公开(公告)号：CN116208357A

公开(公告)日：2023-06-02

申请号：CN202211434979.4

申请日：2022-11-16

Applicant: 哈尔滨理工大学

Inventor： 席亮 ,  何东 ,  苗德华

IPC: H04L9/40 ,  H04L41/16

Abstract: 本发明提出一种基于多尺度自编码器和特征匹配判别器的网络流量入侵检测方法，属于网络入侵检测领域。深度学习在入侵检测领域得到了发展，可以识别正常和异常流量。然而，现有的方法不能保证在准确性和效率方面的良好表现。本发明基于自编码器和生成对抗网络，在网络流量特征提取中采用多分辨率自编码器，可以获得不同的编码长度，保证更好的数据重构。此外还添加了一个额外的特征匹配损失，以鼓励判别器从重建的样本中获得更多的判别信息。将所提出的方法应用于CIC‑IDS2018数据集，实验结果表明，与传统的自编码器和生成对抗网络相比，本发明可以有效提高检测网络流量攻击的精度，可应用于6G网络流量安全检测。

公开(公告)号：CN115713695A

公开(公告)日：2023-02-24

申请号：CN202211438456.7

申请日：2022-11-16

Applicant: 哈尔滨理工大学

Inventor： 席亮 ,  何东 ,  孟祥龙

IPC: G06V20/13 ,  G06V10/77 ,  G06V10/82 ,  G06V10/764 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/084 ,  G06N3/088

Abstract: 本发明提出一种基于多级Transformer网络的卫星滑坡图像检测方法，属于图像异常检测领域。针对现有的仅利用卷积神经网络进行图像特征提取和特征重构来进行滑坡检测，本发明采用预训练特征提取网络和无监督多级Transformer自动编码器进行滑坡检测。首先从预训练网络中提取多尺度特征，然后使用具有U形的自编码Transformer网络重构图像特征，通过多级Transformer编码器和解码器对特征的融合和重构，可以同时获取粗粒度的低级像素特征和细粒度的全局语义特征。将所提出的方法应用于卫星捕获的毕节滑坡数据集，实验结果表明，与原始CNN模型相比，本发明可以提高检测精度，有效区分滑坡和非滑坡图像数据。

公开(公告)号：CN116127303A

公开(公告)日：2023-05-16

申请号：CN202211580676.3

申请日：2022-12-09

Applicant: 哈尔滨理工大学

Inventor： 张凤斌 ,  邓昊 ,  何东

IPC: G06F18/214 ,  G06F30/27 ,  G06F18/24 ,  G06N3/08 ,  G06F111/04

Abstract: 时间序列数据异常检测模型训练方法及装置、时间序列数据异常检测方法及装置，涉及时间序列技术领域。为解决现有技术中存在的，无监督时间序列在异常检测方面数据集存在污染的问题，本发明提供的技术方案为：时间序列数据异常检测模型训练方法，所述方法包括：步骤1：采集时间序列数据集合作为原始数据，并对所述原始数据进行预处理，生成扰动数据；所述预处理包括：对所述时序数据进行数据划分和随机扰动的操作。步骤2：根据所述扰动数据与所述原始数据，训练检测模型。训练所述检测模型的方法具体为：将所述扰动数据和原始数据进行特征提取，根据得到的数据对预设模型进行训练。适合应用于无监督时间序列异常检测的工作中。

公开(公告)号：CN116244632A

公开(公告)日：2023-06-09

申请号：CN202310222088.0

申请日：2023-03-09

Applicant: 哈尔滨理工大学

Inventor： 张凤斌 ,  邓昊 ,  何东

IPC: G06F18/24 ,  G06F18/214 ,  G06F18/21

Abstract: 时间序列数据异常检测模型训练方法及装置、时间序列数据异常检测方法及装置，涉及时间序列技术领域。为解决现有技术中存在的，无监督时间序列在异常检测方面数据集存在污染的问题，本发明提供的技术方案为：时间序列数据异常检测模型训练方法，方法包括：步骤1：采集时间序列数据集合作为原始数据，并对原始数据进行预处理，生成扰动数据；步骤2：根据扰动数据与原始数据，训练检测模型。进一步，步骤1中，预处理包括：对时序数据进行数据划分和随机扰动的操作。进一步，步骤2中，训练检测模型的方法具体为：将扰动数据和原始数据进行特征提取，根据得到的数据对预设模型进行训练。适合应用于无监督时间序列异常检测的工作中。

公开(公告)号：CN116206144A

公开(公告)日：2023-06-02

申请号：CN202211434389.1

申请日：2022-11-16

Applicant: 哈尔滨理工大学

Inventor： 席亮 ,  孟祥龙 ,  何东

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/774 ,  G06V10/776 ,  G06V20/13 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明实施方式中的基于视觉模糊和旋转预测森林图像中毁林因素的分类方法，该框架使用新的数据增强方法，即使面对云层或极端天气，该模型的性能也不会受到干扰。此外，即使应用数据旋转和自监督方法，模型的分类预测也可以保持稳定。本发明创新地将数据模糊与数据旋转自监督学习相结合，使模型可以更全面与准确的学习数据的特征表示。同时，应用这种数据增强进行表示学习可以后的更加强健、稳定的模型效果，避免因为数据污染而造成的结果干扰。将所提的网络模型应用于毁林因素图片数据的分类，能达到提升准确率的目的，实验结果验证了所提方法的有效性。