基于自适应字典的欠定工作模态参数识别方法及检测方法

    公开(公告)号:CN112329855A

    公开(公告)日:2021-02-05

    申请号:CN202011224897.8

    申请日:2020-11-05

    Applicant: 华侨大学

    Abstract: 本发明提供一种基于自适应字典的欠定工作模态参数识别方法,方法包括:首先获取限定个传感器测得的时域响应信号,在利用其在频率的稀疏性估计混合矩阵得到模态振型的基础上,首先将UBSS模型转换为CS模型,在CS框架下,然后使用K‑SVD字典学习方法生成具有更强稀疏表示能力的自适应字典;最后,利用正交匹配追踪算法重构源信号得到模态坐标响应,进而得到系统的固有频率和阻力比,实现欠定工作模态参数的识别,本发明方法能够有效提高传统现有技术模态参数的精度;本发明能够有效监测线性工程系统的工作模态参数,用于振动控制、设备故障诊断以及健康监测。

    一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质

    公开(公告)号:CN112181971A

    公开(公告)日:2021-01-05

    申请号:CN202011166681.0

    申请日:2020-10-27

    Abstract: 本发明提出一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质,方法包括:根据设备所在的局域网地址,对设备聚类,将在每个局域网部署一个移动边缘节点服务器;参与训练的终端设备接收到云端发来的全局模型,在本地数据上训练得到本地更新模型;计算终端设备本地更新模型参数与全局模型参数间的余弦相似度;判定所述余弦相似度是否大于设定阈值,若余弦相似度大于设定阈值的本地更新模型,传输到移动边缘节点服务器参与边缘聚合,得到簇模型;将局域网的簇模型发送到云端参与全局聚合,得到全局聚合模型。本发明提出的方法能够在减少不必要的通信开销和避免服务器高并发访问带来的传输延迟的情况下提高联邦学习通信效率的方法。

    一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质

    公开(公告)号:CN112181666A

    公开(公告)日:2021-01-05

    申请号:CN202011155848.3

    申请日:2020-10-26

    Applicant: 华侨大学

    Abstract: 本发明提供一种基于边缘智能的设备评估和联邦学习重要性聚合方法,包括如下步骤:云服务器初始化:云服务器生成初始模型,设备评估与选择:边缘服务器接收终端设备的资源信息,生成资源特征向量,并将所述资源特征向量输入评估模型,本地训练:边缘服务器选择智能设备后,将转存的初始模型发送所述智能设备,智能设备对初始模型在联邦学习中进行本地训练,得到本地模型;本地模型筛选:将本地模型发送到边缘服务器,通过比较本地模型与前一轮全局模型的损失值来判断是否为异常的模型;全局聚合:利用经典的联邦平均算法进行全局聚合。本发明提供的方法一方面解决了带有资源约束设备的训练瓶颈问题,另一方面提高模型聚合的效果以减少冗余的训练与通信消耗。

    一种云边协同的智能动态卸载算法

    公开(公告)号:CN111124439A

    公开(公告)日:2020-05-08

    申请号:CN201911296890.4

    申请日:2019-12-16

    Applicant: 华侨大学

    Abstract: 本发明公开了一种云边协同的智能动态卸载方法,对于每一个应用,将边缘层当前的CPU、内存、带宽和剩余电量等状态数据作为输入变量,计算出每个应用处理完成的时间和边缘层状态量,再利用LibSVM算法识别应用的类型,根据类型判定该应用处理完成的时间条件,根据边缘层的情况判定边缘层的状态量条件,共同决定该应用的数据是否卸载在边缘端还是云端;该方法考虑了不同应用类型的特点,算法中对于不同类型应用设置不同的最大延迟容忍时间,并且考虑了边缘层的实时状态,利用智能决策算法实时把应用数据卸载到边缘或云端以获得最短的总运行时间,优化总运行时间使其明显优于应用数据卸载到云端或边缘端,而且可以很好地减少时延和能量消耗。

    一种基于网络拓扑结构图的隐写方法

    公开(公告)号:CN107612678B

    公开(公告)日:2020-05-05

    申请号:CN201710711957.0

    申请日:2017-08-18

    Applicant: 华侨大学

    Abstract: 一种基于网络拓扑结构图的隐写方法,属于安全通信领域,适用于以Microsoft Office Visio绘制的网络拓扑结构图为载体的隐蔽通信,其目的是在不改变拓扑结构图实际含义和不影响拓扑结构图感官质量的前提下,利用网络拓扑结构图生成过程中存在的冗余,嵌入隐秘信息。本发明包括(1)准备步骤;(2)嵌入隐秘信息步骤;(3)提取隐秘信息步骤。本发明利用网络结构拓扑图中图元的某些属性特征不会显性表现出来这一特性,通过对图元的相关参数进行修改来实现隐秘信息的隐藏;隐藏过程对网络结构图含义未做任何改变,且对图元的修改亦肉眼不可见,因而保护了原有网络拓扑结构图的使用价值和实际含义,且有效地维护了网络拓扑结构图的感官质量。

    一种基于边缘计算的大数据隐私化检索方法

    公开(公告)号:CN110413652A

    公开(公告)日:2019-11-05

    申请号:CN201910605082.5

    申请日:2019-07-05

    Applicant: 华侨大学

    Abstract: 一种基于边缘计算的大数据隐私化检索方法,1)用户端对待上传数据文件计算信息熵,进行核心数据提取与储存;2)将非核心数据上传至边缘端并构建隐式检索索引;3)在边缘端进行系统参数预设,将非核心数据进行结构隐藏与再划分,得到公有部分数据和私有部分数据;4)将公有部分数据加密后上传至云端,云端储存加密的公有部分数据;5)用户端以关键词发起检索申请,边缘端根据关键词和隐式检索索引生成检索令牌,云端获取检索令牌后进行关键词匹配检索,将检索结果返回至边缘端,边缘端再将检索结果返回至用户端。本发明能确保系统在存储与检索过程中的实效性、可靠性和灵活性,实现高效且私密的数据检索。

    一种基于神经网络和大数据的网络安全态势分析方法和系统

    公开(公告)号:CN106302522B

    公开(公告)日:2019-08-06

    申请号:CN201610833485.1

    申请日:2016-09-20

    Applicant: 华侨大学

    Abstract: 本发明公开了一种基于神经网络和大数据的网络安全态势分析方法和系统,系统包括数据采集模块,数据分析模块和态势预测模块;数据采集模块在Flume组件上实现分布式的大数据采集;数据分析模块基于MapReduce并行化计算框架实现大数据的分布式处理,包括关联规则的挖掘和基于时间维度的初步态势预测;前两个模块包含在神经网络的输入层中,通过隐含层对输入层数据的融合处理传送给输出层,输出层通过局部态势判决结果,得出总体的安全态势分析预测情况,将这些有价值的数据存储在HBASE数据库中方便后续查询和展示。本发明通过神经网络和大数据分析进行自我学习和调整,实现了对大数据的网络安全态势分析。

    一种基于雾计算模式的差异性云同步方法

    公开(公告)号:CN108900621A

    公开(公告)日:2018-11-27

    申请号:CN201810749961.0

    申请日:2018-07-10

    Applicant: 华侨大学

    Abstract: 本发明涉及一种基于雾计算模式的差异性云同步方法,在用户层和云服务层之间添加雾服务层以通过差异性同步法处理每次用户端的同步请求,所述用户层包括若干用户端,雾服务层包括雾服务器,云服务层包括云服务器;所述差异性同步法包括:用户端上传每次修改的差异数据至雾服务器存储,雾服务器判断所存储的数据是否达到预设上限,如果未达到,雾服务器保存每次差异数据并更新数据;如果达到,雾服务器将最终的差异数据上传至云服务器,云服务器基于所述最终的差异数据重构云端文件,使得云服务器端文件和用户端的最新文件保持一致。本发明方法能够优化差异性同步的存储以及运行效率,提升云服务质量。

    一种基于机器学习的网络用户安全状态评估方法

    公开(公告)号:CN105897774B

    公开(公告)日:2018-11-27

    申请号:CN201610479747.9

    申请日:2016-06-27

    Applicant: 华侨大学

    Abstract: 本发明公开了一种基于机器学习的网络用户安全状态评估方法,包括:基于确定的风险传播源u和其传播时间t,建立网络风险的微观传播模型;基于所述传播源,对所述微观传播模型进行多轮的模拟传播;传播结束后,提取指定的特征属性及其对应的特征值形成特征向量;将提取到的特征向量输入到分类器中进行分类训练,生成可以判定新输入特征向量类属的分类规则;实际传播事件发生t时间后,提取网络中所有未被监控用户对应的特征向量;将提取到的特征向量输入训练好的分类器进行分类,获得所有未被监控用户安全状态的估计值。本发明方法通过部分用户的安全状态信息来估计网络中其他用户的安全状态,从而迅速有效地对高风险用户进行处理,阻止风险的传播。

Patent Agency Ranking