一种基于双掩码且高效的隐私保护联邦学习训练方法

    公开(公告)号:CN118643525A

    公开(公告)日:2024-09-13

    申请号:CN202410681326.9

    申请日:2024-05-29

    Abstract: 本发明涉及联邦学习数据隐私技术领域,具体涉及一种基于双掩码且高效的隐私保护联邦学习训练方法,通过传输延迟的方法将联邦学习的所有参与者进行区域划分,并在每个区域设置边缘计算节点。参与者通过计算矢量方向差对持有数据进行质量评估,并通过添加随机致盲因子和数据分割方法对本地梯度和数据评估值进行加密并上传给边缘计算节点进行聚合;边缘节点在区域内对接收到的数据进行聚合后,协同云服务器进行全局模型的迭代,获得最终模型。本发明采用随机致盲因子和数据分割等技术,在保证参与者私有数据隐私的同时,降低了低质量数据对模型精度的负面影响,且更加高效的完成模型训练。

    一种虹膜保密认证方法
    2.
    发明公开

    公开(公告)号:CN112187477A

    公开(公告)日:2021-01-05

    申请号:CN202011080860.2

    申请日:2020-10-11

    Abstract: 本发明公开了一种虹膜保密认证方法,包括:获取待认证的第一虹膜特征矩阵以及与之对应的第一掩码矩阵,构成第一待认证矩阵;对第一待认证矩阵进行降维处理,得到第二待认证矩阵;将第二待认证矩阵进行映射处理,得到整数矩阵;对整数矩阵进行同态加密处理,得到第一加密矩阵;将第一加密矩阵与预存于数据库中的第二加密矩阵进行比对,得到比对结果,完成虹膜认证;其中,第二加密矩阵由模板矩阵和与之对应的第二掩码矩阵被同态加密算法加密得到。本发明采用了随机投影降维法和更好的映射方法,因而具有更好的计算效率和安全性。另外,本发明考虑了虹膜的掩码信息,这是其他绝大多数具有隐私保护的虹膜认证方案中没有考虑的因素,因而能够获得更好的识别准确率。

    在线前馈补偿的动力电池电荷状态估计方法与系统

    公开(公告)号:CN104535934B

    公开(公告)日:2017-07-21

    申请号:CN201410851183.8

    申请日:2014-12-31

    Abstract: 本发明一种在线前馈补偿的动力电池电荷状态估计方法与系统,本方法步骤为:Ⅰ、建立动力电池模型及电压电流采样、参数辨识;Ⅱ、用自适应卡尔曼滤波的参数辨识;Ⅲ、OCV‑SOC关系的神经网络建模,由开路电压OCV得到电荷状态估计值NNSOC;Ⅳ、根据前一时刻电流求当前时刻的电荷状态估计值BSOCk,此值与NNSOC加权求和得前馈补偿的电荷状态估计值。本系统的动力电池所接电压电流传感器连接嵌入式微控制器,微控制器含有自适应卡尔曼滤波的参数辨识模块、OCV‑SOC神经网络SOC估计模块以及前馈补偿模块。本发明结构简单,不受SOC初始值影响,辨识与估计速度加快,在线前馈补偿提高了SOC估计精度。

    基于分布式线性深度学习的工控异常检测方法

    公开(公告)号:CN118885848A

    公开(公告)日:2024-11-01

    申请号:CN202410907766.1

    申请日:2024-07-08

    Abstract: 本发明涉及工业控制系统技术领域,具体涉及基于分布式线性深度学习的工控异常检测方法,对时序数据进行时序双边滤波,有效去除了时序数据中的噪声,也能保留对单个或少数传感器进行攻击的信息,解决了传统双边滤波用于时序序列时,因传感器数据位置不同而造成滤波后数据不同的问题,采用分布式方法将大问题拆分成多个小问题,能将数据、任务等分配到多台机器上并行执行,采用了掩码的方法去除冗余。设计的模型简单有效,再根据验证集的预测误差调整异常检测的阈值,该方法不仅可以检测异常攻击,还可以对引起异常的传感器进行定位,从而解决了现有的工控异常检测方法易受各种噪声干扰、模型复杂和内存花费较高的问题。

    一种基于部分低质量数据的保护隐私联邦学习训练方法

    公开(公告)号:CN117708849A

    公开(公告)日:2024-03-15

    申请号:CN202311702752.8

    申请日:2023-12-12

    Abstract: 本发明涉及隐私保护技术领域,具体涉及一种基于部分低质量数据的保护隐私联邦学习训练方法,架构了只包含参与用户和云服务器两种实体类型的系统模型,通过单云服务器外包,将复杂的计算交给云服务器,以降低参与者的计算负担,提高模型对计算能力不足参与者的包容性,并且构建了一种描述用户数据质量的评估算法,并根据数据质量的复合评分来控制参与训练的数据在联邦训练全局迭代中的参与程度,以减少低质量数据对模型精度的负面影响,同时利用分布式Paillier同态加密机制,引入允许部分低质量数据参与训练的联邦学习多方聚合方案,保证参与者私有数据的隐私安全,并且对用户中途退出和加入非常友好,解决了现有的联邦学习训练过程的不足。

    转矩-电流神经网络模型SRM转矩脉动控制方法与系统

    公开(公告)号:CN110022109A

    公开(公告)日:2019-07-16

    申请号:CN201910309126.X

    申请日:2019-04-17

    Abstract: 本发明为一种转矩-电流神经网络模型SRM转矩脉动控制方法与系统。本方法由SRM的电感模型得到转矩-电流转换关系,经电流分配函数得到各相控制电流,以实现抑制转矩脉动。根据SRM转矩与电流的非线性特性关系,以描述SRM电流基本变化规律的函数作为隐含层激活函数,设计描述SRM强非线性特性的转矩-电流神经网络模型,通过转矩-电流神经网络模型的自学习,计算转矩对应的总参考电流,再经电流分配函数,获得在各相对应的参考电流,控制SRM。按本法设计的系统微处理器的程序存储器有执行本法的各程序模块,SRM上的各传感器信号接入微处理器,经功率变换器连接控制SRM。本发明实现了开关磁阻电机转矩脉动的有效控制。

    一种支持批量身份验证且保护隐私的逻辑回归训练方法

    公开(公告)号:CN118035743A

    公开(公告)日:2024-05-14

    申请号:CN202410188111.3

    申请日:2024-02-20

    Abstract: 本发明涉及机器学习技术领域,具体涉及一种支持批量身份验证且保护隐私的逻辑回归训练方法,构造了一个服务提供商和云服务器不相互勾结的系统,其中数据拥有者只需提供加密数据,不需要参与训练,降低了数据拥有者的通信开销,利用基于ElGamal密码系统的乘法同态变体对数据进行加密,采用模型参数致盲明文数据的方式对数据进行隐藏,同时采用分布式解密策略,防止解密密钥私有化,从而保证数据的机密性;进一步的,通过批量身份验证,可以一次性验证多个用户的身份信息,能够快速有效地处理大量用户的身份验证请求,提高了工作效率并降低了成本。

    一种支持云审计和策略隐藏的密文策略属性基加密方法

    公开(公告)号:CN115459948A

    公开(公告)日:2022-12-09

    申请号:CN202210927558.9

    申请日:2022-08-03

    Abstract: 本发明涉及加密技术领域,具体涉及一种支持云审计和策略隐藏的密文策略属性基加密方法,基于密文策略属性基加密(CP‑ABE)技术在双线性群上构造了一个支持访问策略隐藏,外包解密和云审计的方案,防止数据在存储和共享的过程中遭到破坏和数据隐私泄露,实现数据细粒度访问控制的同时降低计算开销,与现有方案相比,本发明支持外包解密和审计技术,降低了解密开销,确保了数据的完整性。

    一种基于D-H密钥交换和密钥分享的指纹认证方法

    公开(公告)号:CN113704728A

    公开(公告)日:2021-11-26

    申请号:CN202110814999.3

    申请日:2021-07-19

    Abstract: 本发明公开了一种基于D‑H密钥交换和密钥分享的指纹认证方法,首先利用密钥分享技术把系统中各个实体需要保存的密钥分发到不同的服务器进行分散存储,然后在查询阶段利用D‑H密钥交换技术分别在用户端和参考模板存储器端生成相同的一次随机密钥,并分别对查询模板和参考模板进行加密,实现用户查询指纹模板与参考指纹模板的随机性和多样性,最后在不具体计算出两指纹之间的欧式距离的情况下,通过判断认证结果是否通过,设计出了一个具有隐私保护特性的、安全的指纹认证方法。

    一种动态神经网络自适应逆的SRM转矩控制方法与系统

    公开(公告)号:CN109742999A

    公开(公告)日:2019-05-10

    申请号:CN201910042672.1

    申请日:2019-01-17

    Abstract: 本发明为一种动态神经网络自适应逆的SRM转矩控制方法与系统,本发明以系统前一时刻的实际总磁链,当前参考转矩和RBF神经网络输出的前一时刻参考磁链作为RBF神经网络的输入信号,输出参考磁链,构成动态RBF神经网络,即转矩-磁链模型;转矩偏差经PD控制得到控制量,该控制量经预处理作为RBF神经网络自适应逆控制的学习偏差,且该控制量经滤波处理,作为总参考磁链的一部分,补偿转矩-磁链模型的输出。总参考磁链与实际总磁链相减得磁链偏差,经磁链偏差分配,接入各相磁链偏差滞环控制,有效抑制SRM的转矩脉动。本发明适应电机快速控制要求,反馈误差学习方法加快神经网络建模并提高建模精度,减小转矩脉动的影响。

Patent Agency Ranking