一种无监督的基于增量学习的动态物联网异常检测方法

    公开(公告)号:CN113645098A

    公开(公告)日:2021-11-12

    申请号:CN202110918457.0

    申请日:2021-08-11

    Applicant: 安徽大学

    Abstract: 本发明公开了一种无监督的基于增量学习的动态物联网异常检测方法,包括:1获取历史数据,并筛选出高置信度正常样本来训练聚类模型,对异常进行初步识别;2将当前待检测数据训练孤立森林模型,对异常进行进一步识别;3根据训练好的聚类和孤立森林模型,分别构建相应的2个异常检测结果集;4根据数据分布的相似程度在当前和历史数据间建立连接,将2个异常检测结果集进行融合以准确识别异常;5检测完成后,从当前数据中筛选适量的高置信度正常样本来更新已有的聚类模型,以达到持续学习数据中最新出现的正常行为模式的目的。本发明能够有效的从动态变化的物联网数据中持续学习有价值信息,并提高异常检测的准确率。

    一种高潜水位采煤沉陷积水区三维空间信息动态预测方法

    公开(公告)号:CN111798052B

    公开(公告)日:2021-06-01

    申请号:CN202010637174.4

    申请日:2020-07-03

    Applicant: 安徽大学

    Abstract: 一种高潜水位采煤沉陷积水区三维空间信息动态预测方法,适用于高潜水位矿区地表开采沉陷积水区的动态预测。首先获取矿区的工作面信息和地质采矿条件,根据工作面的开采进度,利用概率积分法动态预计下沉盆地并计算出不同等值线截面的下沉盆地的容积;根据采煤沉陷区区域的水文水资源数据建立水量平衡迭代方程;根据迭代方程计算出采煤沉陷区积水量,建立沉陷盆地容积与盆地内积水体积之间的关系模型;进而预测沉陷盆地的三维动态空间信息。其步骤简单,成本低廉,能随工作面推进和时间的推移动态预计采煤沉陷积水区的三维空间信息有利于把握沉陷区的水资源动态变化情况,适用于高潜水位采煤沉陷区的生态环境综合治理。

    基于Slurm的资源管理调度方法、装置、电子设备及存储介质

    公开(公告)号:CN111031022A

    公开(公告)日:2020-04-17

    申请号:CN201911234895.4

    申请日:2019-12-05

    Applicant: 安徽大学

    Abstract: 本申请提供了一种基于Slurm的资源管理调度方法、装置、电子设备及存储介质。调度方法包括:对节点的访问进行限制:根据IP地址的类型确定是否允许IP地址访问对应的节点,以及根据用户的类型确定是否允许用户访问对应的节点;对用户在登录节点使用的资源进行限制:根据用户在登录节点使用的CPU资源和预设的CPU资源阈值,确定是否进行CPU限制;对计算节点的登录进行限制:根据用户提交作业的情况,确定是否允许用户登录到计算节点;对计算节点中的非作业用户的大计算进程进行查杀;对GPU计算节点中的非GPU作业进行取消。上述方法实现了资源的智能化和自动化的监管和调度。

    一种车联网云环境下面向多服务器架构的认证协议

    公开(公告)号:CN108322486A

    公开(公告)日:2018-07-24

    申请号:CN201810427748.8

    申请日:2018-05-07

    Applicant: 安徽大学

    Abstract: 本发明公开了一种车联网云环境下面向多服务器架构的认证协议,包括以下步骤:(1)系统初始化:由可信任机构TAs生成系统参数;(2)服务器及车辆注册,为每个服务器设定一个唯一的身份标识和为车辆设定一个唯一的身份标识,并为该车辆配备一个防篡改设备TPD安装到车上;(3)服务器及车辆双向认证:车辆通过TPD计算签名并将包含车辆签的请求消息发送给服务器和服务器接受车辆的请求后计算签名信息,并生成包含签名的响应消息发送给车辆;(4)密钥协商:车辆与服务器之间建立双向认证、协商会话密钥sk、随后加密的安全通信。在本发明中用户在可信机构注册后,无需在每个服务器进行注册,提高了用户和服务器的计算效率和通信效率。

    一种基于多尺度卷积神经网络的茶叶病斑自动识别算法

    公开(公告)号:CN112434662B

    公开(公告)日:2023-04-18

    申请号:CN202011447437.1

    申请日:2020-12-09

    Abstract: 本发明属于基于图片特征的图像分类算法的研究领域,具体涉及一种基于多尺度卷积神经网络的茶叶病斑自动识别算法,包括多卷积神经网络的训练过程:多卷积神经网络的训练过程分为两个阶段:第一个阶段是数据由低层次向高层次传播的阶段,即前向传播阶段;另外一个阶段是,当前向传播得出的结果与预期不相符时,将误差从高层次向底层次进行传播训练的阶段,即反向传播阶段。本算法能够准确地检测四种不同的茶叶病害图像,并且具有较高的识别精度,同时具有较快的识别速度。该特性主要得益于多卷积可以快速提取特征,并且减少训练算法的参数量从而有效防止过拟合,提高了算法的泛化能力。

    基于多尺度卷积神经网络的车型识别方法、电子设备及存储介质

    公开(公告)号:CN111291715B

    公开(公告)日:2023-03-10

    申请号:CN202010126447.9

    申请日:2020-02-28

    Abstract: 本公开实施例中提供了基于多尺度卷积神经网络的车型识别方法、电子设备及存储介质,属于车辆识别技术领域,所述多尺度卷积神经网络包括:卷积层、池化层、全局平均池化层、SoftMax分类器;所述卷积层对输入的数据进行特征提取;所述池化层对卷积层计算得到的结果进行尺度缩小;所述SoftMax分类器用于根据全局平均池化层输出的结果对图像进行分类。通过本公开的方案,通过多尺度卷积可以快速提取特征,使得采用本方法进行车辆的车型识别具有较高的识别精度,同时具有较快的识别速度。并且基于本发明的多尺度卷积神经网络能够减少训练算法的参数量从而有效防止过拟合,提高了算法的泛化能力。

Patent Agency Ranking