-
公开(公告)号：CN117540489B
公开(公告)日：2024-06-21
申请号：CN202311506032.4
申请日：2023-11-13
Applicant: 重庆大学
IPC: G06F30/15 , G06F30/27 , G06F30/28 , G06N3/0464 , G06F113/08 , G06F119/14
Abstract: 本发明涉及一种基于多任务学习的翼型气动数据计算方法及系统，属于空气动力学和深度学习技术领域。该方案采用一种多任务学习方法，构建翼型重构网络提取翼型几何特征，设计翼型流场预测网络提取翼型在全局环境下的粗粒度压力系数曲线，设计翼型压力系数生成网络提取翼型在局部环境下的细粒度压力系数曲线，并且通过“十字绣”网络将两者线性结合起来，计算翼型的升力、阻力、力矩等气动系数。本发明有效地把深度学习模型AE、GAN、U‑NET、多任务学习模型与流体力学、空气动力学结合在一起，挖掘其隐藏特征，精准地预测翼型的气动系数，可以很好地提高预测模型训练的全面性和有效性，从而能够提高气动数据计算的准确性，具有广阔的应用前景。
-
公开(公告)号：CN117725852A
公开(公告)日：2024-03-19
申请号：CN202311782819.3
申请日：2023-12-22
Applicant: 重庆大学
IPC: G06F30/28 , G06F30/27 , G06N3/0464 , G06N3/082 , G06F113/08 , G06F119/14
Abstract: 本发明涉及一种面向流场预测的深度神经网络模型压缩方法、流场预测方法及系统，属于流体力学和模型压缩技术领域。该方法首先把原始模型进行图嵌入，变成分层计算图；然后将分层计算图作为强化学习智能体的环境寻找原始模型每层的剪枝率；再采用基于L1范数的模型剪枝算法对原始模型进行剪枝，达到模型压缩的目的，输出满足该压缩比的性能最优的模型，使得压缩后的模型能够应用于计算力受限的嵌入式设备。本发明将强化学习算法以及改进的奖励函数用于搜索深度学习模型各层剪枝率，达到缩小模型大小提高解算速度的目的，实验结果表明，该压缩算法能够同时提高流场预测模型的精度和运行速度。
-
公开(公告)号：CN114399055A
公开(公告)日：2022-04-26
申请号：CN202111626157.1
申请日：2021-12-28
Applicant: 重庆大学
Abstract: 本发明涉及一种基于联邦学习的域泛化方法，属于计算机技术领域。该方法包括：利用对抗学习网络按类别对齐客户端的源域数据的特征分布和参考特征分布；利用联邦学习架构将多个客户端的特征提取器、分布生成器和分类器的模型参数在服务器进行平均，使得多个客户端的参考特征分布一致，且靠近所有源域数据特征分布的中心，特征提取器输出的特征分布一致，且分类器能对该分布的特征进行分类；通过多轮的服务器与客户端数据交互，多个源域的特征分布按类别对齐，此时，服务器聚合的特征提取器和分类器能很好地从多源域泛化至目标域。本发明在保护源域数据隐私的条件下，无需目标场景数据即可学习在目标域具有很好泛化能力的模型。
-
公开(公告)号：CN118916984A
公开(公告)日：2024-11-08
申请号：CN202410949216.6
申请日：2024-07-16
Applicant: 重庆大学
IPC: G06F30/15 , G06F30/28 , G06F30/27 , G06N3/0464 , G06N3/084 , G06F113/08 , G06F119/14
Abstract: 本发明涉及一种基于扩散模型的高精度翼型流场数据生成方法及系统，该方法将高精度翼型流场数据的生成问题近似为数据的噪声去除问题，基于扩散模型的思想从低精度的翼型流场数据中重建高精度的翼型流场数据。在模型框架中，将低精度流场数据作为特征加入到网络模型中进行训练，使用子模型分别对压力、水平方向的速度和垂直方向的速度单独训练。该方法使用深度神经网络准确的对噪声进行预测，针对翼型流场数据对噪声预测网络重新进行设计；加入可变形卷积提高神经网络的特征提取能力；加入注意力块对翼型流场数据中的重要部分进行学习，提高数据生成质量和清晰度；加入残差网络解决网络存在梯度消失问题，促进网络的收敛和提升数据生成模型的性能。
-
公开(公告)号：CN116522769B
公开(公告)日：2024-09-13
申请号：CN202310428156.9
申请日：2023-04-20
Applicant: 重庆大学
IPC: G06F30/27 , G06F30/15 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06F18/25 , G06F119/14
Abstract: 本发明具体涉及基于VAE‑GAN和自注意力机制的压力系数预测方法，包括：将翼型二维坐标输入压力预测模型中，输出对应的预测压力系数曲线；压力预测模型基于VAE‑GAN网络构建；训练时，VAE的编码器基于翼型二维坐标提取翼型几何特征、翼型流形特征和翼型环境特征，并分析特征之间的相互影响，再融合生成翼型融合特征；VAE的解码器分别基于翼型融合特征和随机噪声生成对应的预测压力系数曲线和虚假压力系数曲线；GAN的鉴别器计算对应的损失函数并更新压力预测模型的网络参数，直至模型收敛。本发明能够提取翼型几何特征、流形特征和环境特征等多个维度特征，并且能够分析不同特征之间的相互影响和相关性，进而更好的融合不同特征之间的相互关系。
-
Patent Agency Ranking
公开(公告)号：CN104636646B
公开(公告)日：2017-11-21
申请号：CN201510075779.8
申请日：2015-02-12
Applicant: 重庆大学
Abstract: 本发明涉及一种基于安全情景的智能手机安全保护方法，属于移动通信技术领域。该方法包括：1)用户定义新的安全情景，并指定运行一种安全情景；定义新的安全情景包括定义情景数据和安全规则；2)设备收集情景数据，并判断实际情景数据是否与指定运行安全情景所定义的情景数据相符合；若符合，则执行该安全情景所对应的安全规则；否则继续收集情景数据。该方法还包括利用权重因子进行冲突检测和规避。本发明提供一种基于安全情景的智能手机安全保护方法，基于设备处于不同情境安全的需求会有所不同，该方法将情景跟安全保护结合起来，有效地保护了设备的信息安全和用户的个人隐私。
-
-
公开(公告)号：CN116227364A
公开(公告)日：2023-06-06
申请号：CN202310455762.X
申请日：2023-04-25
Applicant: 重庆大学
IPC: G06F30/27 , G06F30/28 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/0495 , G06N3/084 , G06N3/094 , G06F111/10 , G06F113/08 , G06F119/14
Abstract: 本发明具体涉及基于改进生成对抗网络与模型压缩的翼型流场预测方法，包括：将边界条件输入经过训练的流场预测模型，输出对应的预测流场图像；训练流场预测模型时：首先将边界条件作为生成器的输入并输出预测流场图像，判别器基于真实流场图像对预测流场图像进行判断并更新自身参数，最后将判别器的参数更新结果反馈至生成器，以供生成器更新自身参数；重复迭代并不断更新生成器和判别器的参数；最终，对经过训练的流场预测模型进行模型压缩。本发明通过深度卷积生成对抗网络提取翼型流场的复杂特征，并能够将高维数据并转换为潜在的低维表示以更好的实现翼型流场预测，同时能够通过模型压缩来降低模型的参数量和运算量。
-
公开(公告)号：CN115361126B
公开(公告)日：2023-05-16
申请号：CN202211009368.5
申请日：2022-08-22
Applicant: 重庆大学
Abstract: 本发明提供了一种可验证外包的部分策略隐藏属性加密方法及系统。加密方法包括：初始化步骤；数据使用者获得注册密钥；数据使用者通过管理其属性的属性管理机构获得其拥有属性的属性密钥，数据使用者组合注册密钥和其拥有属性密钥获得数据使用者私钥；外包密钥生成步骤；数据加密步骤，在加密过程中对加密策略中存在的属性的属性值进行隐藏；外包解密步骤；外包验证步骤，对明文进行验证。解决了中心化导致的安全隐患与效率瓶颈问题；多个机构秘钥聚合成私钥，提高了数据使用者隐私安全性；系统公共参数仅与属性管理机构数量有关；更好地保护用户隐私信息；通过边缘服务器降低数据使用者设备计算开销，实现外包解密数据的可验证性。
-
公开(公告)号：CN111814184A
公开(公告)日：2020-10-23
申请号：CN202010646890.9
申请日：2020-07-07
Applicant: 重庆大学
Abstract: 本发明涉及一种保护移动群智感知轨迹隐私的差分隐私方法，属于群智感知技术领域。该隐私方法包括：S1：计算噪声总量并将噪声随机分配到真实轨迹中每一个位置的坐标，获取安全有效的一组候选轨迹；S2：利用指数法随机选择一个候选轨迹作为输出。本发明在保证用户所上传的数据的有效性的基础上实现对用户隐私的保护，可以有效的从本地来保护用户的隐私而不需要服务器来保护用户的隐私。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.026 seconds)
