-
公开(公告)号：CN112633607B
公开(公告)日：2023-06-30
申请号：CN202110009698.3
申请日：2021-01-05
Applicant: 西安交通大学
IPC: G06Q10/04 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种动态时空事件预测方法及系统，包括将事件行为信息、地点信息及其交互特征信息嵌入到事件潜在特征，利用嵌入后的事件潜在特征构建事件数据二部图；分别计算不同事件地点和不同事件行为之间的紧密程度，得到地点边权值矩阵及行为边权值矩阵；对事件数据二部图进行更新，得到地点加权有向图和行为加权有向图；进行随机游走采样，利用图卷积网络，分别对地点节点邻居的特征及行为节点邻居的特征进行聚合、拼接，将聚合后的邻居特征输入至多层感知机预测模型中，进行预测，得到事件预测结果；本发明将带有注意力机制的图卷积网络来聚合行为、地点邻居特征，并利用多层感知机预测模型进行预测，预测结果准确率更高、误差更小。
-
公开(公告)号：CN112949678B
公开(公告)日：2023-05-02
申请号：CN202110049467.5
申请日：2021-01-14
Applicant: 西安交通大学
IPC: G06F18/214 , G06F21/62 , G06F17/16 , G06N3/0475 , G06N3/094
Abstract: 本发明属于深度学习模型领域，公开了一种深度学习模型对抗样本生成方法、系统、设备及存储介质，包括获取原始图像基于目标深度学习模型的敏感矩阵，获取若干范数组及各范数组对应的扰动图，根据各范数组对应的扰动图得到对抗零范数及对抗无穷范数，根据对抗无穷范数构建预设数量对抗扰动矩阵，通过进化算法迭代优化对抗扰动矩阵，当当前迭代优化后的对抗扰动矩阵中，至少存在一个目标对抗扰动矩阵时，将原始图像通过目标对抗扰动矩阵扰动，得到对抗样本并输出。通过获取敏感矩阵，基于敏感矩阵实现扰动，使扰动的像素点的分布变得稀疏，从人眼观察的角度，使得扰动更不易被察觉，从量化的角度，使得对抗样本的二范数得到了较大的下降。
-
公开(公告)号：CN113254915B
公开(公告)日：2023-03-21
申请号：CN202110490596.8
申请日：2021-05-06
Applicant: 西安交通大学
IPC: G06F21/44 , G06F21/31 , G06F21/62 , G06F18/211 , G06N3/0464
Abstract: 本发明属于生物特征认证领域，公开了一种跨场景及设备的击键行为认证方法、系统、设备及介质，包括以下步骤：获取待认证击键数据；提取待认证击键数据的击键特征，得到击键向量；将击键向量输入预设的跨场景及设备击键认证模型，得到击键认证结果。基于跨场景及设备击键认证模型，实现用户只需在一个注册设备上提供足量击键数据以及在拓展设备上的少量击键数据，即可进行用户在拓展设备上的身份认证，具有准确度高，拓展性强，迁移速度快的特点，可以有效地在跨场景和跨设备的情况下进行快速的模型迁移和认证工作，无需对于新设备进行大量的数据采集和模型重新训练。
-
公开(公告)号：CN115687118A
公开(公告)日：2023-02-03
申请号：CN202211348749.6
申请日：2022-10-31
Applicant: 西安交通大学
IPC: G06F11/36
Abstract: 本发明属于机器学习领域，公开了一种深度神经网络模型测试方法、系统、设备及存储介质，包括获取测试图像样本以及测试图像样本的类别，并将测试图像样本输入至深度神经网络模型中，得到测试图像样本的逻辑神经元序列；根据测试图像样本的类别，通过预设的各类别图像样本的类属逻辑神经元序列，得到测试图像样本的类属逻辑神经元序列；获取测试图像样本的逻辑神经元序列与类属逻辑神经元序列之间的相关性，得到测试图像样本的相关性指标，并根据测试图像样本的相关性指标，确定测试图像样本的优先级；按照测试图像样本的优先级，进行深度神经网络模型测试。可以更早更多地检测出深度神经网络模型存在的隐患，有效提升测试效率，降低测试成本。
-
公开(公告)号：CN113325694B
公开(公告)日：2022-12-09
申请号：CN202110580904.6
申请日：2021-05-26
Applicant: 西安交通大学
IPC: G05B11/42
Abstract: 本发明公开了一种基于机器学习的模型预测控制参数的整定方法，属于机械学习领域。本发明包括：1)确定BP神经网络的结构；2)选取一系列控制参数作为BP神经网络训练样本的输出数据；3)将控制参数输入到机器人的模型预测控制器中，采集路径跟踪实验中对应的性能指标，作为BP神经网络训练样本的输入数据；4)利用训练样本训练BP神经网络；5)将设定的性能指标作为BP神经网络的输入，进行输出，得到控制参数，实现模型控制参数的整定；6)将整定的控制参数输入到机器人的模型预测控制器中，采集路径跟踪实验产生的性能指标，与预设的性能指标对比，判断整定的控制参数是否满足要求。本发明在参数整定的快速性和有效性上得到了显著提升。
-
Patent Agency Ranking
公开(公告)号：CN115421494A
公开(公告)日：2022-12-02
申请号：CN202211147813.4
申请日：2022-09-19
Applicant: 西安交通大学
IPC: G05D1/02
Abstract: 本发明属于人工智能和机器人路径规划领域，公开了一种清洁机器人路径规划方法、系统、计算机设备及存储介质，包括：获取各清洁机器人的垃圾仓容量和运行速度、机器人库的坐标以及各待清洁点的坐标、垃圾量和清洁工作量；根据各清洁机器人的垃圾仓容量和运行速度、机器人库的坐标以及各待清洁点的坐标、垃圾量和清洁工作量，调用预设的用于清洁机器人路径规划的深度强化学习模型，得到各清洁机器人的路径规划结果。可实现多清洁机器人的路径规划，可以求解存在多个机器人、大量待清洁点的清洁机器人路径规划问题，贴合实际应用场景，求得的路径规划方案优于传统优化方法，求解路径规划问题所需的运算时间远低于蚁群算法及动态规划算法等传统方法。
-
公开(公告)号：CN113700639B
公开(公告)日：2022-07-12
申请号：CN202111058216.X
申请日：2021-09-09
Applicant: 西安交通大学
Abstract: 一种往复式压缩机无损故障诊断系统及方法，诊断方法包括根据测得的活塞杆在测点处的动态应变值及活塞杆在x、y轴方向的加速度，计算压缩机气体力与活塞杆在x、y轴方向的冲击力随曲轴转角动态变化曲线；根据计算所得压缩机气体力与活塞杆在x、y轴方向的冲击力随曲轴转角动态变化曲线，通过与正常运行工况下的气体力及冲击力随曲轴转角动态变化曲线对比，分析确定往复式压缩机存在的故障问题：如果气体力曲线出现异常，则判定气缸组件出现了故障；如果冲击力随曲轴转角动态变化曲线出现相应的冲击信号异常，则说明对应运动副磨损较为严重，判定运动机构出现故障。本发明可以同时监测诊断气缸工作机构和运动机构的故障，并且不破坏压缩机。
-
公开(公告)号：CN114254764A
公开(公告)日：2022-03-29
申请号：CN202111620457.9
申请日：2021-12-27
Applicant: 西安交通大学
IPC: G06N20/00
Abstract: 本发明属于机器学习领域，公开了一种基于反馈的机器学习模型搜索方法、系统、设备及介质，包括获取初始机器学习模型参数，并根据初始机器学习模型参数构建初始机器学习模型；通过预设的训练数据集训练初始机器学习模型，得到初始机器学习模型的训练反馈数据和训练得分；确定当前最优机器学习模型，获取当前最优机器学习模型的训练反馈数据，并根据当前最优机器学习模型的训练反馈数据，得到当前最优机器学习模型的搜索操作；判断是否满足预设的终止条件，不满足时根据当前最优机器学习模型和搜索操作，修改当前最优机器学习模型并作为初始机器学习模型重复上述步骤；满足时输出当前最优机器学习模型，极大的提升了机器学习模型搜索效率。
-
公开(公告)号：CN112565180B
公开(公告)日：2021-12-28
申请号：CN202011164487.9
申请日：2020-10-27
Applicant: 西安交通大学
IPC: H04L29/06
Abstract: 本发明属于电网攻击防御技术领域，公开了一种基于移动目标防御的电网防御方法、系统、设备及介质，包括：S1：获取电网的拓扑参数及量测值数据；S2：根据电网预设的拓扑参数取值范围在拓扑参数取值范围内随机取值作为防御拓扑参数，并设定电网内各设备的设定点得到电网的移动目标防御方案；S3：根据量测值数据及预设电网运行约束检验移动目标防御方案；当校验通过时进行S4；否则返回S2；S4：基于交流状态估计原理，根据预设的电网虚假系统状态，得到移动目标防御方案下电网的交流状态估计残差；当交流状态估计残差不小于预设阈值时进行S5；否则返回S2；S5：通过移动目标防御方案进行电网的虚假数据注入攻击防御。提升了移动目标防御方案的实用性。
-
公开(公告)号：CN113807541A
公开(公告)日：2021-12-17
申请号：CN202111095511.2
申请日：2021-09-17
Applicant: 西安交通大学
Abstract: 本发明属于机器学习领域，公开了一种决策系统的公平性修复方法、系统、设备及存储介质，包括获取决策系统的机器学习模型以及若干决策样本，根据各决策样本下决策系统的机器学习模型的激活路径统计，将决策样本分为特殊激活样本和正常决策样本，当决策样本为正常决策样本时，基于机器学习模型的原始训练方式训练机器学习模型；当决策样本为特殊激活样本时，基于Dropout训练方式训练机器学习模型；遍历完成后，得到优化机器学习模型；采用优化机器学习模型替代决策系统的机器学习模型，得到修复的决策系统。可以检测和修复潜在的评分决策机器学习系统的公平性问题。经过修复的决策系统公平性表现有了明显提高，不再表现出对敏感属性的明显歧视性。
-
-
-
-
-
-
-
-
-
Search Results
131
records
(took 0.035 seconds)
