-
公开(公告)号：CN118869356A
公开(公告)日：2024-10-29
申请号：CN202411327886.0
申请日：2024-09-24
Applicant: 烟台大学
IPC: H04L9/40 , G06F18/214 , G06F18/213 , G06F18/2415 , G06F18/2433 , G06N3/0442 , G06N3/047 , G06N3/0464 , G06N3/045
Abstract: 本发明涉及数据处理技术领域，尤其是涉及一种基于深度学习的司法大数据网络入侵检测方法及系统。方法，包括获取司法大数据中的多源数据；对获取的多源数据进行数据预处理；将预处理后的多源数据进行数据集划分，得到训练集和测试集；建立基于深度学习的司法大数据入侵检测模型；利用司法大数据入侵检测模型对多源数据进行特征提取和特征降维；利用长短时记忆网络和贝叶斯线性层对降维后的特征进行预测，得到预测结果；本发明采用深度学习模型中的CNN组件自动学习司法大数据中的复杂模式和异常行为，无需依赖传统的、可能被APT规避的预定义规则，使模型能够捕捉到APT攻击的微妙迹象，从而提高检测的准确性和全面性。
-
公开(公告)号：CN118861961A
公开(公告)日：2024-10-29
申请号：CN202411354085.3
申请日：2024-09-27
Applicant: 烟台大学
IPC: G06F18/2433 , G06F18/2131 , G06F18/2135 , G06F18/213 , G06N3/0455 , G06N3/0442 , G06N3/048 , G06N3/084
Abstract: 本发明涉及数据处理技术领域，尤其是涉及一种基于LSTM‑VAE网络的电网数据异常检测方法及系统。方法包括获取智能电网数据；构建长短时记忆网络和VAE的LSTM‑VAE网络模型；利用智能电网数据对LSTM‑VAE网络模型进行网络训练；利用训练好的模型进行电网异常检测。本发明结合LSTM和VAE的优势，LSTM能够有效处理电网数据的时序性，捕捉故障前后不同时间点数据的变化趋势和规律；VAE则通过学习数据的潜在分布，更好地重构数据和检测异常。两者结合可以更准确地识别电网数据中的异常情况。
-
公开(公告)号：CN118861956A
公开(公告)日：2024-10-29
申请号：CN202411345345.0
申请日：2024-09-26
Applicant: 烟台大学
IPC: G06F18/2433 , G06F18/213 , G06F18/241 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/088
Abstract: 本发明涉及数据处理技术领域，尤其是涉及一种基于图神经网络的电力系统数据异常检测方法及系统。方法，包括获取电力系统数据；根据获取的电力系统数据，生成图结构；利用图卷积神经网络对图结构的节点特征进行初步特征提取，得到特征序列；使用基于异常注意机制的编码器从特征序列中进一步提取特征，得到注意力分数；使用基于多头注意力机制的解码器重构编码器提取的特征，并计算重构误差；根据重构误差计算异常得分，基于异常得分判断是否存在异常。本发明通过引入基于图结构的深度学习技术，结合图卷积神经网络和异常注意机制，有效提升了电力系统中异常检测的精度和效率。
-
公开(公告)号：CN118799665A
公开(公告)日：2024-10-18
申请号：CN202411273178.3
申请日：2024-09-12
Applicant: 烟台大学
Abstract: 本发明涉及计算机视觉技术领域，尤其是涉及一种基于跨模态解耦知识转移的三维目标检测方法及系统。所述方法，获取原始数据，包括获取立体图像和原始点云数据；基于获取的原始数据进行特征提取，根据划分的特征图进行特征增强网络的构建，利用特征增强网络进行结构保持提取，根据结构保持提取进行解耦分类头知识蒸馏，包括将logit KD方法进行解耦为目标分类蒸馏和非目标分类蒸馏，通过KL散度来计算目标分类蒸馏损失和非目标分类蒸馏损失；根据解耦分类头知识蒸馏定义损失函数，本发明通过解耦分类头知识蒸馏将目标分类和非目标分类分别考虑，能够更精细地调整学生模型的分类能力，进一步提高目标检测的准确性。
-
公开(公告)号：CN118799603A
公开(公告)日：2024-10-18
申请号：CN202411280700.0
申请日：2024-09-13
Applicant: 烟台大学
IPC: G06V10/762 , G06V10/82 , G06V10/44 , G06N3/0455
Abstract: 本发明涉及数据挖掘技术领域，尤其是涉及一种基于深度学习的不完全多视图聚类方法及系统。一种基于深度学习的不完全多视图聚类方法包括S1.获取跨视图训练集，包括完整数据集和不完整数据集；S2.构建聚类模型，包括编码器网络和解码器网络；S3.利用聚类模型对跨视图训练集进行特征提取和重构，并计算重构损失，对重构损失进行优化；S4.基于重构损失，分别利用完整数据集和不完整数据集对聚类模型进行训练；S5.利用训练好的聚类模型进行预测。本发明解决了对完整和不完整数据通过有效双层操作来提高聚类精度的问题。
-
Patent Agency Ranking
公开(公告)号：CN118233035A
公开(公告)日：2024-06-21
申请号：CN202410658449.0
申请日：2024-05-27
Applicant: 烟台大学
IPC: H04B17/391 , H04B17/382 , G06N3/042 , G06N3/0455
Abstract: 本发明涉及频谱预测技术领域，尤其是涉及一种基于图卷积倒置Transformer的多频带频谱预测方法及系统。方法包括获取多频带频谱数据；对多频带频谱数据进行数据预处理；构建图卷积网络，利用图卷积网络对多频带频谱数据进行特征提取，得到邻接矩阵；利用倒置Transformer模型对邻接矩阵结合多频带频谱数据进行自注意力计算，输出预测结果；对输出预测结果进行验证后，得到最后的预测结果。本发明不仅提高了预测的准确性，也增强了模型对未来频谱使用趋势的预测能力。
-
公开(公告)号：CN117409483B
公开(公告)日：2024-06-07
申请号：CN202311705047.3
申请日：2023-12-13
Applicant: 烟台大学
IPC: G06V40/20 , G06V20/40 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明属于虚拟现实交互技术领域，提供了基于自适应联合时空图卷积的虚拟现实交互方法及系统，其使用RGB摄像头作为感知源，通过骨架估计算法实时提取人体骨架，提出了一种自适应图机制，替换原有骨架图，使得骨架图可以跟网络参数一同优化，提升了全局准确率，提出了一种跨时空的联合图卷积方法，跨时空聚合节点信息，提升识别准确率并降低网络参数量使实时化可行。
-
公开(公告)号：CN117910519A
公开(公告)日：2024-04-19
申请号：CN202410315719.8
申请日：2024-03-20
Applicant: 烟台大学
IPC: G06N3/0475 , G06N3/094 , G06N3/126 , G06F16/9535
Abstract: 本发明属于图结构优化推荐领域，提供了一种进化图生成对抗网络的图应用方法、系统及推荐方法，包括确定图的节点和边，构建真实图结构；生成器利用不同的变异函数生成不同的虚假图结构；鉴别器利用适应性函数对每个生成的虚假图结构进行质量评估，确定每个生成的虚假图结构的适应性得分并反馈给生成器；根据每个虚假图结构的适应性得分进行排序，生成器会通过适应性得分最高的虚假图结构来生成更加逼真的数据分布；每一轮进化迭代后，鉴别器更新自适应损失以便于能够更好地区分真实数据分布和生成数据分布，进而得到最优的图结构。本发明利用进化算法来使得原先的生成器充当进化体不断的在环境（鉴别器）中进化，减少模式崩溃与梯度问题。
-
公开(公告)号：CN115423931B
公开(公告)日：2023-09-01
申请号：CN202210911407.4
申请日：2022-07-30
Applicant: 烟台大学
IPC: G06T17/00 , G06V10/26 , G06V10/44 , G06V10/762 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于点体素的实景树木三维模型重建方法，其特征在于，方法包括：S100、数据采集，采集真实场景中树木的点云数据，并进行预处理，去除树叶点云；S200、枝干分割，利用训练好的基于点体素的神经分解网络对树木点云进行特征提取，预测每个点所属枝干簇的编号，分割枝干点云；S300、骨架提取，从每一个枝干点云中提取骨架结构，并将所有骨架连接为完整的树骨架；S400、程序建模，基于提取的树骨架结构拟合圆柱体生成树模型，添加树皮和树叶纹理贴图完整树木模型重建。本发明的一种基于点体素的实景树木三维模型重建方法，能够实现对真实场景中树木进行三维模型重建。
-
公开(公告)号：CN115294548B
公开(公告)日：2023-05-02
申请号：CN202210897544.7
申请日：2022-07-28
Applicant: 烟台大学
IPC: G06V20/58 , G06V20/56 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于行方向上位置选择和分类方法的车道线检测方法，该方法能够采用基于ResNet的特征提取模块提取车道线浅层的特征，并结合CBAM注意力机制使模型关注重要特征，采用辅助分割模块，在训练过程增加分割任务，增强视觉特征，最后采用基于行锚点的分类模块将车道图像分为一个个特征块，并检测特征块是否包含车道线，实现了车道线的检测，本发明涉及智能交通技术领域。
-
-
-
-
-
-
-
-
-
Search Results
96
records
(took 0.08 seconds)
