-
公开(公告)号：CN116701618A
公开(公告)日：2023-09-05
申请号：CN202310447611.X
申请日：2023-04-24
Applicant: 南京邮电大学
IPC: G06F16/35 , G06F16/36 , G06F40/295 , G06F40/284 , G06N20/00 , G06F21/62 , H04L9/40
Abstract: 本发明涉及联邦学习、工业互联网技术领域，公开了一种面向工业终端网络流量检测的图谱联邦学习隐私增强方法，包括：配置联邦学习环境，包括数据集、联邦学习任务和联邦学习模型；根据所述联邦学习模型的分类学习结果进行知识图谱构建；根据联邦学习环境评估联邦学习过程的隐私性风险；根据隐私性风险添加隐私增强方法以增强联邦学习客户端。本发明提供的方法，结合联邦学习和知识图谱将流量分类和网络流量异常检测相结合，既降低了流量数据隐私泄露的风险，也使得基于联邦学习的检测结果能够反映流量数据和恶意行为间更深层次的因果关联性，进一步提高判断终端是否存在恶意倾向的准确性，并减少人工干预带来的人因误差和人力开销。
-
公开(公告)号：CN116310712A
公开(公告)日：2023-06-23
申请号：CN202310097882.7
申请日：2023-02-10
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于循环生成对抗网络的图像水墨风格迁移方法及系统，包括：获取包含水墨风格图像、现实拍照图像的数据集；利用所述数据集对基于循环生成对抗网络的图像水墨风格迁移模型进行训练，得到训练好的图像水墨风格迁移模型；其中所述基于循环生成对抗网络的图像水墨风格迁移模型包括两个生成器和两个判别器；将待迁移的现实图像输入到训练好的图像水墨风格迁移模型中，得到相对应的水墨风格迁移图像。对循环生成对抗网络中的两个生成网络进行了改进，在两个生成器中分别加入自适应归一化结构和置换注意力机制。本发明能够快速有效可靠的合成真实感更强的水墨风格图像，提高合成图像的真实感和视觉质量，扩大应用范围与应用场景。
-
公开(公告)号：CN116304598A
公开(公告)日：2023-06-23
申请号：CN202211549230.4
申请日：2022-12-05
Applicant: 南京邮电大学
Abstract: 本发明涉及联邦学习技术领域，公开了一种联邦学习安全性测评方法，其以评测联邦学习架构在受到恶意对手攻击后的安全风险程度为目标，首先明确联邦学习网络框架，详细描述在密文域下安全聚合梯度的过程；接着定义漏洞、威胁攻击，明确联邦学习任务；然后采用层次分析法，以漏洞、任务、客户端的顺序展开对联邦学习模型的安全性的评估，最后结合模型分类准确率对联邦学习模型进行综合评价。本发明解决了研究联邦学习框架中无法测评架构运行安全性的问题。
-
公开(公告)号：CN115952507A
公开(公告)日：2023-04-11
申请号：CN202211549244.6
申请日：2022-12-05
Applicant: 南京邮电大学
Abstract: 本发明涉及联邦学习隐私评测技术领域，公开了一种跨域异质场景下的联邦学习隐私性评估方法，包括：确定联邦学习在跨域异质场景下的任务和数据集，并根据算法确定潜在攻击风险；根据任务对数据集进行关联度筛选；将客户端发送给联邦学习中央服务器的数据采用设定的隐私加强技术进行加密处理；根据具有代表性的攻击模型计算客户端的隐私性指标；根据设置的阈值判定客户端参与联邦学习时所上传数据的隐私泄露风险。本发明提供的跨域异质场景下的联邦学习隐私性评估方法，通过在客户端模拟攻击，计算攻击结果来判断隐私性的安全程度，对联邦学习模型和数据都没有要求，适用于大部分实际情况。
-
公开(公告)号：CN115915456A
公开(公告)日：2023-04-04
申请号：CN202211391991.1
申请日：2022-11-08
Applicant: 南京邮电大学
IPC: H04W72/53 , H04W72/542 , H04W72/1268 , H04W48/20 , H04W74/08
Abstract: 本发明涉及一种基于WIFI6的变电站数据上传方法，属于电力物联网技术领域，该方法包括：选择数据采集设备对应的最佳WIFI6接入点，进行链路连接；获取与对应的WIFI6接入点进行链路连接的各个数据采集设备的吞吐量；将与对应的WIFI6接入点进行链路连接的数据采集设备进行分组，对分组完成的数据采集设备分类处理；获取吞吐量最大时经过分类处理的数据采集设备的单位执行所有调度；WI FI6接入点发送休眠时间参数至对应的数据采集设备，数据采集设备定时唤醒，周期性地上传或接收数据。本申请提供的方法通过控制同时活跃的数据采集设备数确定分组调度策略，提升信道利用率的同时提高了密集部署情境下的整体网络吞吐率及能效，实现了高效、低功耗的变电站数据传输。
-
Patent Agency Ranking
公开(公告)号：CN115544873A
公开(公告)日：2022-12-30
申请号：CN202211184157.5
申请日：2022-09-27
Applicant: 南京邮电大学
IPC: G06F30/27 , G06N20/00 , G06Q10/06 , G06F111/16
Abstract: 本发明属于个性化联邦学习领域，尤其是个性化联邦学习的训练效率与个性化效果量化评估方法，包括以下步骤：S1、创建一个Non‑IID的跨域数据集，作为评测数据集；S2、选择合适的模型，作为个性化联邦学习的初始全局模型；S3、进行联邦学习的全局神经网络训练，聚合出一个收敛的全局神经网络模型；S4、各个客户端利用本地的数据集对下发的全局模型进行优化，收敛并形成个性化的本地神经网络模型；本发明充分考虑了跨域异质的场景，实现了模型的个性化功能，在现有研究的基础上，针对个性化联邦学习训练效率和个性化效果给出定性定量的评价指标，为在跨域异质场景下，为衡量不同个性化联邦学习算法与架构提供了一种具体方法。
-
公开(公告)号：CN113203439A
公开(公告)日：2021-08-03
申请号：CN202110495621.1
申请日：2021-05-07
Applicant: 南京邮电大学
Abstract: 本发明公开了一种用于水信息检测的主从动边缘传感器自组网系统，该系统包括多传感器模块、电源管理模块、边缘计算平台及中心计算机；其中，多传感器模块，用于实时对水信息进行检测、储存与传输；电源管理模块，用于对多传感器模块进行供电；边缘计算平台，用于对多传感器模块进行监测，并对水源区域进行实时监控；中心计算机，用于对多传感器模块传输的水信息进行分析与反馈。有益效果：本发明不同于常规的“边缘传感器‑中心计算机”的组网方式，提出了一种主从动边缘传感器自组网，通过设置具有独立处理数据能力的主动传感器，可以减少中心计算机的计算压力，并且可以通过过滤掉许多冗余信息及错误信息，进一步节省传输成本。
-
公开(公告)号：CN109409294B
公开(公告)日：2021-06-22
申请号：CN201811264277.X
申请日：2018-10-29
Applicant: 南京邮电大学
Abstract: 本发明公开了基于对象运动轨迹的停球事件的分类方法和系统，其中方法包括：采用神经网络对训练视频进行检测分别得到球员和足球的预测框；记录同时检测到一个足球和一个球员的图像的帧数、球员的坐标以及足球的坐标，并将前后两帧图像的帧数相减，差值大于预设阈值时则确定停球事件；选取每个停球事件中预设定帧长的视频；将停球事件成功与否打上标签；将不同的停球事件进行向量化处理得到向量化的数据并投入到分类器中，通过交叉验证，给出停球时间成功或失败的二分类结果并输出分类准确率。本发明通过检测的结果划分事件，通过设置具体的分类器的属性，能对加载的停球事件的位置信息做出准确的分类，具有很好的稳定性以及鲁棒性。
-
公开(公告)号：CN108646999B
公开(公告)日：2021-04-16
申请号：CN201810420790.7
申请日：2018-05-04
Applicant: 南京邮电大学
IPC: G06F3/147 , G06F1/3234
Abstract: 本发明公开了一种基于多频段亮度补偿的显示屏节能降耗方法，包括将图像依据频率分解为n个图像；采用组合函数及低通滤波器将各个频段的亮度动态范围进行压缩；确定图像的n个非重叠频段的亮度压缩值；对不同频段采用不同的亮度增益补偿方法进行亮度增益补偿得到最终亮度动态分范围；对分解后的图像合成得到最终的图像。本发明方法提出了分解图像及多频段分解方案、对不同频段设定不同亮度补偿增益方案；相比于传统方法，本发明方法既保证了图像质量，又在很大程度上解决了目前显示屏能耗过大的问题。
-
公开(公告)号：CN108768585B
公开(公告)日：2021-03-16
申请号：CN201810391478.X
申请日：2018-04-27
Applicant: 南京邮电大学
IPC: H04L1/00
Abstract: 本发明公开了一种基于深度学习的上行免信令NOMA系统多用户检测方法，该方法包括对接收信号建模，将接收信号稀疏表示和训练用于稀疏信号恢复的深度结构三个部分；本发明利用NOMA系统中用户的稀疏性以及在不同时隙的发送信号之间存在的联系，使用结构化压缩感知理论进行多用户检测，并利用深度学习理论来解决稀疏重构问题，能够实现低复杂度且高性能的多用户检测，结合用户在不同时隙的发送信号之间存在的相关性，使用结构化压缩感知理论实现多用户检测；利用深度学习理论来解决信号恢复的欠定逆问题，基于深度学习的方法从优化参数、训练稀疏表示以及神经网络三个方面进一步改进了稀疏重构算法的重构精度并提高了重构效率。
-
-
-
-
-
-
-
-
-
Search Results
124
records
(took 0.032 seconds)
