“华苏数联科技有限公司”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]一种基于大数据的计算机资源管理系统及方法-CN202310027718.9有效
发明人：蒋耀亮 -专利权人： 华苏数联科技有限公司
申请日： 2023-01-09 - 公布日： 2023-10-27 - 主分类号： G06F16/174 文献下载
摘要：本发明涉及资源管理技术领域，具体为一种基于大数据的计算机资源管理系统及方法，包括：数据库、数据采集模块、数据分析模块、数据存储模块、数据使用模块和数据显示模块；通过所述数据库存储的文件信息和发送文件的用户信息；通过所述数据采集模块采集所述数据库中文件的保存信息和删除记录；通过所述数据分析模块根据文件特征值进行分类压缩，分析文件类型并选择性存储；通过所述数据存储模块存储分析后的数据并进行定期清理；通过所述数据使用模块获取接收到的文件信息，分析用户关联性和文件类型，并根据文件大小选择性存储至数据存储模块；通过所述数据显示模块显示文件保存位置和文件保存时间，提高文件管理效率，减少存储器的内存资源。
一种基于数据计算机资源管理系统方法

[发明专利]一种基于布隆过滤器的工业设备异常的检测方法-CN202211322757.3在审
发明人：陈大龙;孟维;贾红星;李鹏博 -专利权人： 华苏数联科技有限公司
申请日： 2022-10-27 - 公布日： 2023-03-07 - 主分类号： G06F17/15 文献下载
摘要：本发明公开了一种基于布隆过滤器的工业设备异常的检测方法，包括以下步骤：S1构建第二层假性检测布隆过滤器：数据预处理后，构建具有高斯随机分布的低失真线性映射的集合；再生成满足约束条件的稀疏二元投影矩阵，计算第i行投影时所采用的采样率，再通过局部敏感哈希算法映射到布隆过滤器；S2异常检测：将检测数据利用局部敏感哈希算法映射到布隆过滤器中，进行初次异常判断，若检测为异常数据，则利用位确方案进一步对数据进行检测。利用哈希函数将数据映射到位向量中利用局部敏感哈希函数代替哈希函数能提高映射的保距性，很大程度提升了检测的效率。
一种基于过滤器工业设备异常检测方法

[发明专利]一种基于卷积神经网络的工业电机泵的故障的诊断方法-CN202211322729.1在审
发明人：陈大龙;李鹏博;蔡勇;王计斌 -专利权人： 华苏数联科技有限公司
申请日： 2022-10-27 - 公布日： 2023-02-24 - 主分类号： G06F18/10 文献下载
摘要：本发明公开了一种基于卷积神经网络的工业电机泵的故障的诊断方法，步骤为：S1：收集历史数据形成数据集并进行预处理和划分，作为神经网络的输入；S2：设置网络的结构和超参数；S3：用预处理后的数据集训练网络的第一个自编码器，并将前面的隐藏层的输出作为后面自编码器的输入，训练多个稀疏自编码器网络；S4：利用卷积和池化操作完成对振动原始数据的抽象特征提取，然后利用全连接将学习到的有效特征输出分类结果，最后对整个网络进行整体微调，获得最优网络和深度神经网络模型；S5：根据构建的深度神经网络模型，进行测试，判断是否符合预设的准确率，若符合则结束，否则返回步骤S2，重复步骤S2～S5，直至达到预设的准确率。
一种基于卷积神经网络工业电机故障诊断方法

[发明专利]一种基于模糊证据理论的物联网节点的置信度的评测方法-CN202211322713.0在审
发明人：陈大龙;王计斌;詹新颖;孟维 -专利权人： 华苏数联科技有限公司
申请日： 2022-10-27 - 公布日： 2023-02-03 - 主分类号： H04L9/40 文献下载
摘要：本发明公开了一种基于模糊证据理论的物联网节点的置信度的评测方法，步骤为：S1：将基本置信度函数定义为模糊隶属度函数，对网络节点的置信度进行等级划分，计算网络节点的直接置信度的值；S2：由相邻两个网络节点的收到的推荐信任计算得到该网络节点的间接置信度；S3：根据组合规则对该网络节点的直接置信度和间接置信度进行合成，获得该网络节点的完整置信度。该基于模糊证据理论的物联网节点的置信度的评测方法通过多种置信度因子的综合计算得到网络节点的直接置信度，提高了网络节点的直接置信度的准确性，通过利用模糊理论和D‑S证据理论融合的方法，得到网络节点的完整置信度。
一种基于模糊证据理论联网节点置信评测方法

[发明专利]一种基于卷积神经网络的通信信号调制样式的识别方法-CN202211327189.6在审
发明人：陈大龙;孟维;蔡勇;王计斌 -专利权人： 华苏数联科技有限公司
申请日： 2022-10-27 - 公布日： 2023-01-17 - 主分类号： G06F18/213 文献下载
摘要：本发明公开了一种基于卷积神经网络的通信信号调制样式的识别方法，步骤为：S1：输入通信信号，并对通信信号进行数据预处理和归一化处理，完成信息的初始搜集；S2：对搜集的信息进行特征提取，更新模型；S3：将特征输入进行softmax分类操作，得出不同调制样式的识别概率，输出识别结果。将深度学习与传统信号识别方式进行结合，将信号的同相分量和正交分量归一化后构成CNN输入向量，同时对传统的CNN网络卷积核改进，调制样式正确识别率均达到95％及以上，同时无需人工对信号进行分析和特征提取，降低了人为因素影响，增强了算法的扩展性。
一种基于卷积神经网络通信信号调制样式识别方法