一种基于区块链可验证安全的联邦学习方法

    公开(公告)号:CN116049816A

    公开(公告)日:2023-05-02

    申请号:CN202310027342.1

    申请日:2023-01-09

    Abstract: 本发明提供了一种基于区块链可验证安全的联邦学习方法。该方法包括:各个参与方从区块链上下载全局模型,在本地进行训练得到本地模型,将本地模型数据上传至区块链,参与方从区块链上下载其余参与方本轮上传的本地模型,对其余参与方的本地模型进行检测和评分,将评分结果上传至区块链上;智能合约对所用参与方上传的评分结果进行统计和评分,择优选择性能较好的多个本地模型进行聚合,得到最新的全局模型,智能合约根据当前轮次的各个参与方行为进行信誉评分,将各个参与方的信誉评分结果存储在区块链上。本发明方法通过让参与方依据欧氏距离计算模型相似度,可以同时检测出联邦学习中的多种投毒攻击,可以最大程度保证全局模型的性能表现。

    基于端边云协同的列车群分布式控制系统及方法

    公开(公告)号:CN116001871A

    公开(公告)日:2023-04-25

    申请号:CN202211674118.3

    申请日:2022-12-26

    Abstract: 本发明提供一种基于端边云协同的列车群分布式控制系统及方法,属于列车运行控制技术领域,包括:云端服务器、云端列车规划调度中心、边缘端决策服务器和终端列车信息采集设备;云端列车规划调度中心与云端服务器、边缘端决策服务器、终端列车信息采集设备连接。本发明实现了分布式列车群调度,减少调度中心通信资源消耗;减少了云端调度中心的计算决策负载,提升了列车群控制决策的实时性和可靠性。

    一种基于相机特征分离的目标重识别方法

    公开(公告)号:CN114140826A

    公开(公告)日:2022-03-04

    申请号:CN202111468443.X

    申请日:2021-12-03

    Abstract: 本发明提供了一种基于相机特征分离的目标重识别方法,包括如下步骤:步骤1:对数据进行预处理;步骤2:通过编码器提取样本特征,基于特征聚类生成伪标签;步骤3:基于注意力模块分离Feature Map;步骤4:向前传播得到目标和相机分类结果;步骤5:计算损失函数;步骤6:对模型进行优化计算;步骤7:得到测试模型的效果;步骤8:得到无监督目标重识别的解决方案;本申请相比于现有的消除相机影响的无监督目标重识别方法,用注意力模块直接分离相机特征更加直接,比二阶段方法更加简单;基于类别下相机中心的四元中心损失可以避免基于样本的度量损失的训练过程不稳定的现象。

    一种基于多层注意力的深度分层图像语义分割方法

    公开(公告)号:CN114140469A

    公开(公告)日:2022-03-04

    申请号:CN202111462219.X

    申请日:2021-12-02

    Abstract: 本发明提供了一种基于多层注意力的深度分层图像语义分割方法。该方法包括:构建图像语义分割模型,对训练图像进行预处理,得到包括训练图像的特征图的分割图像;通过图像语义分割模型使用多个不同大小的池化核对特征图进行池化处理,使用注意力函数对每一池化核层处理后得到的特征图进行注意力的计算,利用添加权重的交叉熵损失函数计算损失,使用损失进行梯度反向传播,得到训练好的图像语义分割模型;利用训练好的图像语义分割模型进行待分割的图像的语义分割处理。本发明图像语义分割模型在分层网络中添加了注意力机制,获得了全局的上下文信息,抑制无用的噪声。使用加权的交叉熵损失函数,使每个神经元获得到全局的上下文信息。

    基于全局和局部标记关系的偏多标记学习方法

    公开(公告)号:CN111582506A

    公开(公告)日:2020-08-25

    申请号:CN202010411579.6

    申请日:2020-05-15

    Abstract: 本发明提供了一种基于全局和局部标记关系的偏多标记学习方法。该方法包括:构建特征信息矩阵,利用特征信息矩阵构建不精确标记矩阵;利用低秩稀疏表示模型将不精确标记矩阵分解为噪声标记矩阵和正确标记系数矩阵,利用噪声标记矩阵、正确标记系数矩阵和特征信息矩阵构建所有标记的预测模型;基于正确标记系数矩阵、噪声矩阵和预测模型构建偏多标记学习模型,采用块坐标下降法迭代更新方法训练偏多标记学习模型,得到训练好的预测模型;将未见示例输入到训练好的预测模型,得到未见示例对应的标记。本发明的方法充分利用了全局和局部标签的相关性,去除有噪声的标签,通过低秩表示来训练分类器,从而提高算法的性能。

    智能停车场中的AGV调度方法

    公开(公告)号:CN110471418A

    公开(公告)日:2019-11-19

    申请号:CN201910779887.1

    申请日:2019-08-22

    Abstract: 本发明提供了一种智能停车场中的AGV调度方法。该方法包括:服务器采集并存储停车场范围区域内的道路信息和停车位的状态信息;当有停车任务到达时,服务器基于停车场范围区域中的道路信息和停车位的状态信息使用广度优先算法进行最优停车位的选择;以停车场的入口处为起点,以最优停车位为终点,服务器采用改进的Dijkstra算法计算出起点和终点之间的最优停车路径;服务器通过无线通信网络将最优停车路径发送给停车场的入口处的AGV,该AGV按照最优停车路径进行停车操作。本发明的方法的复杂度降低,实时性得到显著提高,可以满足实时调度AGV、高效规划AGV路径的实际任务要求。

    一种基于哈希学习的轻量化联邦推荐方法

    公开(公告)号:CN114564742B

    公开(公告)日:2024-05-14

    申请号:CN202210150584.5

    申请日:2022-02-18

    Abstract: 本发明提供了一种基于哈希学习的轻量化联邦推荐方法。该方法包括:初始化服务端全局模型并下发参数;初始化客户端本地模型并下载全局参数;设计联邦推荐场景下基于哈希学习的目标函数,根据协同离散优化算法得到二值化的用户特征向量与物品特征矩阵;根据二值的用户特征向量和物品特征矩阵完成本地客户端上的高效推荐任务。本发明通过在联邦推荐框架下设计高效的哈希学习策略,可以在本地客户端得到紧致的二值用户与物品离散特征,较之于连续实值的特征表示,该二值特征在资源受限的本地客户端上具有显著提高推荐效率、减少存储与通信开销并增强隐私保护能力的多重优势。

    一种基于区块链的分布式联邦学习聚合方法

    公开(公告)号:CN117972744A

    公开(公告)日:2024-05-03

    申请号:CN202410043266.8

    申请日:2024-01-11

    Abstract: 本发明提供了一种基于区块链的分布式联邦学习聚合方法。该方法包括:任务发布者通过区块链广播联邦学习任务,选择参与联邦学习的训练者;训练者将添加了加密噪声的本地模型参数传输以及加密的噪声给其他训练者,训练者对所有训练者的本地模型参数及噪声值进行聚合,将聚合结果打包成区块并广播在区块链网络上,如果大多数区块链交易验证者通过了对该区块的验证,则该区块被确认添加在区块链上;任务发布者从区块链中下载聚合结果,然后还原出不加噪声的全局模型,计算全局模型的精度值,并与其他本地训练者的模型精度值进行比较,降低恶意训练者的声誉值,提高善意训练者的声誉值。本发明基于区块链实现完全去中心化联邦学习,降低系统发生单点故障的风险。

    一种基于参数化ESM网络的平面目标跟踪方法

    公开(公告)号:CN111899284B

    公开(公告)日:2024-04-09

    申请号:CN202010816457.5

    申请日:2020-08-14

    Abstract: 本发明实施例提供了一种基于参数化ESM网络的平面目标跟踪方法,包括:S1、获取目标模板T、第t帧的输入图像以及第t帧中的初始运动参数,由初始运动参数确定输入图像的目标区域It,对目标模板T和目标区域It进行预处理,包括图片缩放和归一化操作,使用特征提取网络对预处理后的目标模板T和第t帧的输入图像的目标区域It进行特征的提取,得到特征映射FT和FtI;S2、利用相似性度量模块计算两个特征映射FT和FtI之间的差异;S3、通过遮挡检测机制确定并排除目标在当前帧中被遮挡的部分,通过最小化当前帧中未被遮挡部分的差异求解目标的运动参数。本发明的方法更适用于目标跟踪任务,而且大大提高跟踪的准确性。

Patent Agency Ranking