-
公开(公告)号：CN118869356A
公开(公告)日：2024-10-29
申请号：CN202411327886.0
申请日：2024-09-24
Applicant: 烟台大学
IPC: H04L9/40 , G06F18/214 , G06F18/213 , G06F18/2415 , G06F18/2433 , G06N3/0442 , G06N3/047 , G06N3/0464 , G06N3/045
Abstract: 本发明涉及数据处理技术领域，尤其是涉及一种基于深度学习的司法大数据网络入侵检测方法及系统。方法，包括获取司法大数据中的多源数据；对获取的多源数据进行数据预处理；将预处理后的多源数据进行数据集划分，得到训练集和测试集；建立基于深度学习的司法大数据入侵检测模型；利用司法大数据入侵检测模型对多源数据进行特征提取和特征降维；利用长短时记忆网络和贝叶斯线性层对降维后的特征进行预测，得到预测结果；本发明采用深度学习模型中的CNN组件自动学习司法大数据中的复杂模式和异常行为，无需依赖传统的、可能被APT规避的预定义规则，使模型能够捕捉到APT攻击的微妙迹象，从而提高检测的准确性和全面性。
-
公开(公告)号：CN118864067A
公开(公告)日：2024-10-29
申请号：CN202411337158.8
申请日：2024-09-25
Applicant: 烟台大学
IPC: G06Q30/0601 , G06F17/16
Abstract: 本发明基于乘客偏好融合的无人驾驶车型推荐方法、系统和设备，从乘客和无人驾驶车交互信息中提取目标乘客与无人驾驶车车型的交互数据以及一些辅助信息，精准捕捉乘客的真实偏好和需求，推荐结果的高度个性化和精准化，分析乘客的不同偏好的特征；设定推荐值阈值，当推荐值达到或超过推荐值阈值时，将目标无人驾驶车车型推荐给目标乘客。该方法通过乘客和无人驾驶车辆的多视角偏好融合，实现了对无人驾驶车型的精准推荐，提高了无人驾驶车型推荐的准确度，增强乘客的体验感。
-
公开(公告)号：CN118861961A
公开(公告)日：2024-10-29
申请号：CN202411354085.3
申请日：2024-09-27
Applicant: 烟台大学
IPC: G06F18/2433 , G06F18/2131 , G06F18/2135 , G06F18/213 , G06N3/0455 , G06N3/0442 , G06N3/048 , G06N3/084
Abstract: 本发明涉及数据处理技术领域，尤其是涉及一种基于LSTM‑VAE网络的电网数据异常检测方法及系统。方法包括获取智能电网数据；构建长短时记忆网络和VAE的LSTM‑VAE网络模型；利用智能电网数据对LSTM‑VAE网络模型进行网络训练；利用训练好的模型进行电网异常检测。本发明结合LSTM和VAE的优势，LSTM能够有效处理电网数据的时序性，捕捉故障前后不同时间点数据的变化趋势和规律；VAE则通过学习数据的潜在分布，更好地重构数据和检测异常。两者结合可以更准确地识别电网数据中的异常情况。
-
公开(公告)号：CN118861956A
公开(公告)日：2024-10-29
申请号：CN202411345345.0
申请日：2024-09-26
Applicant: 烟台大学
IPC: G06F18/2433 , G06F18/213 , G06F18/241 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/088
Abstract: 本发明涉及数据处理技术领域，尤其是涉及一种基于图神经网络的电力系统数据异常检测方法及系统。方法，包括获取电力系统数据；根据获取的电力系统数据，生成图结构；利用图卷积神经网络对图结构的节点特征进行初步特征提取，得到特征序列；使用基于异常注意机制的编码器从特征序列中进一步提取特征，得到注意力分数；使用基于多头注意力机制的解码器重构编码器提取的特征，并计算重构误差；根据重构误差计算异常得分，基于异常得分判断是否存在异常。本发明通过引入基于图结构的深度学习技术，结合图卷积神经网络和异常注意机制，有效提升了电力系统中异常检测的精度和效率。
-
公开(公告)号：CN118799603A
公开(公告)日：2024-10-18
申请号：CN202411280700.0
申请日：2024-09-13
Applicant: 烟台大学
IPC: G06V10/762 , G06V10/82 , G06V10/44 , G06N3/0455
Abstract: 本发明涉及数据挖掘技术领域，尤其是涉及一种基于深度学习的不完全多视图聚类方法及系统。一种基于深度学习的不完全多视图聚类方法包括S1.获取跨视图训练集，包括完整数据集和不完整数据集；S2.构建聚类模型，包括编码器网络和解码器网络；S3.利用聚类模型对跨视图训练集进行特征提取和重构，并计算重构损失，对重构损失进行优化；S4.基于重构损失，分别利用完整数据集和不完整数据集对聚类模型进行训练；S5.利用训练好的聚类模型进行预测。本发明解决了对完整和不完整数据通过有效双层操作来提高聚类精度的问题。
-
Patent Agency Ranking
公开(公告)号：CN118238151B
公开(公告)日：2024-07-30
申请号：CN202410666297.9
申请日：2024-05-28
Applicant: 烟台大学
Abstract: 本发明涉及情感识别领域，尤其是涉及一种基于多模态情感识别的协作机器人控制方法及系统，包括以下步骤：S1.采样语音数据和视频数据，分别构建单模态数据，对所述单模态数据进行标注和归一化处理，得到多模态情感数据集；S2.构建多模态情感识别网络模型，所述多模态情感模型包括构建自顶向下融合方式、单模态特征提取和多模态特征融合；S3.利用所述多模态情感数据集对多模态情感识别网络模型进行训练；S4.构建协作机器人控制框架，利用所述协作机器人控制框架和训练好的情感识别网络模型构建协作机器人控制系统。本发明通过基于多模态情感识别的协作机器人实现了对人类情感的高效和精准识别，同时提高了操作人员的工作效率。
-
公开(公告)号：CN118305818A
公开(公告)日：2024-07-09
申请号：CN202410733032.6
申请日：2024-06-07
Applicant: 烟台大学
Abstract: 本发明涉及计算机视觉技术领域，尤其是涉及一种基于双手交互姿态估计的仿生机械手控制方法及系统。所述方法，包括获取图像数据集，包括获取手部姿态和形状的数据集，并对获取的数据集进行整合；基于获取的手部姿态数据集进行手部姿态估计，包括构建并利用神经网络模型进行手部姿态的特征提取；利用轻量级神经网络模型对手部姿态数据集中手部图像进行特征分析，得到双手的姿态信息；根据特征分析结果进行轻量级神经网络模型训练；通过双手的姿态信息进行姿态对齐和映射，基于姿态对齐和映射生成仿生机械手的控制信息。本发明通过采用轻量级神经网络架构，实现了对两只手之间相对位置的准确预测,使机械手在执行任务时更加准确和可靠。
-
公开(公告)号：CN117409483B
公开(公告)日：2024-06-07
申请号：CN202311705047.3
申请日：2023-12-13
Applicant: 烟台大学
IPC: G06V40/20 , G06V20/40 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明属于虚拟现实交互技术领域，提供了基于自适应联合时空图卷积的虚拟现实交互方法及系统，其使用RGB摄像头作为感知源，通过骨架估计算法实时提取人体骨架，提出了一种自适应图机制，替换原有骨架图，使得骨架图可以跟网络参数一同优化，提升了全局准确率，提出了一种跨时空的联合图卷积方法，跨时空聚合节点信息，提升识别准确率并降低网络参数量使实时化可行。
-
公开(公告)号：CN117910519A
公开(公告)日：2024-04-19
申请号：CN202410315719.8
申请日：2024-03-20
Applicant: 烟台大学
IPC: G06N3/0475 , G06N3/094 , G06N3/126 , G06F16/9535
Abstract: 本发明属于图结构优化推荐领域，提供了一种进化图生成对抗网络的图应用方法、系统及推荐方法，包括确定图的节点和边，构建真实图结构；生成器利用不同的变异函数生成不同的虚假图结构；鉴别器利用适应性函数对每个生成的虚假图结构进行质量评估，确定每个生成的虚假图结构的适应性得分并反馈给生成器；根据每个虚假图结构的适应性得分进行排序，生成器会通过适应性得分最高的虚假图结构来生成更加逼真的数据分布；每一轮进化迭代后，鉴别器更新自适应损失以便于能够更好地区分真实数据分布和生成数据分布，进而得到最优的图结构。本发明利用进化算法来使得原先的生成器充当进化体不断的在环境（鉴别器）中进化，减少模式崩溃与梯度问题。
-
公开(公告)号：CN117313972A
公开(公告)日：2023-12-29
申请号：CN202311271113.0
申请日：2023-09-28
Applicant: 烟台大学
IPC: G06Q10/047 , B63B35/00 , G06Q10/0631
Abstract: 本发明属于无人艇控制技术领域，具体涉及一种无人艇集群的攻击方法、系统、装置及存储介质。基于获取的敌我双方无人艇信息，获取我方每艘无人艇采取动作所获得的收益，对我方每艘无人艇采取动作所获得的收益进行优势处理后，进行收益梯度处理，经动作损失处理后，预测下一步动作，对预测的下一步动作经策略损失处理后，得到我方每艘无人艇的最佳下一步动作，获得我方每艘无人艇的最佳攻击路线；结合混合策略及纳什均衡处理，获得混合策略的纳什均衡点，得到我方无人艇集群的协同攻击策略，既能保证我方每艘无人艇精准高效完成攻击任务，又能实现我方无人艇集群协同攻击收益最大化。
-
-
-
-
-
-
-
-
-
Search Results
114
records
(took 0.047 seconds)
