“陈冰容”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]一种面向野外的移动自组网信息回传的方法、装置和系统-CN201910264799.8有效
发明人：司鹏搏;王道魁;杨睿哲;孙恩昌;张延华;杨硕鹏;王勇;陈冰容 -专利权人：北京工业大学
申请日： 2019-04-03 - 公布日： 2021-07-16 - 主分类号： H04W4/06 文献下载
摘要：本发明公开了一种面向野外的移动自组网信息回传的方法、装置和系统。所述装置由近距离通信模块与远距离通信模块组成；所述系统由所述装置，数据采集端装置及云端数据库组成；所述回传方法包括根据最小/最大ID算法与TDMA(时分多址)相结合的方式随机聚合形成局部自组织网络，同时解决广播通信碰撞问题，其次，根据回传信息的业务优先级采取不同的回传策略，适应不同业务优先级对于时延要求，最后，通过自组网的方式将同一网络中未联网成员上传信息通过该网内其他成员上传服务器端，实现多径回传路径，有效减少重要消息回传时延。
一种面向野外移动组网信息方法装置系统

[发明专利]一种基于区块链的流动放映授权管理方法-CN201910534554.2有效
发明人：张延华;陈冰容;杨睿哲;杨硕鹏;王倩雯;姚勇锋 -专利权人：北京工业大学
申请日： 2019-06-20 - 公布日： 2021-07-09 - 主分类号： H04N21/254 文献下载
摘要：一种基于区块链的流动放映授权管理方法，涉及区块链技术领域、数字电影版权保护领域、数据安全领域。通过区块链技术和IPFS技术协同完成授权信息的加密分布式存储以及在节点上的授权处理。具体包括通过获取并上传授权信息，加密后存储到区块链IPFS存储系统中；用户设备分别接入区块链网络，形成用户交互网络和设备轻节点网络。用户节点提出授权申请后，通过身份认证以及设备认证进行授权信息的授权操作。认证成功后，设备轻节点可获取授权信息进行相应的解密处理。该方法利用区块链和IPFS的存储模型，改善区块链的容量存储问题，提高区块链的可扩展性。
一种基于区块流动放映授权管理方法

[发明专利]一种基于注意力模型的降噪自编码器推荐方法-CN201910742757.0在审
发明人：张延华;王倩雯;付琼霄;李萌;李庆;陈冰容 -专利权人：北京工业大学
申请日： 2019-08-13 - 公布日： 2019-12-10 - 主分类号： G06F16/735 文献下载
摘要：一种基于注意力模型的降噪自编码器的电影推荐方法，属于电影推荐技术领域。在现有的推荐算法中，自编码器推荐模型因运算速度较快，易于实现得到广泛应用，但评分矩阵稀疏时，推荐准确度将大大降低，且未曾考虑辅助信息与用户对于观看记录不同的注意度。为了解决上述问题，本方法将注意力模型与降噪自编码器相结合，利用注意力模型学习用户的偏好，融入降噪自编码器共同迭代更新参数，从而预测用户完整评分。本方法在预测评分准确度方面有明显提升。
编码器注意力模型降噪准确度迭代更新辅助信息观看记录评分矩阵注意度预测电影偏好算法稀疏运算融入应用学习

[发明专利]一种基于Fabric的边缘计算数据安全与隐私保护方法-CN201910320624.4在审
发明人：张延华;王勇;杨兆鑫;吴文君;姚勇峰;邱凯;杨硕鹏;王道魁;陈冰容;何奇昌 -专利权人：北京工业大学
申请日： 2019-04-20 - 公布日： 2019-09-13 - 主分类号： H04L29/08 文献下载
摘要：本发明公开了一种基于Fabric的边缘计算数据安全与隐私保护方法，该方法由于区块链本身的不可篡改特性，防止人为的恶意删除与黑客攻击对数据的损坏。由于用户可以在任意的搭建此Fabric的节点申请查询获取数据，可以在设备意外损坏的情况下保证了数据的安全性。搭建在边缘计算设备上的Fabric节点通过广播将信息共享到联盟链网络中，这样即安全地将信息共享给了其它搭建了此Fabric的边缘计算节点，由于在区块链网络上所有的操作都会验证用户的身份，保证了只有被授权了查询权限的用户可以从Fabric获取数据，使不具备资格的人员或操作员无法查询数据，完成对隐私数据的保护。最终实现Fabric对边缘计算数据安全与隐私的保护。
计算数据获取数据信息共享隐私保护区块查询权限查询数据黑客攻击计算节点计算设备隐私数据安全删除隐私网络篡改验证保证查询授权广播身份申请资格

[发明专利]一种基于深度学习与贝叶斯概率矩阵分解的电影推荐方法-CN201910292355.5在审
发明人：张延华;王倩雯;付琼霄;张文博;李庆;陈冰容 -专利权人：北京工业大学
申请日： 2019-04-12 - 公布日： 2019-07-26 - 主分类号： G06F16/735 文献下载
摘要：一种基于深度学习与贝叶斯概率矩阵分解的电影推荐算法，属于电影推荐技术领域。在众多推荐系统中，矩阵分解模型因为其准确高效，易于实现得到广泛应用，但矩阵分解原理是将用户评分矩阵分为用户与项目特征向量，当评分矩阵稀疏时，推荐准确度将大大降低，为了解决这个问题，本方法将深度学习与基于协同的推荐算法相结合，利用堆栈自编码器学习用户与项目的辅助信息，贝叶斯概率分解矩阵从辅助信息和原有的评分中预测用户偏好。本方法在预测评分准确度方面有明显提升。
贝叶斯准确度辅助信息概率矩阵矩阵分解评分矩阵算法电影学习分解分解矩阵推荐系统项目特征用户偏好编码器原有的预测堆栈向量稀疏协同概率应用