-
公开(公告)号：CN116208357A
公开(公告)日：2023-06-02
申请号：CN202211434979.4
申请日：2022-11-16
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种基于多尺度自编码器和特征匹配判别器的网络流量入侵检测方法，属于网络入侵检测领域。深度学习在入侵检测领域得到了发展，可以识别正常和异常流量。然而，现有的方法不能保证在准确性和效率方面的良好表现。本发明基于自编码器和生成对抗网络，在网络流量特征提取中采用多分辨率自编码器，可以获得不同的编码长度，保证更好的数据重构。此外还添加了一个额外的特征匹配损失，以鼓励判别器从重建的样本中获得更多的判别信息。将所提出的方法应用于CIC‑IDS2018数据集，实验结果表明，与传统的自编码器和生成对抗网络相比，本发明可以有效提高检测网络流量攻击的精度，可应用于6G网络流量安全检测。
-
公开(公告)号：CN115713695A
公开(公告)日：2023-02-24
申请号：CN202211438456.7
申请日：2022-11-16
Applicant: 哈尔滨理工大学
IPC: G06V20/13 , G06V10/77 , G06V10/82 , G06V10/764 , G06N3/0464 , G06N3/0455 , G06N3/084 , G06N3/088
Abstract: 本发明提出一种基于多级Transformer网络的卫星滑坡图像检测方法，属于图像异常检测领域。针对现有的仅利用卷积神经网络进行图像特征提取和特征重构来进行滑坡检测，本发明采用预训练特征提取网络和无监督多级Transformer自动编码器进行滑坡检测。首先从预训练网络中提取多尺度特征，然后使用具有U形的自编码Transformer网络重构图像特征，通过多级Transformer编码器和解码器对特征的融合和重构，可以同时获取粗粒度的低级像素特征和细粒度的全局语义特征。将所提出的方法应用于卫星捕获的毕节滑坡数据集，实验结果表明，与原始CNN模型相比，本发明可以提高检测精度，有效区分滑坡和非滑坡图像数据。
-
公开(公告)号：CN111310029B
公开(公告)日：2022-11-01
申请号：CN202010065292.2
申请日：2020-01-20
Applicant: 哈尔滨理工大学
IPC: G06F16/9535 , G06Q30/06 , G06Q30/02 , G06F16/35 , G06F40/284 , G06N3/04
Abstract: 本发明提出了一种基于用户商品画像和潜在因子特征提取的混合推荐方法，所述混合推荐方法包括以下步骤：S100通过用户画像和商品本身的信息提取用户和商品的显式特征表示；S200通过把用户和商品映射到潜在空间，得到用户和商品的潜在因子特征表示；S300利用栈式降噪自编码器对显式特征和潜在因子特征进行特征提取，得到鲁棒性更强的低维特征表示。本发明同时考虑到用户和商品的显式特征空间和潜在因子特征空间，并且将两种特征空间综合考虑在内，克服了单一推荐模型的弊端，解决了物品的冷启动问题，同时本发明采用SDAE对高维特征进行提取，有效避免了“维度灾难”问题，由于在训练过程中添加了随机噪声，极大地提高了算法的鲁棒性。
-
公开(公告)号：CN114818813A
公开(公告)日：2022-07-29
申请号：CN202210477446.8
申请日：2022-05-04
Applicant: 哈尔滨理工大学
Abstract: 本发明公开一种基于自注意力卷积神经网络的刀具磨损值预测算法，将快速傅里叶信号降噪技术和多模态下时序信号特征提取结合基于自注意力机制的预测算法引入到多变量时序信号预测中。对在不同传感器下取得的信号进行快速傅里叶信号变换以达到降噪目的，然后用信号在不同模态下所携带的信息不同的特性，进行多模态下的时序信号特征提取并使用基于自注意力机制的预测算法进行预测。多变量时序信号使用多模态特征提取能够保证数据的完整性，并且可以在后续计算上节省计算量。并且引入注意力机制的方式，给与每个特征不同的权重，能够兼顾局部与全局的特征表现，可以使得在多变量时序信号预测有更高的精度。
-
公开(公告)号：CN114638342A
公开(公告)日：2022-06-17
申请号：CN202210281370.1
申请日：2022-03-22
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种基于深度无监督自动编码器的图异常检测方法，属于无监督异常检测领域。由于使用半监督图异常检测算法来检测离群值时，获取有标签的网络节点数据既困难又昂贵，而现有的无监督图异常检测算法也普遍存在两个局限性，首先是现实世界的复杂网络表现出的高度非线性的特征很难用矩阵分解捕捉到，其次矩阵分解技术在更大的网络中不能很好的使用。针对以上问题，为了能够更合理地提取网络表示中的特征信息，本发明提出了一种基于深度无监督自动编码器的图异常检测方法，在生成网络嵌入时，使用随机梯度下降和封闭形式来更新网络，以更快地优化网络参数。其次通过识别网络的结构和属性以及联合结构和属性的嵌入来学习，以最大限度地减少离群值的影响。最终将本发明所提的网络模型应用于无监督异常检测领域，能达到提升检测异常的准确率的效果。
-
Patent Agency Ranking
公开(公告)号：CN112948697A
公开(公告)日：2021-06-11
申请号：CN202110356572.3
申请日：2021-04-01
Applicant: 哈尔滨理工大学
IPC: G06F16/9535
Abstract: 本发明公开一种基于二部图的科学文章推荐算法，方法包括步骤：新用户首次进入软件时，判断用户是否通过注册进行登录；若用户通过注册进行登录，则填写个人信息并优先判断用户是否填写个人喜好，先根据其个人喜好进行针对性推送，其次可以根据填写的个人信息，比如性别、年龄、职业、所在地等等信息进行选择性推送，若用户不注册通过游客的身份进行登录，则按当前综合的大数据给用户进行推送，本发明不仅可以通过二部图算法根据用户勾选的个人喜好，进而对用户之前还没有收集的所有对象按降序生成一个排名，并将最顶部的L个对象推荐给该用户，还可以对游客登录的用户，根据用户点击次数和观看时长重新计算用户喜好，按照用户喜好推送。
-
公开(公告)号：CN110309887A
公开(公告)日：2019-10-08
申请号：CN201910612948.5
申请日：2019-07-09
Applicant: 哈尔滨理工大学
Abstract: 基于改进花朵授粉的模糊C-均值聚类异常检测方法，属于网络安全领域，具体涉及一种异常检测方法。本发明首先计算转换概率p，根据转换概率p与随机数rand的大小选择采用带惯性权重的新全局授粉方式授粉或采用具有信息共享机制的新局部授粉方式授粉；然后计算新位置的适应度值并更新种群最优花粉个体，并进行个体位置更新，最终确定最优解及对应的适应度值。通过花朵授粉算法生成最优的聚类中心后，使用优化后的FCM对程序行为数据进行检测，实现对异常行为的检测。
-
-
公开(公告)号：CN114638310B
公开(公告)日：2025-05-06
申请号：CN202210281313.3
申请日：2022-03-22
Applicant: 哈尔滨理工大学
IPC: G06F18/241 , G06F18/15 , G06F18/213 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/084 , G06N3/094 , G06N3/092 , G06F123/02
Abstract: 本发明提出一种基于对抗联合最大均值差异的时间序列数据无监督分类方法，属于时序数据分类领域。针对高维时序数据对标签的依赖问题以及传统的领域适应方法只从单方面进行域适应的问题，提出一种基于对抗联合最大均值差异的时间序列数据无监督分类方法。本发明创新性地将基于特征映射和基于对抗的两种领域适应方法结合，使用联合最大均值差异距离度量将源域和目标域映射到另一个空间进行对齐，同时还通过域对抗模型进行对抗训练，能更好地提取源域时序数据和目标域时序数据的共同特征进行领域适应。将所提的网络模型应用于时序数据的无监督分类，能达到提升准确率的目的，实验结果验证了所提方法的有效性。
-
公开(公告)号：CN119202777A
公开(公告)日：2024-12-27
申请号：CN202410772007.9
申请日：2024-06-16
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G06F18/214 , G06N3/0895 , G06N3/084 , G06N3/049 , G06N3/088 , G06N3/0455
Abstract: 本发明提出一种基于多密度掩码的时间序列自监督表示学习方法，属于表示学习领域。针对高维时序数据对标签的依赖问题以及传统的时序表示学习方法存在较强的归纳偏差且缺乏对时序关系多层次建模的问题，提出一种基于多密度掩码的时间序列自监督表示学习方法。本发明创新性地提出了一种新的数据增强策略：多密度掩码，该增强方式不会引入未被重视的归纳偏差且容易捕获序列的细粒度信息，同时可以通过跨视图预测任务捕获时间序列的上下文关系。最后通过多层次的对比学习能够进一步建模时序的多粒度时间依赖关系。从而提高表示学习的质量。将所提的表示学习框架应用于时序分类的下游任务，能达到提升准确率的目的，实验结果验证了所提方法的有效性。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.02 seconds)
