公共文化服务平台

崔江涛: 作品数：103 被引量：291H指数：9; 供职机构：西安电子科技大学更多>>; 发文基金：国家自然科学基金中央高校基本科研业务费专项资金国防科技技术预先研究基金更多>>; 相关领域：自动化与计算机技术文化科学电子电信理学更多>>

合作作者

基于深度学习的天线姿态参数检测方法、装置及存储介质: 本发明公开了基于深度学习的天线姿态参数检测方法、装置及存储介质，所述方法包括获取航拍图片；将所航拍图片输入至预设的深度学习模型，得到所述深度学习模型的输出结果；若所述输出结果中包含有所述天线目标对应的坐标参数和天线目标的...; 崔江涛刘嘉煜王智彬赵杰

一种索引生成方法、数据检索方法和装置: 本发明提供了一种索引生成方法、数据检索方法和装置，通过提取每一个样本数据元的样本特征向量和样本标识；为每一个样本特征向量生成对应的近邻图索引，并随机生成至少一个映射向量；针对每一个映射向量，执行：根据预设的区间宽度，将映...; 崔江涛冯小康刘畅侯勇超蔡洋; 文献传递

数据库系统参数调优方法综述被引量：3: 2023年; 数据库系统具有大量的配置参数,参数配置不同会导致系统运行时很大的性能差异.参数优化技术通过选择合适的参数配置,能够提升数据库对当前场景的适应性,因此得到国内外研究人员的广泛关注.通过对现有的数据库参数调优方法进行总结分析,根据参数优化方法是否具有应对环境变化的能力,将现有工作分为固定环境下的数据库参数优化方法和变化环境下的数据库参数优化方法2类.对于固定环境下的参数优化方法,按照方法是否具有从历史任务中学习的能力将研究工作分为传统的参数优化方法和基于机器学习的参数优化方法2类并分别进行介绍.对于变化环境下的参数优化方法,按照不同的变化场景对现有工作进行分类介绍.最后,总结了现有工作中各类方法的优缺点,并对目前研究中待解决的问题和可能发展的方向进行了讨论.; 曹蓉鲍亮崔江涛李辉周恒; 关键词：数据库系统性能调优

基于马尔可夫模型的事务并发冲突预测与级联冲突优化方法及装置: 本发明提供了一种基于马尔可夫模型的事务并发冲突预测与级联冲突优化方法及装置，利用历史行为数据构建出双生转移矩阵，该双生转移矩阵不但预测事务工作集中语句的数据项序列，还可以预测语句的读写类型，使预测的结果更加精准，同时为级...; 高熙越王智彬崔江涛任桂奇刘一笑刘英帆夏小芳李辉

Hadoop框架下高维海量数据GMM聚类方法: 本发明公开了一种Hadoop框架下高维海量数据GMM聚类方法，主要针对已有聚类算法的不足，将海量数据的聚类问题架构在分布式平台上，用于高维、海量数据的聚类。其实现步骤是：1、组建局域网；2、建立Hadoop平台；3、上传...; 崔江涛李林司蓁彭延国史玮陈煜崔小利王博; 文献传递

基于空间局部聚合描述向量的图像分类方法: 本发明公开了一种基于空间局部聚合描述向量的图像分类方法，主要解决现有技术中图像描述向量中缺乏特征点空间分布信息的问题，其实现步骤为：(1)提取所有图像的“尺度不变特征转换”特征点；(2)在训练集图像的特征点空间中，利用均...; 崔江涛汪鹏毕源良崔苗苗王阳; 文献传递

一种输出录取概率的方法、推荐志愿高校的方法及装置: 本发明提供了一种输出录取概率、推荐志愿高校的方法及装置，输出录取概率的方法包括：接收各个历史入学年度的实际招生人数，以及待选择高校在每一个历史入学年度的平均录取分数；确定各个平均录取分数分别对应的平均分数历史排名；根据各...; 崔江涛刘畅冯小康焦文菲蔡洋侯勇超薛文卓; 文献传递

一种多分辨率高维图像特征匹配算法被引量：19: 2005年; 通过对图像进行特征提取和变换 ,图像的相似性匹配可以转换为高维向量空间内的点匹配为了解决高维数据的维数灾难问题 ,提出一种基于多分辨率数据结构的向量近似方法从低分辨率开始计算距离下限 ,如果距离下限大于目前结果集中的最大距离 ,则不需要在高分辨率上计算其距离而将其排除掉 ,从而降低了向量近似方法的运算复杂度提出应用此方法的近邻搜索算法并运用到图像数据库的特征匹配中 ,实验证明; 崔江涛刘卫光周利华; 关键词：高维数据多分辨率点匹配图像数据库

一种基于SQL分析的联盟链并发事务管理方法: 本发明公开了一种基于SQL分析的联盟链并发事务管理方法，应用于联盟链系统中的各个联盟链节点，包括：接收由客户端创建并发送的关系型提案及提案相关参数；将接收到的所有关系型提案存储在自身的缓冲池数据结构中；利用自身的读写锁数...; 崔江涛李云鹏王玉超吕正坤彭延国

基于联合聚类的超立方体高维索引被引量：2: 2012年; 高维数据集合的最近邻查询性能会受到"维数灾难"(curse of dimensionality)现象的影响。提出了一种基于联合聚类的HC2(hypercube on co-clustering)高维索引结构。首先通过联合聚类算法同时降低数据尺寸和维数,将高维数据集合聚成若干较低维数的类,然后采用超立方体结构对每个类进行空间区域描述。在基于"过滤-精炼"(filter and refine)的查询过程中,计算查询点与各个类之间的距离下界,实现对聚类的有效过滤。为了提高距离下界对真实距离的逼近能力,采用了一种基于统计优化的超立方体区域描述方法SOHC2(statistically optimized hypercube on co-clustering),能够更加有效地缩小搜索空间,提高查询性能。理论分析和实验结果都表明,SOHC2的查询性能明显优于其他索引方法,适合大规模高维数据的查询;与同类索引结构相比,查询速度能够提高3倍以上。; 刘英帆崔江涛; 关键词：高维索引联合聚类超立方体