公开(公告)号：CN115809702A

公开(公告)日：2023-03-17

申请号：CN202211412446.6

申请日：2022-11-11

Applicant: 中南大学

Inventor： 鲁鸣鸣 ,  宁瑞鸿 ,  苗子阳 ,  熊海裕

IPC: G06N3/094 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/088 ,  G06V10/82 ,  G06V10/762 ,  G06V10/774 ,  G06T13/40

Abstract: 本发明公开了一种ACGAN模型构建方法，包括获取目标ACGAN模型的模型结构及参数；基于K‑means算法进行预聚类；训练时，基于SoftTriple损失构建目标ACGAN模型的损失函数；得到最终构建的ACGAN模型。本发明还公开了一种包括所述ACGAN模型构建方法的图像生成方法，以及包括所述图像生成方法的服装设计方法。本发明通过对现有ACGAN模型的创新性改造和修正，不仅解决了ACGAN模型的模式崩溃问题，提高了ACGAN模型生成样本的多样性，而且可靠性更高。

公开(公告)号：CN115713986A

公开(公告)日：2023-02-24

申请号：CN202211412413.1

申请日：2022-11-11

Applicant: 中南大学

Inventor： 鲁鸣鸣 ,  宁瑞鸿 ,  周星洋 ,  王超

IPC: G16C60/00 ,  G16C20/30 ,  G16C20/70 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于注意力机制的材料晶体属性预测方法，包括获取每一个材料的晶体学信息文件和属性特性数据；对每个材料的晶体结构建模得到晶体图；构建晶体图的几何结构信息的特征表达；将晶体图和步几何结构信息的特征表达输入到构建的材料晶体属性预测初步模型中并训练得到材料晶体属性预测模型；将目标材料的晶体学信息文件输入到材料晶体属性预测模型得到最终的目标材料的晶体属性预测结果。本发明综合考虑了晶体几何结构特征与节点相关性两方面信息，因此本发明方法的可靠性高、精确性好，客观科学，而且本发明方法的计算速度更快，效率更高。

公开(公告)号：CN115809702B

公开(公告)日：2023-07-11

申请号：CN202211412446.6

申请日：2022-11-11

Applicant: 中南大学

Inventor： 鲁鸣鸣 ,  宁瑞鸿 ,  苗子阳 ,  熊海裕

IPC: G06N3/094 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/088 ,  G06V10/82 ,  G06V10/762 ,  G06V10/774 ,  G06T13/40

Abstract: 本发明公开了一种ACGAN模型构建方法，包括获取目标ACGAN模型的模型结构及参数；基于K‑means算法进行预聚类；训练时，基于SoftTriple损失构建目标ACGAN模型的损失函数；得到最终构建的ACGAN模型。本发明还公开了一种包括所述ACGAN模型构建方法的图像生成方法，以及包括所述图像生成方法的服装设计方法。本发明通过对现有ACGAN模型的创新性改造和修正，不仅解决了ACGAN模型的模式崩溃问题，提高了ACGAN模型生成样本的多样性，而且可靠性更高。

公开(公告)号：CN115713986B

公开(公告)日：2023-07-11

申请号：CN202211412413.1

申请日：2022-11-11

Applicant: 中南大学

Inventor： 鲁鸣鸣 ,  宁瑞鸿 ,  周星洋 ,  王超

IPC: G16C60/00 ,  G16C20/30 ,  G16C20/70 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于注意力机制的材料晶体属性预测方法，包括获取每一个材料的晶体学信息文件和属性特性数据；对每个材料的晶体结构建模得到晶体图；构建晶体图的几何结构信息的特征表达；将晶体图和步几何结构信息的特征表达输入到构建的材料晶体属性预测初步模型中并训练得到材料晶体属性预测模型；将目标材料的晶体学信息文件输入到材料晶体属性预测模型得到最终的目标材料的晶体属性预测结果。本发明综合考虑了晶体几何结构特征与节点相关性两方面信息，因此本发明方法的可靠性高、精确性好，客观科学，而且本发明方法的计算速度更快，效率更高。

公开(公告)号：CN115222062A

公开(公告)日：2022-10-21

申请号：CN202211141577.5

申请日：2022-09-20

Applicant: 中南大学

Inventor： 何文勇 ,  鲁鸣鸣 ,  宁瑞鸿

IPC: G06N20/00 ,  G06F17/14 ,  G06K9/62

Abstract: 本发明公开了一种基于时间序列预测对抗攻击的机器学习模型评价方法，包括获取待评价的机器学习模型；获取待评价的机器学习模型的正常输出数据；生成每一个标准样本的扰动；将扰动转换到频域；按照设定的阈值滤除高频分量；将频域扰动转换到时域；将时域扰动叠加到标准样本得到生成对抗样本；将生成对抗样本输入到待评价的机器学习模型得到异常输出数据；计算正常输出数据和异常输出数据之间距离；根据距离值对待评价的机器学习模型进行性能判定。本发明设计了一种扰动值更小且更加不易被发现的扰动攻击序列，并采用该序列进行机器学习模型评价；因此本发明能够在更加严苛和残酷的环境下对机器学习模型评价，而且可靠性高、科学性好且稳定安全。