公开(公告)号：CN117274774A

公开(公告)日：2023-12-22

申请号：CN202311221677.3

申请日：2023-09-20

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  张恩炎 ,  冯彦翔 ,  吴卿 ,  吴海滨

IPC: G06V10/82 ,  G06V10/774 ,  G06V10/776 ,  G06V10/762 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明属于目标检测技术领域，具体涉及一种基于YOLOv7的X射线安检图像危险品检测算法；该方法依次执行以下步骤：获取X射线安检图像数据集并按比例随机划分；利用K‑means++算法设置数据集的先验框；搭建改进的YOLOv7‑MPCN网络模型，包括：在YOLOv7网络中结合CA(Coordinate Attention，CA)坐标注意力机制；借鉴残差网络，在MPConv中加入跳跃连接；利用BiFPN(Bidirectional Feature Pyramid Network)作为下采样模块的特征融合结构；最后采用SIoU(SCYLIA Intersection over Union)改进损失函数加快收敛速度。利用训练集对改进的YOLOv7模型进行训练得到X射线安检图像检测模型；利用测试集对训练好的模型进行测试得到检测结果。本发明通过使用改进的YOLOv7算法检测X射线安检图像，能够在各大交通枢纽的安检平台危险品检测过程中精确定位识别出危险品，提高安检效率。

公开(公告)号：CN119312155A

公开(公告)日：2025-01-14

申请号：CN202411310183.7

申请日：2024-09-19

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  夏丁 ,  冯彦翔 ,  姚一鸣 ,  李福玲 ,  吴海滨

IPC: G06F18/241 ,  G06F18/214 ,  G06F18/211 ,  G06N3/0464 ,  G06N3/094 ,  G06N3/098 ,  G06F11/3668

Abstract: 本发明属于联邦学习与软件缺陷预测技术领域，具体涉及一种基于联邦学习的高鲁棒性异构软件缺陷预测算法。该算法首先利用Tomek links和单边选择(One‑Side Selection,OSS)算法对参与方本地数据进行预处理，缓解类不平衡问题；通过卡方检验选出代表性特征子集，统一各参与方数据的特征数量。各参与方构建本地卷积神经网络，将数据划分为训练集和测试集。通过引入客户端置信度重新加权(Client Confidence Reweighting，CCR)和改进的Bootstrap Loss损失函数，增强模型在标签噪声条件下的鲁棒性，并通过KL散度进行知识交换，降低通信开销，提高模型性能。最终，模型经过训练和验证，实现了高效精准的软件缺陷预测，有效应对数据异构性和标签噪声问题，提升了预测精度和效率。

公开(公告)号：CN117272095A

公开(公告)日：2023-12-22

申请号：CN202311139284.8

申请日：2023-09-05

Applicant: 国网山东省电力公司营销服务中心(计量中心) ,  哈尔滨理工大学

Inventor： 李琮琮 ,  朱红霞 ,  荆臻 ,  张志 ,  曹彤 ,  赵曦 ,  王清 ,  王平欣 ,  冯彦翔

IPC: G06F18/24 ,  G06F18/10 ,  G06F18/214 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明在复杂多样的电力系统的实际场景下，为解决电能质量扰动分类中单一数据集的数据不充分问题和多源数据带来的数据异构和隐私性问题，提出了一种全景感知电力系统下的电能质量扰动分类方法，涉及联邦学习、电能质量扰动分类技术领域；该方法以联邦个性化学习为框架，在互不侵犯隐私的条件下实现多个参与方协同构建扰动数据分类模型，同时使用继承私有模型聚合历史训练中所有个性化模型，在下一轮模型更新时进行知识迁移，在模型初步收敛后停止历史模型的继承；加入了Adam算法，更有效地优化目标函数同时生成联邦通信的参数，由于该算法融合了二阶梯度的混合运算，因此在通信中难以通过梯度反演攻击获得隐私数据，有效保护隐私安全。

公开(公告)号：CN116303002A

公开(公告)日：2023-06-23

申请号：CN202310188453.0

申请日：2023-03-01

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  赵英卉 ,  吴海滨 ,  冯彦翔 ,  杨林林

IPC: G06F11/36 ,  G06N3/04 ,  G06N3/098 ,  G06N3/048 ,  G06N3/047 ,  G06F21/60 ,  G06F17/16

Abstract: 本发明为基于top‑k的通信高效联邦学习的异构软件缺陷预测算法；该方法步骤如下：所有参与方将收到的全局参数进行解码，利用解码后的全局模型梯度参数与各自缺陷数据基于胶囊神经网络(CapsNet)进行本地训练，更新本地模型；各参与方利用高斯差分隐私对本地模型梯度参数进行加密；加密后的梯度参数进行稀疏二值压缩；将非零元素之间的相对距离进行Golomb编码发送到服务器端进行聚合；服务器端将接收到的数据进行解码，并对数据进行聚合；服务器端对聚合后参数进行稀疏二值压缩和Golomb编码并发送回每个参与方。本发明可以在模型预测性能可接受情况下，有效减少通信比特量并提高通信效率。

公开(公告)号：CN118885385A

公开(公告)日：2024-11-01

申请号：CN202410904782.5

申请日：2024-07-07

Applicant: 哈尔滨理工大学

Inventor： 冯彦翔 ,  王爱丽 ,  夏丁 ,  闫思奇 ,  吕浩然 ,  吴海滨

IPC: G06F11/36 ,  G06F21/62 ,  G06N3/0464 ,  G06N3/09 ,  G06N3/098

Abstract: 本发明涉及联邦学习、软件缺陷预测技术领域，公开了一种基于继承联邦学习的异构软件缺陷预测方法，解决了软件缺陷预测中单一数据集的数据不充分以及多源数据带来的数据异构和隐私性问题。该方法包括：对各本地数据集采用综合过采样Synthetic Minority Over‑sampling Technique combined with Tomek Links(SMOTETomek)算法和核主成分分析(Kernel Principal Component Analysis,KPCA)算法进行预处理；在本地训练阶段加入继承私有模型(Inherited Private Models,IPM)，将历史训练中的模型知识进行迁移，共同参与本轮训练；在全局聚合阶段引入差异感知协作(Discrepancy‑aware Collaboration,DC)算法，考虑数据分布的情况下重新分配聚合权重。在迭代优化上采用了Ranger算法，由于参数更新上加入了多种不可逆的混合运算，因此能够加速收敛的同时有效保护数据隐私安全。