-
公开(公告)号：CN117150255B
公开(公告)日：2024-02-02
申请号：CN202311396212.1
申请日：2023-10-26
申请人： 合肥工业大学
IPC分类号： G06F18/21 , G06N3/045 , G06N3/0475 , G06N3/098 , G06F18/214 , G06F18/22
摘要： 本发明涉及机器学习技术领域，公开了集群联邦学习中的分簇效果验证方法、终端及存储介质。该方法将参与集群联邦学习的客户作为攻击者，与良性客户即受害者分配至同一个簇中；选定攻击者所要攻击的受害者的训练数据目标类，在集群联邦学习的每一轮训练中，攻击者利用全局模型参数训练判别器；再由生成器生成接近训练数据目标类的样本数据，并输入判别器判别，计算损失后训练生成器。攻击者注入恶意数据，再利用注入恶意数据后的本地数据进行训练，向参数服务器上传训练后的梯度。最后经过迭代完成数据重构，并与原始数据作相似性计算以验证分簇效果。本发明在集群联邦学习场景进行客户(56)对比文件刘俊旭;孟小峰.机器学习的隐私保护研究综述.计算机研究与发展.2020,(第02期),第108-124页.
-
公开(公告)号：CN117150255A
公开(公告)日：2023-12-01
申请号：CN202311396212.1
申请日：2023-10-26
申请人： 合肥工业大学
IPC分类号： G06F18/21 , G06N3/045 , G06N3/0475 , G06N3/098 , G06F18/214 , G06F18/22
摘要： 本发明涉及机器学习技术领域，公开了集群联邦学习中的分簇效果验证方法、终端及存储介质。该方法将参与集群联邦学习的客户作为攻击者，与良性客户即受害者分配至同一个簇中；选定攻击者所要攻击的受害者的训练数据目标类，在集群联邦学习的每一轮训练中，攻击者利用全局模型参数训练判别器；再由生成器生成接近训练数据目标类的样本数据，并输入判别器判别，计算损失后训练生成器。攻击者注入恶意数据，再利用注入恶意数据后的本地数据进行训练，向参数服务器上传训练后的梯度。最后经过迭代完成数据重构，并与原始数据作相似性计算以验证分簇效果。本发明在集群联邦学习场景进行客户数据重构，兼顾了攻击效果和隐蔽性，有效验证分簇效果。
-
公开(公告)号：CN116209015B
公开(公告)日：2023-06-27
申请号：CN202310465386.2
申请日：2023-04-27
申请人： 合肥工业大学智能制造技术研究院
IPC分类号： H04W28/14 , H04L67/5682 , G06F18/22 , G06F18/23213 , G06N3/092 , G06N3/084
摘要： 本发明涉及无线通信和边缘计算领域，尤其涉及一种边缘网络缓存调度方法、系统和存储介质。本发明中，首先针对小基站和大基站构建网络结构相同的缓存调度模型和全局调度模型，训练过程中，通过大基站向小基站分发模型参数；同时针对每一个小基站进行本地训练以得到模型梯度；大基站聚合每个小基站上传来的模型梯度，从而得到全局聚合梯度，并将全局聚合梯度反馈到小基站，利用全局聚合梯度更新各小基站中的缓存调度模型，直到全局调度模型收敛，从而根据缓存调度模型和全局调度模型制定最优缓存策略。本发明提高了全局调度模型的收敛速度以及全局公平性，大大提高了缓存调度模型的收敛速度。
-
公开(公告)号：CN116209015A
公开(公告)日：2023-06-02
申请号：CN202310465386.2
申请日：2023-04-27
申请人： 合肥工业大学智能制造技术研究院
IPC分类号： H04W28/14 , H04L67/5682 , G06F18/22 , G06F18/23213 , G06N3/092 , G06N3/084
摘要： 本发明涉及无线通信和边缘计算领域，尤其涉及一种边缘网络缓存调度方法、系统和存储介质。本发明中，首先针对小基站和大基站构建网络结构相同的缓存调度模型和全局调度模型，训练过程中，通过大基站向小基站分发模型参数；同时针对每一个小基站进行本地训练以得到模型梯度；大基站聚合每个小基站上传来的模型梯度，从而得到全局聚合梯度，并将全局聚合梯度反馈到小基站，利用全局聚合梯度更新各小基站中的缓存调度模型，直到全局调度模型收敛，从而根据缓存调度模型和全局调度模型制定最优缓存策略。本发明提高了全局调度模型的收敛速度以及全局公平性，大大提高了缓存调度模型的收敛速度。
-
公开(公告)号：CN115022937B
公开(公告)日：2022-11-11
申请号：CN202210828851.X
申请日：2022-07-14
申请人： 合肥工业大学
IPC分类号： H04W40/24 , H04L41/12 , H04L41/142 , H04L67/60 , G06K9/62 , G06F9/50 , G06N3/00 , G06N3/04 , G06N3/08
摘要： 一种拓扑特征提取方法和考虑拓扑特征的多边缘协作调度方法；考虑不同区域的流量差异将全局边缘节点划分到若干簇群，采用分层次的图注意力网络，可以从簇内、簇间两个层次计算智能体间的注意力，从而提取全局边缘服务器物理的物理拓扑和抽象拓扑。策略模型采用拓扑信息作为输入以生成边缘服务器的动作，增强了边缘服务器间协同合作的紧密程度，有利于优化多智能体协作策略。
-
公开(公告)号：CN110099354A
公开(公告)日：2019-08-06
申请号：CN201910424416.9
申请日：2019-05-21
申请人： 合肥工业大学
摘要： 本发明公开了一种结合TDOA与TOF的超宽带通信二维定位方法，属于移动无线通信及位置的服务技术领域，包括确定三个基站的位置坐标以及主基站分别到所述第一从基站和第二从基站的距离；标签依次广播Poll请求帧、接收主基站发送的Response回复帧以及广播Final终止帧，获取标签从广播Poll请求帧至Final终止帧发送完成过程中的时间戳信息；根据时间戳信息，计算主基站到标签的距离dMA,T；利用时间戳信息、dMA,T、三个基站的位置坐标以及主基站分别到所述第一从基站和第二从基站的距离，计算标签的坐标。本发明克服传统方法在时间不对称的情况下的测距误差，有效地提升TDOA定位方法的精确性。
-
公开(公告)号：CN106453520A
公开(公告)日：2017-02-22
申请号：CN201610841533.1
申请日：2016-09-22
申请人： 合肥工业大学
CPC分类号： H04L67/125 , H04L1/1858
摘要： 本发明公开了一种面向物联网监测系统采集节点的程序无线下载方法，首先进行下载更新程序前的预处理过程，接着为上位机通过无线通信网络（1）向汇聚节点发送更新程序的过程，然后是汇聚节点通过无线通信网络（2）向中继节点发送更新程序的过程，最后是中继节点通过无线通信网络（3）向待更新采集节点发送更新程序的过程。本发明提出了一种面向物联网监测系统采集节点的程序无线下载方法，具有一定的普适性和可移植性，同时能够大大降低采集节点的维护成本。
-
公开(公告)号：CN104378770A
公开(公告)日：2015-02-25
申请号：CN201410662648.5
申请日：2014-11-18
申请人： 合肥工业大学
IPC分类号： H04W16/18
CPC分类号： H04W16/18
摘要： 本发明公开了一种适用于树型拓扑结构的无线组网方法，包括有组网方法和更改网关节点与传感节点所构成网络的拓扑结构的方法，所述的组网方法包括有协调器节点入网方法、网关节点入网方法和传感节点入网方法。本发明利用应用环境通信范围小的特点，组成符合实际情况的树型拓扑结构无线网络，并不是传统无线传感器网络的复杂网状拓扑结构，有效节约成本；除协调器节点外，其他节点无需人工控制，上电后即可自组织成网；可更改网关节点与传感节点所构成网络的拓扑结构，灵活配置。
-
公开(公告)号：CN102307222B
公开(公告)日：2013-08-14
申请号：CN201110117123.X
申请日：2011-05-07
申请人： 合肥工业大学
IPC分类号： H04L29/08 , H04W84/18 , G05B19/418
CPC分类号： Y02P90/02
摘要： 本发明公开了一种基于物联网技术的智能温室示范测控系统，包括多个现场控制站网络、多个嵌入式网关、中心服务器；一个现象控制站网络接入一个嵌入式网关，所述嵌入式网关实现中心服务器与现场控制站网络的通讯。本发明通过物联网的传感网来采集温室内外、作物生长土壤成分参数；物联网的网络层对多种数据传输网络融合，最后以嵌入式以太网控制器接口与中心服务器通信，实现各个节点之间互相通信；物联网应用层即中心服务器实现对参数的优化控制、页面发布、短信查询控制。
-
公开(公告)号：CN118551889A
公开(公告)日：2024-08-27
申请号：CN202410648163.4
申请日：2024-05-23
申请人： 合肥工业大学
IPC分类号： G06Q10/04 , G06N3/0442 , G06N20/20 , G06N3/08 , G06N3/0499
摘要： 本发明公开了一种行业用户用水预测方法，本发明通过所有用户的用水量数据使用同一个初始全局模型，利用损失函数完成模型的更新，在模型更新过程中，利用行业用户信息和二范数实现多次分簇，使得不同行业用户的用水量数据符合独立同分布，不同行业的用户能够利用同一个初始全局模型完成模型训练，更加的方便；同时使得最终分得的每个簇中的用户具有相似分布的用水量数据，用户训练模型具有较大的本地用水量数据作为支撑，以极大地减小每个簇中的每个用户训练出的模型差异，具有更高的预测精度。
-
-
-
-
-
-
-
-
-
搜索结果
85 条记录 (耗时 0.034 秒)
