-
公开(公告)号：CN115514787B
公开(公告)日：2023-06-27
申请号：CN202211130407.7
申请日：2022-09-16
Applicant: 北京邮电大学
IPC: H04L67/12 , H04B7/185 , G06N3/0499 , G06N3/045 , G06N3/084
Abstract: 本发明公开了一种用于车联网环境的智能无人机辅助决策规划方法及装置，首先将训练好的无人机辅助网络部署于多旋翼无人机上，得到智能无人机；其次创建道路信息数据库，将智能无人机部署在道路网络中收集实时数据；然后将智能无人机收集的实时数据输入三层人工神经网络的输入层，在隐藏层中对传入的信息进行数据预处理和预测，在输出层中对预测结果进行判断和决策，输出对车辆驱动部分的控制命令；最后对控制命令进行判断，再输出到目标车辆的驱动设备上，完成最终的驾驶行为转换。本发明提高了车辆决策规划的准确性，同时保证了信息的实时性，从而降低了决策的错误率，提高了对无人机的控制准确性，能够大面积覆盖道路，从而高效收集实时信息。
-
公开(公告)号：CN116127519A
公开(公告)日：2023-05-16
申请号：CN202310221541.6
申请日：2023-03-09
Applicant: 北京邮电大学
IPC: G06F21/62 , G06F21/60 , G06F21/64 , G06F18/214 , G06N3/098
Abstract: 本发明公开了一种基于区块链的动态差分隐私联邦学习系统，针对联邦学习自身的特点和存在的问题，将差分隐私技术进行改进，采用自适应裁剪梯度、加权法添高斯噪声和随机性调度的联邦学习，将联邦学习的隐私性与性能同时做到高水平，再结合区块链的特性，给联邦学习进行赋能，解决了联邦学习中所面临的推理攻击、投毒攻击和中心聚合服务器攻击等问题，可以为联邦学习提供多重安全保障，保护数据隐私、提高模型安全、性能、保障公平性和信任度，从而为联邦学习的应用提供更加安全、可靠、有效的解决方案。
-
公开(公告)号：CN115935824A
公开(公告)日：2023-04-07
申请号：CN202211663001.5
申请日：2022-12-23
Applicant: 北京邮电大学
Abstract: 本发明公开了一种高效的多保真度黑盒优化方法，针对现有的单一的采集函数会限制优化过程的效率和有效性等问题，在基于序列模型的全局优化过程中，采用多目标优化的方法，结合多个有效的获取函数进行并行采样，生成帕累托平面，并采集平面上的最优配置，实现并行加速获取高质量配置的效果；同时针对现有的贝叶斯优化方法无法与多保真度有效结合的问题，通过资源分配机制，将配置划分为多保真度的配置集合，利用连续减半策略获取多个单代理模型，结合广义专家积方法对多个代理模型进行融合，从而提高代理模型对目标函数的拟合度以及优化效率。
-
公开(公告)号：CN113282960B
公开(公告)日：2023-02-17
申请号：CN202110654316.2
申请日：2021-06-11
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种基于联邦学习的隐私计算方法、装置、系统及设备，所述方法应用于服务器端，包括：确定参与本次迭代训练的各目标客户端；将预设的剪裁参数发送至各目标客户端，以使各目标客户端对子模型参数变化值进行剪裁；接收剪裁后的子模型参数变化值并进行聚合处理，得到聚合模型参数变化值；基于加噪处理后得到的聚合模型参数变化值与本次迭代目标聚合模型参数，更新目标聚合模型参数；在当前迭代满足预设收敛条件时，按照中心极限定理，利用f‑差分隐私机制对目标聚合模型的隐私参数值进行计算；在不满足时返回执行确定参与本次迭代训练的各目标客户端的步骤。本发明实施例，能够对基于联邦学习的模型隐私参数进行计算。
-
公开(公告)号：CN113160042B
公开(公告)日：2023-02-17
申请号：CN202110556271.5
申请日：2021-05-21
Applicant: 北京邮电大学
IPC: G06T3/00 , G06V10/40 , G06V10/774
Abstract: 本申请实施例提供的一种图像风格迁移模型训练方法、装置及电子设备，通过将样本源域图像和样本目标域图像输入待训练的图像风格迁移模型；通过内容编码层对样本源域图像和样本目标域图像进行特征提取，得到源内容张量和源风格张量；通过风格编码层对样本源域图像和样本目标域图像进行特征提取，得到目标内容张量和目标风格张量；通过预设损失函数，根据源内容张量、源风格张量、目标内容张量和目标风格张量计算待训练的图像风格迁移模型的当前损失；根据当前损失对待训练的图像风格迁移模型的参数进行调整，直至当前损失小于预设阈值，得到训练好的图像风格迁移模型。实现了提取样本图像的多个维度的特征进行模型的训练，避免模型的内容敏感性。
-
Patent Agency Ranking
公开(公告)号：CN113220891B
公开(公告)日：2022-10-18
申请号：CN202110658282.4
申请日：2021-06-15
Applicant: 北京邮电大学
IPC: G06F16/35 , G06F40/242 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 基于无监督的概念到句子的生成对抗网络图像描述算法涉及图像描述技术领域，解决了现有不能在没有成对数据集的情况下描述图像的问题，具体为：生成器根据离散概念计算离散概念中目标概念与关系概念之间的语义相关性，生成器根据离散概念计算离散概念中目标概念与属性概念之间的语义相关性，所述离散概念为通过提取图像中语义概念得到，离散概念包括目标概念、关系概念和属性概念，拼接两语义相关性得到语义关系信息，生成器将语义关系信息解码成句子。本发明利用一些预训练的目标检测模型及分类模型提取图像中包含的离散的概念信息，将这一模态的离散概念转换为同一模态的图像描述语句，实现了在没有成对数据集的情况下描述图像。
-
公开(公告)号：CN114065933A
公开(公告)日：2022-02-18
申请号：CN202111420523.8
申请日：2021-11-26
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于人工免疫思想的未知威胁检测方法，有效检测已知和未知威胁。预分类模块将卷积神经网络引入用于解决self集合的预收集以及检测中网络流量的预分类问题；阴性选择模块将基因库引入用于解决初始检测器的随机生成问题和针对未知威胁的特异性免疫问题，将层次聚类引入用于提高检测器的训练效率；克隆变异模块通过引入基于遗传算法的检测器优化算法，解决高亲和力检测器的重叠检测问题；同时引入基于LRU的记忆检测器消退机制，有效释放存储空间，提高检测效率；mRNA疫苗接种模块引入基于特征重要性排序的mRNA疫苗算法，将检测到的未知威胁按基因重要性分解并注入到基因库中，并生成相应的检测器，实现对该未知威胁及其变种的特异性免疫。
-
公开(公告)号：CN113469271A
公开(公告)日：2021-10-01
申请号：CN202110813222.5
申请日：2021-07-19
Applicant: 北京邮电大学
Abstract: 本发明公开了一种基于Echo State Network的图像分类方法，包括构建网络结构、训练中的数据传输和更新、输出训练和图像分类处理的步骤，其中，储备池的各个参数设置为：储备池光谱半径λ为1.25，储备池大小Nx为2000，储备池输入单元的尺度IS为1，储备池的稀疏度SD为1e‑8，泄漏率α为0.15，空转图像数量占10％。本发明提供的基于Echo State Network的图像分类方法，通过使用回声状态网络(ESN)进行图像的分类处理，解决了卷积网络在使用上复杂度高、速度较慢的问题。
-
公开(公告)号：CN113269259A
公开(公告)日：2021-08-17
申请号：CN202110598271.1
申请日：2021-05-31
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种目标信息的预测方法及装置，上述方法包括：获取目标信息在当前时间点之前的多个离散的时间点对应的目标历史信息；将目标历史信息输入预先训练的目标信息预测模型，获取目标信息在当前时间点后的变化趋势预测结果；RNN层，用于对输入的目标历史信息进行初始变化趋势特征提取，并将所提取的初始变化趋势特征输入GAN层；GAN层，用于基于初始变化趋势特征，确定目标信息在当前时间点后的变化趋势信息，作为目标信息的变化趋势预测结果。采用本发明实施例提供的方法，提高了预测出的目标信息在当前时间点后的变化趋势信息的精度。
-
公开(公告)号：CN112529929A
公开(公告)日：2021-03-19
申请号：CN202011418101.2
申请日：2020-12-07
Applicant: 北京邮电大学
Abstract: 本发明实施例提供的一种基于全卷积稠密网络的人像抠图方法，应用于信息技术领域，用以解决如何提高人像抠图的效果的问题，通过获取样本图像；将输入图和trimap图输入到待训练的GAN网络中的全卷积稠密网络中，得到全卷积稠密网络的第一输出结果；当全卷积稠密网络的第一损失小于第一预设阈值时，将全卷积稠密网络的第一输出结果输入到判别器中，得到判别器的第一输出结果；当判别器的第一损失小于第二预设阈值时，得到训练好的GAN网络。使得得到的训练好的GAN网络在对进行抠图时，可以提高人像抠图的效果。
-
-
-
-
-
-
-
-
-
Search Results
128
records
(took 0.032 seconds)
