-
公开(公告)号：CN111552557B
公开(公告)日：2023-12-22
申请号：CN202010264032.8
申请日：2020-04-07
Applicant: 哈尔滨工程大学
Abstract: 本发明属于任务调度技术领域，具体涉及一种优化多核处理器任务调度序列方法。本发明对基础模拟退火算法的初始化方法进行了改进，通过适应度值、个体距离以及个体之间的数字特征综合选择初始化个体，使初始个体分布更均匀，提高初始个体的搜索能力，避免陷入局部最优解。本发明增强了算法的搜索能力，加快了收敛速度，可以在较短的时间内得到算法的解，从而获得更优的调度序列，使得处理器性能增强。
-
公开(公告)号：CN111553386B
公开(公告)日：2022-05-20
申请号：CN202010264319.0
申请日：2020-04-07
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/44 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明属于信息安全技术领域，具体涉及一种基于AdaBoost和CNN的入侵检测方法。本发明对AdaBoost算法进行了改进，首先把入侵检测特征向量转换为随机特征矩阵作为卷积神经网络的输入，通过矩阵化提取入侵检测数据的2D轮廓；然后将卷积神经网络CNN作为基分类器提取入侵检测数据的高级特征图并完成分类；最后选取分类误差最小的候选分类器作为强分类器，并将强分类器的矩阵化方法取代基矩阵化方法。本发明有效解决了基分类器难以提取样本高级特征的问题，并得到了一种寻找最佳矩阵化的方法，提高了入侵检测成功率。
-
公开(公告)号：CN111553386A
公开(公告)日：2020-08-18
申请号：CN202010264319.0
申请日：2020-04-07
Applicant: 哈尔滨工程大学
Abstract: 本发明属于信息安全技术领域，具体涉及一种基于AdaBoost和CNN的入侵检测方法。本发明对AdaBoost算法进行了改进，首先把入侵检测特征向量转换为随机特征矩阵作为卷积神经网络的输入，通过矩阵化提取入侵检测数据的2D轮廓；然后将卷积神经网络CNN作为基分类器提取入侵检测数据的高级特征图并完成分类；最后选取分类误差最小的候选分类器作为强分类器，并将强分类器的矩阵化方法取代基矩阵化方法。本发明有效解决了基分类器难以提取样本高级特征的问题，并得到了一种寻找最佳矩阵化的方法，提高了入侵检测成功率。
-
公开(公告)号：CN109858617A
公开(公告)日：2019-06-07
申请号：CN201910126693.1
申请日：2019-02-20
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种优化初始化方式的烟花计算方法，通过随机初始化2N个烟花，对烟花适应度值进行升序排序；计算升序数组中两个相邻解的欧氏距离，距离小于的烟花直接抛弃，距离大于的烟花保留为初始化烟花，直到找出N个符合条件的烟花。本发明对基础烟花计算方法的初始化方式进行了改进，通过适应度值和烟花距离综合选择初始化烟花，使初始烟花分布更均匀，提高初始烟花的搜索能力，避免陷入局部最优解。
-
公开(公告)号：CN109858606A
公开(公告)日：2019-06-07
申请号：CN201910126712.0
申请日：2019-02-20
Applicant: 哈尔滨工程大学
IPC: G06N3/00
Abstract: 本发明属于进化算法技术领域，具体涉及一种改进粒子群算法的方法。由于粒子群算法有前期收敛速度快后期收敛速度慢的缺点，这就使得粒子无法全面的搜索整个空间。针对粒子群算法的这个缺点，本发明改进粒子群算法中的速度更新方式，在原来的速度更新公式中引入一个压缩因子λ。压缩因子λ的引入可以控制粒子群算法的收敛，使得粒子有机会搜索空间中不同的区域，并获得高质量的粒子。改进后的方法可以有效的提高算法的收敛速度和全局搜索能力。
-
Patent Agency Ranking
公开(公告)号：CN109462610A
公开(公告)日：2019-03-12
申请号：CN201811582916.7
申请日：2018-12-24
Applicant: 哈尔滨工程大学
IPC: H04L29/06
Abstract: 本发明属于网络安全领域，具体涉及一种基于主动学习和迁移学习的网络入侵检测方法，包括以下步骤：给定源域入侵检测样本集合Sa以及目标域入侵检测样本集合Sb；使用主动学习思想，计算源域Sa中每个样本的权重，查询函数根据权重将源域Sa与目标域Sb相似性较大的样本进行标记；调用基分类器BA_SVM，根据合并后训练数据集T以及T上的权重分布pt和未标记数据集S，得到若干个弱分类器模型；根据弱分类器不同的权重，组合得到强分类器。本发明方法特别是对样本数量较少的U2R和R2L的检测相对于基准算法有了不少的提升；各个攻击类型的检测准确率平衡性与基准算法相比更好；算法检测的时间效率上也有较大优势。因此，本发明在网络入侵检测中具有更好的应用前景。
-
公开(公告)号：CN103984595A
公开(公告)日：2014-08-13
申请号：CN201410206155.0
申请日：2014-05-16
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及一种异构CMP的静态任务调度方法，其特征在于:步骤1：利用线性聚簇方法，将DAG图中所有符合任务归并条件的任务归并到其父任务；步骤2：按照自顶向下法将DAG图分层，层值越小，任务优先级越高；同层任务，关键任务具有高优先级，其他非关键任务按照任务优先级权值非递增顺序加入调度列表；步骤3：从调度列表取首任务进行分配，逐层对任务映射图中已复制的任务进行冗余检测，删除任务映射图中的冗余任务；对删除冗余任务后的任务映射图进行调整，重新计算后续每个任务的最早执行完成时间。
-
公开(公告)号：CN109829306B
公开(公告)日：2023-07-21
申请号：CN201910127879.9
申请日：2019-02-20
Applicant: 哈尔滨工程大学
IPC: G06F21/56
Abstract: 本发明属于信息安全领域，具体涉及一种优化特征提取的恶意软件分类方法。本发明优化了恶意软件的提取方式并且以深度学习中的卷积神经网络为主要分类器。单一的静态特征无法全面地体现恶意软件的特征，比如灰度图仅能表示恶意软件的整体轮廓，API调用图仅能表示恶意软件的控制结构。针对以上问题，本发明方法提取了这两种特征，并且将这两种特征组合成一张双通道图片特征矩阵作为卷积神经网络的输入，这样既可以将恶意软件的整体轮廓表现出来，也可以将恶意软件可能执行的流程完整的表现出来。本发明方法有效地解决了样本特征提取时不能完整体现恶意软件本身的情况，并且具有较好的分类效果。
-
公开(公告)号：CN112395059A
公开(公告)日：2021-02-23
申请号：CN202011279152.1
申请日：2020-11-16
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种改进萤火虫算法的CMP任务调度方法，步骤1：萤火虫种群的预计输入数量N，介质对光的吸收系数为γ，初始步长因子α，最大吸引度β0，吸引度阈值βM；步骤2：根据初始化策略对萤火虫种群数量及其位置进行初始化；步骤3：根据萤火虫位置计算其适应度值；步骤4：每个萤火虫向比自己亮度高的萤火虫飞行，计算其到达新位置后的适应度值，若优于原位置，则到达新位置，否则停留在原位置；步骤5：对寻优结果进行判定，若满足终止条件，则结束迭代进程，否则重复步骤3操作，对萤火虫粒子进行再次迭代。本发明加快了萤火虫粒子的收敛速度，并极大地降低了寻优过程中陷入局部最优解的可能性，减少不必要的迭代次数，缩短了任务调度的完成时间。
-
公开(公告)号：CN111553388A
公开(公告)日：2020-08-18
申请号：CN202010265704.7
申请日：2020-04-07
Applicant: 哈尔滨工程大学
Abstract: 本发明属于网络安全技术领域，具体涉及一种基于在线AdaBoost的垃圾邮件检测方法。本发明将在线学习的思想应用到AdaBoost中用于训练强分类器。传统的垃圾邮件分类器存在分类性能不稳定、不能应用于动态环境和训练成本高的问题。针对以上问题，本发明在AdaBoost基础上引入了在线学习的思想，提高了分类效果，大大降低了训练模型的开销，使模型在垃圾邮件检测中可以适应大数据场景和动态变化的环境，从而获得更好的泛化性能。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.019 seconds)
