-
公开(公告)号：CN119719387A
公开(公告)日：2025-03-28
申请号：CN202411893504.0
申请日：2024-12-20
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心) , 潍柴动力股份有限公司
IPC: G06F16/36 , G06F16/951 , G06F40/289 , G06F40/284 , G06F18/10 , G06F18/213 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/09 , G06F21/56
Abstract: 本发明属于信息检索安全的技术领域，更具体地，涉及一种面向威胁情报处理的知识图谱构建方法、系统及计算机可读存储介质。所述方法包括收集结构化数据、半结构化数据和非结构化数据并分别处理；对所述待分析的威胁情报文本数据进行实体关系抽取，得到目标实体关系识别结果；最后进行知识图谱的构建。本发明解决了威胁情报的来源通常具有多源异构的特性，这种多样性导致了数据整合和分析的复杂性，对构建高质量知识图谱构成影响等问题。
-
公开(公告)号：CN119892499A
公开(公告)日：2025-04-25
申请号：CN202510360779.6
申请日：2025-03-26
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: H04L9/40 , G06F18/15 , G06F18/214 , G06F18/2135 , G06F18/21 , G06F18/2433 , G06N3/0442 , G06N3/0464 , G06N3/0475 , G06N3/0455 , G06N3/094
Abstract: 本发明属于数据分析与网络安全技术领域，具体涉及一种基于物理约束与自适应阈值的虚假数据注入攻击检测和定位方法。所述方法包括：通过预处理多个传感器的测量数据，将数据输入到基于物理约束和时间条件嵌入的WGAN框架进行训练；WGAN生成符合物理规律的高质量合成数据，并结合LSTM捕捉时间序列的长短期特性；随后，利用CNN‑Transformer模型进行全局特征提取和动态阈值生成，结合基于分位数的动态检测机制分析正常数据的分布，精准定位潜在攻击来源；最终，通过循环优化模型架构与参数，提升检测与定位的精度与效率。
-
公开(公告)号：CN119670916A
公开(公告)日：2025-03-21
申请号：CN202510200623.1
申请日：2025-02-24
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06N20/00 , G06F18/213 , G06F18/2115 , G06F18/2413
Abstract: 本发明属于联邦学习的技术领域，具体涉及一种基于特征对比优化与分类器动态集成的联邦学习方法及装置。其方法包括：通过服务器初始化全局模型并将其下发给参与联邦学习的#imgabs0#个客户端，客户端基于接收到的全局模型进行本地模型更新以及对更新后的本地模型进行训练，再利用训练后的本地特征提取器对其本地私有数据集进行特征提取，以构建本地特征原型集合，再将本地模型、本地特征原型集合、客户端总样本量上传至服务器，服务器在全局聚合时，使用对比学习技术提升全局特征原型质量，最后将聚合得到的全局原型和全局特征原型集合下发给各客户端，执行下一轮次的学习，直至本地模型收敛或到达设定的通信轮次。
-
公开(公告)号：CN119622379A
公开(公告)日：2025-03-14
申请号：CN202411695228.7
申请日：2024-11-25
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心) , 泰华智慧产业集团股份有限公司
IPC: G06F18/2321 , G06F18/10 , G06F18/214 , G06F18/21 , G06F18/213 , G06N3/0455 , G06N3/08
Abstract: 本发明属于数据处理分析的技术领域，更具体地，涉及一种基于动态聚类算法DeepDPM的工业系统运行模式刻画方法。所述方法包括：首先收集系统实际运行数据。将数据进行预处理，并按照固定比例划分训练集和验证集；然后建立AE模型，使用训练集对AE进行预训练，并保存训练完成后的AE模型和权重，再使用验证集来验证训练后AE模型的效果。接下来将预处理后的数据输入到训练好的AE模型中进行特征提取；再将提取出的特征数据输入到DeepDPM模型中进行聚类；最后使用一种降维可视化算法：t分布随机邻域嵌入，简称t‑SNE，对聚类结果进行可视化展示。本发明解决了提高工业系统中运行模式预测的效率和准确性问题。
-
公开(公告)号：CN119513498A
公开(公告)日：2025-02-25
申请号：CN202411673870.5
申请日：2024-11-21
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心) , 青岛理工大学
IPC: G06F18/10 , G06F18/213 , G06F18/22 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06N20/20
Abstract: 本发明属于时间序列预测的技术领域，更具体地，涉及一种基于深度集成学习模型和高低频分离的时间序列数据预测方法。所述方法包括：收集系统中的时间序列数据，对得到的数据进行预处理；对原始时间序列数据进行VMD变分模态分解，将时间序列分解成K个有限带宽的模态分量；联合最大信息系数法和重构误差分析法来确定最佳的分解模态数量K；对分解的所有模态使用过零率和中心频率来划分高低频分量；分别针对高频分量和低频分量建立合适的预测模型；将所有模态预测结果进行叠加，得到最终的时间序列预测结果。本发明组合了多种深度学习模型使得预测方法具备更强的灵活性和适应性，能够针对不同特征的分量选择合适的模型进行预测，从而提升整体性能。
-
Patent Agency Ranking
公开(公告)号：CN119358708A
公开(公告)日：2025-01-24
申请号：CN202411931128.X
申请日：2024-12-26
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明属于联邦学习的技术领域，更具体地，涉及基于扩散模型的自适应双边蒸馏个性化联邦学习方法。所述方法通过设计一种指导机制，使全局模型与本地模型之间进行相互蒸馏，从而实现知识的高效传递，增强个性化模型对客户端特定数据分布的适应性。同时，引入条件扩散模型生成高质量的伪数据，并利用这些伪数据对聚合后的全局模型进行微调。该过程不仅有效弥补了局部‑全局相互蒸馏过程中可能丢失的全局信息，还进一步优化了全局模型的表现。通过结合相互蒸馏和条件扩散微调技术，本发明在保护数据隐私的同时，实现了个性化性能与全局泛化能力的平衡，适用于非独立同分布non‑IID数据环境下的多客户端协作场景。
-
公开(公告)号：CN118886003B
公开(公告)日：2025-03-28
申请号：CN202411355197.0
申请日：2024-09-27
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06F21/55 , G06N3/0442 , G06N3/092 , G06Q50/06 , G06N7/01
Abstract: 本发明属于电子数字数据处理的技术领域，更具体地，涉及面向智能电网隐蔽性攻击的时序预测强化学习检测方法。所述方法包括以下步骤：首先，对智能电网进行建模，获得仪器测量数据，并对数据进行预处理；其次，将预处理后的数据作为长短期记忆网络的输入，对智能电网进行状态估计；然后，将智能电网中的攻击检测问题建模为部分可观测马尔可夫决策问题；最后，利用强化学习方法解决部分可观测马尔可夫决策问题，实现智能电网隐蔽性攻击检测。本发明可以以较低的延迟和误检率来检测智能电网中的隐蔽攻击。
-
公开(公告)号：CN119005302B
公开(公告)日：2024-12-20
申请号：CN202411455446.3
申请日：2024-10-18
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06N3/098 , G06F18/241 , G06N3/096 , G06F18/25
Abstract: 本发明属于联邦学习的技术领域，更具体地，涉及一种基于特征提取器与分类器灵活组合的联邦学习方法。所述方法包括：服务器初始化全局模型；如果是第一轮，则把本地分类器更新为全局分类器，如不是，则让本地分类器沿用上一轮次训练后的本地分类器；训练本地分类器，再对本地特征提取器进行训练，全局特征提取器生成全局特征锚点指导本地特征提取器的训练，同时让本地特征提取器先与全局分类器进行组合训练，再与本地分类器进行组合训练；基于客户端样本数量大小，生成聚合权重，并对本地模型聚合，得到新一轮的全局模型；重复步骤直到模型收敛或到达设定的通信轮次。本发明解决了模型性能下降、隐私泄露问题。
-
公开(公告)号：CN119646885B
公开(公告)日：2025-05-06
申请号：CN202510173637.9
申请日：2025-02-18
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06F21/62 , G06N3/098 , G06N3/0985
Abstract: 本发明属于联邦学习的技术领域，更具体地，涉及一种基于模型分层优化的保隐私个性化联邦学习方法。所述方法包括每个客户端获取服务器端的全局模型，使用自端的训练数据集更新本地模型，然后对本地模型进行分层优化，确定每一个客户端待上传的部分模型参数；对每个客户端待上传的部分模型参数进行裁剪，并引入差分隐私噪声，然后发送至服务器端；服务器端按照每个客户端数据量的大小为各个客户端分配权重，然后将各个客户端上传的模型参数进行聚合得到新的全局模型并发送至各个客户端；重复S1~S3至达到设置的训练轮次或收敛。本发明解决了在保障用户隐私的同时提高联邦学习中异构性带来的模型性能影响和通信效率的问题。
-
公开(公告)号：CN119646885A
公开(公告)日：2025-03-18
申请号：CN202510173637.9
申请日：2025-02-18
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06F21/62 , G06N3/098 , G06N3/0985
Abstract: 本发明属于联邦学习的技术领域，更具体地，涉及一种基于模型分层优化的保隐私个性化联邦学习方法。所述方法包括每个客户端获取服务器端的全局模型，使用自端的训练数据集更新本地模型，然后对本地模型进行分层优化，确定每一个客户端待上传的部分模型参数；对每个客户端待上传的部分模型参数进行裁剪，并引入差分隐私噪声，然后发送至服务器端；服务器端按照每个客户端数据量的大小为各个客户端分配权重，然后将各个客户端上传的模型参数进行聚合得到新的全局模型并发送至各个客户端；重复S1~S3至达到设置的训练轮次或收敛。本发明解决了在保障用户隐私的同时提高联邦学习中异构性带来的模型性能影响和通信效率的问题。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.062 seconds)
