-
公开(公告)号：CN118608380A
公开(公告)日：2024-09-06
申请号：CN202410709182.3
申请日：2024-06-03
Applicant: 南京邮电大学
IPC: G06T3/4038 , G06T3/4053 , G06T3/4046 , G06T5/40 , G06T5/50 , G06T5/60
Abstract: 本发明属于医学图像处理技术领域，公开了一种面向眼底的图像增强与拼接方法，首先对眼底图像采用限制对比度的自适应直方图均衡化以及和原图进行通道加权融合的手段；再将图片转化为RGBA格式以使得图像黑色背景透明化，对多视场角图片分别采用误差平方和算法和归一化积相关算法进行粗细两次模板匹配，通过加权平均方法最终检测出可拼接位置；并采用倒数梯度加权平滑算法实现拼接位置的平滑过渡；最后将拼接好的图像利用改进的生成对抗网络进行超分辨率处理，生成高质量的眼底拼接图像。本发明实现了提高多视场角视网膜图像质量的情况下完成对眼底视网膜图像的拼接。
-
公开(公告)号：CN118535283A
公开(公告)日：2024-08-23
申请号：CN202410622794.9
申请日：2024-05-20
Applicant: 南京邮电大学
Abstract: 本发明属于计算机安全和网络安全技术领域，具体提出了一种基于内核调用构建进程行为树的电力系统容器逃逸识别方法，包括：识别宿主机上的初始容器节点，并组织这些节点构建逃逸侦测树；监控和预处理宿主机的审计日志，提取容器进程行为特征，并基于进程行为特征构建行为特征观测链；连续监控新进程的创建，搜索进程特征链，并将新进程溯源至逃逸侦测树上的容器节点，构建完善后的容器逃逸侦测树；根据完善后的容器逃逸侦测树判断进程是否发生逃逸现象。本发明通过各模块作用构建并完善容器逃逸侦测树，并基于容器逃逸侦测树判决是否发生直接逃逸或级联逃逸现象，能够有效识别容器各类逃逸行为。
-
公开(公告)号：CN117977587B
公开(公告)日：2024-06-07
申请号：CN202410390633.1
申请日：2024-04-02
Applicant: 南京鼎研电力科技有限公司 , 南京邮电大学
IPC: H02J3/00 , G06F18/213 , G06F18/2415 , G06F17/16 , G06N3/0455 , G06N3/0464 , G06Q50/06
Abstract: 本申请涉及电力负荷的智能预测领域，其具体地公开了一种基于深度神经网络的电力负荷预测系统及方法，其将采集到的待预测电力系统的历史电力负荷数据和与之相关的影响因素数据作为输入数据，然后利用深度学习技术分别对这些输入数据进行特征提取和分析，并结合这些特征得到待预测电力系统未来一段时间内电力负荷的负荷曲线。这样，根据未来一段时间内电力负荷的负荷曲线，可以实现电力系统的负荷预测，从而为电力系统的运行和调度提供参考依据。
-
公开(公告)号：CN117978551B
公开(公告)日：2024-06-04
申请号：CN202410372677.1
申请日：2024-03-29
Applicant: 南京鼎研电力科技有限公司 , 南京邮电大学
IPC: H04L9/40 , H02J13/00 , H04L41/0631 , H04L67/12 , G06F30/27 , G06F119/02
Abstract: 本申请涉及智能分析领域，其具体地公开了一种变电站监控网络的交互异常行为分析方法，其通过获取多个变电站设备的预定时间段多个预定时间点的数据流量包和报文交互历史数据，并采用深度学习技术和数据处理方法，来生成变电站监控网络中变电站设备的异常行为类型标签和对应的设备类型。通过这种方法可以提供更准确的描述和表示变电站设备之间的交互关系，从而能够更精确地检测和识别异常行为，以便及时发现和识别异常行为，提前采取相应的措施，防止潜在的故障或安全问题，从而提升变电站监控网络的安全性、可靠性和效率。
-
公开(公告)号：CN118053563A
公开(公告)日：2024-05-17
申请号：CN202410107287.1
申请日：2024-01-25
Applicant: 江苏鱼跃凯立特生物科技有限公司 , 南京邮电大学 , 江苏跃凯生物技术有限公司 , 浙江凯立特医疗器械有限公司
IPC: G16H40/60 , G16H50/70 , G16H10/20 , G06N3/0442 , G06N3/0455 , G06N3/049 , G06N3/08 , A61B5/145
Abstract: 本申请实施例公开了一种CGM时序事件异常识别方法及系统。包括，对获取到的糖尿病患者的血糖数据进行预处理，得到血糖数据对应的时间序列数据，以构建CGM时序事件异常识别模型；通过时间感知的注意力机制，确定出在相邻异常事件发生的不同时间间隔下，CGM时序事件异常识别模型对目标信号识别的权重影响状况；基于引入时间感知的注意力机制的CGM时序事件异常识别模型，对预置血糖样本数据进行深度学习，以拟合出基于用户实际血糖数据的重构值，确定出原始输入值与重构值之间的均方误差，并基于改进的高斯分布确定出自适应阈值；将用户的血糖数据对应的损失值与自适应阈值进行比对，以确定出异常数据。通过上述方法提高血糖数据检测准确率。
-
Patent Agency Ranking
公开(公告)号：CN117978551A
公开(公告)日：2024-05-03
申请号：CN202410372677.1
申请日：2024-03-29
Applicant: 南京鼎研电力科技有限公司 , 南京邮电大学
IPC: H04L9/40 , H02J13/00 , H04L41/0631 , H04L67/12 , G06F30/27 , G06F119/02
Abstract: 本申请涉及智能分析领域，其具体地公开了一种变电站监控网络的交互异常行为分析方法，其通过获取多个变电站设备的预定时间段多个预定时间点的数据流量包和报文交互历史数据，并采用深度学习技术和数据处理方法，来生成变电站监控网络中变电站设备的异常行为类型标签和对应的设备类型。通过这种方法可以提供更准确的描述和表示变电站设备之间的交互关系，从而能够更精确地检测和识别异常行为，以便及时发现和识别异常行为，提前采取相应的措施，防止潜在的故障或安全问题，从而提升变电站监控网络的安全性、可靠性和效率。
-
公开(公告)号：CN117522667A
公开(公告)日：2024-02-06
申请号：CN202311619459.5
申请日：2023-11-29
Applicant: 南京邮电大学
IPC: G06T1/00 , G06T9/00 , G06N3/0455 , G06N3/084
Abstract: 本发明属于大语言模型的安全技术领域，公开了一种物理环境下基于优化的多模态LLM对抗攻击方法，包括：选取图像数据集，对图像进行特征提取及可视化工作，并将随机旋转后的补丁贴到干净图像生成对抗样本，针对对抗样本区域添加正态分布增强和动量增强梯度；将计算对抗样本和目标图片的相似度并循环迭代更新补丁，将循环后的补丁贴在干净图像上面生成对抗样本，计算生成的对抗样本与预定义的目标文本之间的CLIP评分。本发明选择在图像中选取一块与补丁大小相符的区域进行扰动，从而在物理环境中实现明显的攻击效果，这一特性赋予大型语言模型更强的鲁棒性，使得对抗性研究变得更为具有深刻的研究价值。
-
公开(公告)号：CN117040886A
公开(公告)日：2023-11-10
申请号：CN202311109929.3
申请日：2023-08-30
Applicant: 南京邮电大学
Abstract: 本发明公开一种基于半同态数据加密的拟态防御DHR架构系统，属于数据安全加密技术领域，包括输入输出模块、异构执行体模块、执行模块、策略调度模块和裁决模块，策略调度模块从等待池选择n个执行体，同时生成加解密钥对和n个安全码，将加密密钥和安全码发送给对应的执行体，调度至执行模块，执行模块执行半同态加密计算，将结果输出至裁决模块；裁决模块根据输出的n个计算结果分别进行逆同态计算之后进行裁决并发送至输入输出模块，同时将输出结果异常的执行体的加密后的安全码发送至负反馈控制器，由其对异常的执行体进行清洗替换，有助于提高数据的随机性和不可预测性，更好地对数据进行隐私保护，增强了系统的安全性、可靠性以及稳定性。
-
公开(公告)号：CN116992237A
公开(公告)日：2023-11-03
申请号：CN202311022017.2
申请日：2023-08-14
Applicant: 南京邮电大学
IPC: G06F18/20 , G06F18/214 , G06F18/2433 , G06F18/213
Abstract: 本发明提供一种基于因子分解的无监督异常检测模型选择方法，通过获得多种类型的原始训练数据集；使用原始训练数据集训练FMOD模型，挖掘数据之间的交叉特征，得到训练后的FMOD模型；当新的数据集输入时，提取新的数据集的特征，生成特征向量；输入到FMOD模型中预测，获得新的数据集在每个异常检测模型上的预测精度，生成异常检测模型推荐列表；该方法，能够充分利用因子分解的方式挖掘数据的高阶特征，能够提高模型的泛化能力和表达能力，有利于在数据特征未知的情况下为数据推荐合适的异常检测模型。
-
公开(公告)号：CN116911379A
公开(公告)日：2023-10-20
申请号：CN202310741144.1
申请日：2023-06-21
Applicant: 南京邮电大学
IPC: G06N3/098 , G06N3/0464 , G06F18/15
Abstract: 本发明涉及一种基于自步学习与邻接矩阵的标签噪声鲁棒联邦学习方法，基于客户端‑服务器模式的横向联邦学习框架，进行分布式训练，包括以下步骤：步骤S1，选取可信客户端；步骤S2，根据可信客户端计算所有客户端样本的近邻关系：根据步骤S1中获得的可信客户端进行联邦学习，得到全局联邦模型，使用所述全局联邦模型为所有客户端样本计算近邻关系；步骤S3，自步更新样本近邻关系以及标签评估与矫正；步骤S4，离群样本处理。本发明提供一种安全可靠的基于自步学习与邻接矩阵的标签噪声鲁棒联邦学习方法，能够有效地减少噪声数据对模型的干扰，并提高模型收敛速度。
-
-
-
-
-
-
-
-
-
Search Results
245
records
(took 0.041 seconds)
