-
公开(公告)号：CN114153612B
公开(公告)日：2025-05-13
申请号：CN202111483344.9
申请日：2021-12-07
Applicant: 杭州电子科技大学
IPC: G06F9/50
Abstract: 本发明涉及一种提升系统整体吞吐量的CPU资源动态分配方法。本发明中的进程CPU资源需求感知模块能对进程的CPU资源需求进行实时测量，量化进程运行时对CPU资源的消耗。CPU资源划分模块能依据系统中的就绪进程对CPU的需求不同在进程组内以及进程组间进行合理的CPU资源分配，保证CPU需求较高的进程获得更高优先级的处理。在系统运行的各个时刻实时探测到当前时刻系统的就绪进程信息，准备下一阶段的调整以适用进程的运行的各个时刻的CPU资源合理分配，在保证实时性的前提下提高系统的整体吞吐量。
-
公开(公告)号：CN119905256A
公开(公告)日：2025-04-29
申请号：CN202411965116.9
申请日：2024-12-30
Applicant: 杭州电子科技大学 , 杭州中科先进技术发展有限公司
IPC: G16H50/30 , A61B5/00 , A61B5/055 , A61B6/03 , G16H50/20 , G16H20/70 , G06F18/213 , G06F18/241 , G06F18/25 , G06V10/40 , G06V10/764 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于不完整三模态共注意融合的轻度认知障碍转换分类方法，包括如下步骤：获取数据集；步骤2、应用一个预训练的缺失模态生成模块，输入MRI数据通过跨模态转换的方式生成缺失的PET数据；步骤3、应用一个特征提取模块，通过表格编码器获得表格特征表示，并通过视觉编码器得到视觉特征表示；步骤4、将提取的多模态特征通过一个多头自注意力模块进行模态内特征聚合得到三模态特征；步骤5、将特征对齐后的三模态特征输入至一个共注意力融合模块进行特征融合，从而得到多模态融合特征；步骤6、应用一个预训练的分类头，将得到的多模态融合特征输入分类头，实现最终的分类。该方法用更丰富的多模态特征提高MCI转换预测的准确性。
-
公开(公告)号：CN119271487A
公开(公告)日：2025-01-07
申请号：CN202411286398.X
申请日：2024-09-13
Applicant: 杭州电子科技大学
IPC: G06F11/30 , G06F18/2433 , G06F18/26 , G06F18/21 , G06N3/044 , G06N3/0442 , G06N3/0464 , G06N3/049 , G06F123/02
Abstract: 本发明公开了一种自适应融合多维序列数据的系统异常检测方法。该方法首先收集系统执行阶段的与时间相关的原始监控数据，并对非数字格式的原始监控数据进行数字化编码，再进行归一化处理，得到多维时间序列#imgabs0#然后通过时间序列重构模型对多维时间序列#imgabs1#进行重构，并计算重构前后的数据差值，得到重建差值序列X。针对重建差值序列X数据分布构建特征空间，并重复t次。基于t次实验构建的特征空间，计算重建差值序列X的特征向量。使用固定长度的滑动窗口，将重建差值序列X特征向量划分为多个子序列。最后利用核均值嵌入计算不同子序列之间的相似度，判定相似度小于阈值的子序列对应的时间为系统异常运行时刻。有效利用多维时间序列数据。
-
公开(公告)号：CN118736197A
公开(公告)日：2024-10-01
申请号：CN202410834098.4
申请日：2024-06-26
Applicant: 杭州电子科技大学
IPC: G06V10/25 , G06V10/764 , G06V10/80 , G06V10/82 , G06V20/70 , G06N3/0895 , G06N3/045
Abstract: 本发明公开了一种基于标签融合的半监督开集目标检测方法，该方法首先将带标记数据图像中的前景部分和对应的标注截取，构建前景信息库并动态增强，与无标记数据进行融合，得到合成数据。其次将带标签数据同时送入两个教师网络中进行训练，分别是原始的教师网络和检测器。然后使用两个教师网络对无标记数据以及新生成的合成数据进行预测，进行预测标签融合，得到最终的伪标签。最后将带标签数据、带伪标签的无标记数据以及合成数据送入半监督框架，输出目标检测结果，并进行训练。本发明是处理开集问题以及基于构建前景信息库缓解类别不均衡问题的半监督目标检测，缓解常见的类别不均衡问题。
-
公开(公告)号：CN117692459A
公开(公告)日：2024-03-12
申请号：CN202311690928.2
申请日：2023-12-11
Applicant: 杭州电子科技大学
IPC: H04L67/1004 , H04L67/1087 , H04L67/131 , H04L67/51 , H04W16/22 , H04N7/18
Abstract: 本发明公开了一种面向视频一体化智能分析的端边云仿真系统，该系统包括网络仿真子系统、负载仿真子系统、移动仿真子系统、决策仿真子系统、资源仿真子系统以及配置模块；网络仿真子系统仿真网络拓扑结构以及网络通信，负载仿真子系统仿真移动设备产生的任务流，并分配给各个移动设备，移动仿真子系统仿真移动设备的移动，所述决策子系统仿真端侧移动设备、边侧服务器以及云中心的任务执行策略，资源仿真系统仿真端侧、边侧以及云中心的资源管理，配置模块加载仿真环境配置。本发明可以灵活地嵌入到不同的研究项目中，显著降低研发成本和门槛，使仿真结果更贴近实际情况。
-
Patent Agency Ranking
公开(公告)号：CN117152207A
公开(公告)日：2023-12-01
申请号：CN202311106459.5
申请日：2023-08-30
Applicant: 杭州电子科技大学
Abstract: 本发明涉及基于无人设备的目标跟踪方法，包括：S1、利用无人设备采集的视频序列的第一帧图像的目标信息和背景信息初始化模板滤波器、尺度滤波器和颜色滤波器；S2、对于第二帧图像，利用模板滤波器和颜色滤波器确定目标位置，利用尺度滤波器确定目标大小，根据目标位置和目标大小确定目标区域；S3、分别计算目标区域对应的模板滤波器响应图和颜色滤波器响应图的PSR、APCE和Fmax，基于PSR、APCE和Fmax构建更新指标并判断更新指标是否满足更新条件；若是，则对所有滤波器进行更新；若否，则所有滤波器不作更新。本发明使用自适应更新策略解决Staple算法更新策略不适用的问题。
-
公开(公告)号：CN116883367A
公开(公告)日：2023-10-13
申请号：CN202310875426.0
申请日：2023-07-17
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/084 , G06V10/764
Abstract: 本发明公开了一种基于特征交叉变压器的裂隙灯图像质量评估方法。包括：对采集的裂隙灯图像进行病灶质量、整体清晰度、亮度、疾病种类四个维度的标注，并采集两批数据。然后通过数据增强算法添加人工失真，模拟真实失真的场景从而扩增数据集的样本量。接着将所有的样本缩放到同等的分辨率，并划分数据集。再使用残差网络和增强后的数据集进行训练得到预训练模型。将预训练模型作为初始模型权重，再将第二批数据作为训练样本输入到融合多尺度特征提取和特征交叉变压器的质量评估网络进行训练。本发明很好得解决小样本造成的数据量少、特征多的问题，使得计算机对眼部裂隙灯图像数据的图像质量评估结果的准确性得到了较大的提升。
-
公开(公告)号：CN114093427B
公开(公告)日：2023-06-09
申请号：CN202111342907.2
申请日：2021-11-12
Applicant: 杭州电子科技大学
IPC: G16B40/00 , G16B30/00 , G06N3/0442 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/08 , G06F18/2411 , G06N20/10
Abstract: 本发明公开了一种基于深度学习和机器学习领域的抗病毒肽预测方法，该方法的具体步骤如下：步骤1、获取序列数据，其中所获取的序列数据为待预测的肽序列；步骤2、对待预测的肽序列进行预处理；步骤3、将步骤2中得到的数据进行预测，并输出预测结果。其融合模型选择将神经网络和机器分类相结合，并采取两步走的预测方法，在交叉实验和独立测试集上的评估结果显示，FusedModel相比于其他模型，有着良好的分类结果，为抗病毒肽的识别提供了快速而又准确的方法，方便现代医疗的研究以及治疗。
-
公开(公告)号：CN115391733A
公开(公告)日：2022-11-25
申请号：CN202211078771.3
申请日：2022-09-05
Applicant: 杭州电子科技大学
Abstract: 本发明涉及基于体素特征和稀疏Sinkhorn Transformer的3D姿态估计方法，将三维的体素特征分解成Transformer可处理的一维体素序列，然后把序列按同样的大小分为多个组；计算出每个体素元素的Key、Value和Query，计算每组的平均Key、平均Value和平均Query，计算组与组之间的相关度；按照相关度计算出转换矩阵；对同一个组内的元素和其对应相关组之间的元素进行自注意力操作；把一维体素序列还原回三维空间，并与CNN提取的特征进度融合，得出最终的体素特征，把每个关节在体素中的概率与体素在三维空间中的坐标进行加权平均得到关节的估计位置。本发明的估计精度高。
-
公开(公告)号：CN115293430A
公开(公告)日：2022-11-04
申请号：CN202210948932.3
申请日：2022-08-09
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于合作型协同进化算法的无人节点协同方法及系统，其方法包括：S1、采集环境数据；S2、初始化合作型协同进化算法的各参数以及各个子群体；S3、从各个子群体中分别确定随机决策向量和最优决策向量；S4、对各个子群体进行遗传进化操作，得到各个子群体的新个体；S5、分别利用随机决策向量和最优决策向量对个体进行合作评价得到适应度值，并选择相对更小的适应度值作为个体的适应度值，并于子群体中根据适应度值从小到大对个体进行排序以筛选目标数量的个体构成新的子群体，之后转至S3进行迭代；S6、判断迭代次数是否达到迭代目标次数；若是，则输出当前的最优决策向量作为各无人节点的路径规划。本发明的协同更优。
-
-
-
-
-
-
-
-
-
Search Results
98
records
(took 0.045 seconds)
