。本发明提供的发现情节的最小发生并对其进行计数的方法，通过建立情节矩阵并在矩阵元素上设置相应的修改状态发现2-情节的最小发生并实现计数，通过对频繁的2-情节进行基于时间戳队列的延伸来发现k-情节(k>2)的最小发生并实现计数。本发明提供的基于相同结点链和哈希链建立情节树的情节挖掘方法，节省了情节延伸的时间和所占用的内存空间，在挖掘过程中，只需扫描数据一次，无需生成候选情节集合，挖掘效率高，占用内存空间少，并具有挖掘时间成本不随频繁数阈值明显变化的良好特性，可被扩展到事件流上的情节挖掘。
-
公开(公告)号：CN103345572A
公开(公告)日：2013-10-09
申请号：CN201310237043.7
申请日：2013-06-13
Applicant: 东北大学
IPC: G06F19/00
Abstract: 本发明公开一种在志愿计算环境中建立节点信任值评估方法，包括以下步骤：根据信任的定义，利用信任值描述节点的信任程度，设计节点的本地信任值评估算法；根据志愿计算环境的开放、动态的特点设计节点的本地信任值的初始化算法，在本地信任值算法的设计中，利用三元组{正确、错误、不确定}来描述节点返回的历史计算结果序列，对于节点返回的不确定性结果的判定利用贝叶斯公式预测节点在出现不确定交互情况下节点返回正确计算结果的概率；本发明方法为服务器选择服务良好的节点进行服务提供了理论依据，利用三元组{正确、错误、不确定}描述计算结果符合实际系统的要求，根据概率公式来预测节点返回的不确定结果来计算节点的信任值更能精准的分辨节点。
-
公开(公告)号：CN102291463A
公开(公告)日：2011-12-21
申请号：CN201110238283.X
申请日：2011-08-19
Applicant: 东北大学
IPC: H04L29/08
Abstract: 本发明涉及可分布式技术领域，特别是一种基于新兴古典经济理论中的超边际分析和博弈理论资源分配方法。本发明包括以下步骤：确定任务的比较优势节点；判定节点序列的状态；对满足条件的节点序列采用博弈超边际分析机制；所述博弈超边际分析机制的流程为：输入节点的比较优势任务矩阵T，并输入节点的网络条件矩阵K；确定进行超边际分析的节点序列；根据节点序列在K中的对应值，判断节点间选择的分配模式。本发明通过超边际分析确定了角点解，缩小了解空间，控制了空间爆炸的现象；引入新兴古典经济理论，令节点成为资源提供者和使用者的统一体，使原本资源提供者和使用者分离导致有些状态无法分析的情况得以解决；最终使系统达到帕累托最优，即全局效用最大化，实现了最大化系统效用的目标。
-
公开(公告)号：CN110795213B
公开(公告)日：2022-06-07
申请号：CN201911278389.5
申请日：2019-12-12
Applicant: 东北大学
IPC: G06F9/455
Abstract: 本发明公开一种虚拟机迁移过程中活跃内存预测迁移方法，属于虚拟机迁移技术领域，该方法首先对虚拟机管理器记录的被访问过的内存的地址和被访问时间构成的预记录页面集采用六元组表示每个内存页的方法进行预处理，然后计算内存页面的优先级权值，采用ISS‑DBSCAN聚类算法进行聚类分析，确定活跃内存范围。最后以内存页面的优先级权值作为优先级的评判依据，调整活跃内存页面的发送次序。本发明方法为活跃内存分析提供了理论依据和一种方法，能够有效地预测内存页面的活跃程度，提高内存迁移的效率。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.018 seconds)
