-
公开(公告)号：CN109299251A
公开(公告)日：2019-02-01
申请号：CN201810916290.2
申请日：2018-08-13
Applicant: 同济大学
Abstract: 本发明涉及一种基于深度学习算法的异常垃圾短信识别方法及系统，其中方法，包括：步骤S1：基于预配置的符号库去除短信文本中的干扰符号；步骤S2：将去除了干扰符号的短信文本进行文字转拼音，得到对应的拼音文本；步骤S3：将步骤S2中得到的拼音文本和短信文本同时作为卷积神经网络的输入进行识别以判断是否为垃圾短信。与现有技术相比，本发明先对短信文本进行预处理，然后将拼音和文字同时作为识别的依据，可以大大提高识别的效率和精确度。
-
公开(公告)号：CN116010208A
公开(公告)日：2023-04-25
申请号：CN202310017613.5
申请日：2023-01-06
Applicant: 同济大学
Abstract: 本发明提出一种基于对抗迁移学习的日志异常检测方法，通过建立一个可以借助原系统日志数据(源域)异常检测模型，以及新系统下无标记的日志数据集(目标域)，通过无监督域适应中的对抗迁移方法训练得到异常检测模型，实现对于新系统的异常检测。本发明使用并行卷积神经网络实现对于系统日志的语义特征提取，通过卷积神经网络将日志信息映射到隐变量空间进行词级特征的提取。通过循环神经网络来提取日志序列数据中所包含的时序特征，为异常判断奠定基础。对系统升级和更新之后的日志数据使用对抗迁移学习方法，借助已有模型来训练新数据集上的异常检测模型，然后直接进行异常检测，而不需要从头设计异常检测算法，有效提高运维效率。
-
公开(公告)号：CN115048269A
公开(公告)日：2022-09-13
申请号：CN202210710252.8
申请日：2022-06-22
Applicant: 同济大学
Abstract: 本发明公开了一种基于对抗迁移学习的日志异常检测方法：步骤1，获取源域日志数据，对其进行数据清洗、去除噪音以及正异常划分；步骤2，将处理后的源域日志数据输入到异常检测神经网络模型中进行监督训练，进行多次训练得到源域深度异常检测神经网络的具体结构；步骤3，获取目标域无标记日志数据，对其进行数据清洗和去除噪音，得到处理后的目标域无标记日志数据；步骤4，将处理后的目标域无标记日志数据输入到源域深度异常检测神经网络中，利用对抗迁移学习模型训练得到目标域异常检测神经网络；步骤5，将待检测数据输入到目标域异常检测神经网络，判断检测结果是否大于所给阈值，若是，则判定该数据为异常，若不是，则判定该数据为正常。
-
公开(公告)号：CN110866608B
公开(公告)日：2022-06-07
申请号：CN201911056211.6
申请日：2019-10-31
Applicant: 同济大学
Abstract: 本发明涉及一种自适应学习率计算方法，包括以下步骤：步骤S1：基于初始批处理数量和初始最优网络参数组合，得到二次批处理数量；步骤S2：基于二次批处理数量，得到当前的最优网络参数组合；步骤S3：基于当前的最优网络参数组合、当前的损失函数和训练数据量，得到当前的批处理数量；步骤S4：基于当前的批处理数量，得到当前的学习率；步骤S5：当前的批处理数量代替二次批处理数量，重复步骤S2‑步骤S5，直至训练模型权重收敛。与现有技术相比，避免产生劣质训练模型权重，保证所生成的训练模型权重是最优的，在围棋对弈时增加棋力，减少训练模型权重训练时间和GPU等硬件的超能损耗。
-
Patent Agency Ranking
公开(公告)号：CN109886292B
公开(公告)日：2021-05-11
申请号：CN201910021043.0
申请日：2019-01-09
Applicant: 同济大学
Abstract: 本发明涉及一种基于异常关联图的异常原因诊断方法，首先在线收集系统中所有组件的性能指标数据；然后对于各组件，判断是否存在与该组件存在关联关系的组件，若为是，则将这两个组件的性能指标输入异常预测模块，并接收异常预测模块返回的预诊断结果，若为存在故障，则在异常关联图中连接这两个组件对应的节点；反之将该组件的性能指标输入异常预测模块，并接收异常预测模块返回的预诊断结果，若为存在故障，则在异常关联图中连接该组件和一虚拟节点；然后基于异常关联图诊断得到异常原因。与现有技术相比，本发明可以提高异常原因诊断的效率和准确率。
-
公开(公告)号：CN106886771B
公开(公告)日：2020-08-18
申请号：CN201710152989.1
申请日：2017-03-15
Applicant: 同济大学
Abstract: 本发明涉及一种基于模块化PCA的图像主信息提取方法及人脸识别方法，包括：采用重叠分块方式对图像进行分块成多个子图像；根据所有子图像的期望矩阵处理子图像得到标准化的子图像；还包括：根据行重要样本概率和列重要样本概率随机抽取标准化的子图像指定数目的行和列构成该子图像主信息矩阵，最终通过对比待识别图像和图像之间的主信息矩阵识别待识别图像。与现有技术相比，本发明在分块之后，采用统计学上的随机化算法进行模块匹配，在保留了模块化PCA优势的情况下，提高了识别速度。
-
公开(公告)号：CN106788886B
公开(公告)日：2019-12-03
申请号：CN201611127429.2
申请日：2016-12-09
Applicant: 同济大学
IPC: H04L1/00
Abstract: 本发明涉及一种LT码编解码方法，包括：步骤S1：将文件均分为K个输入符号；步骤S2：进行LT编码；还包括：步骤S3：接收一定数量的输出符号；步骤S4：根据输出符号和输入符号间的对应关系建立双向图；步骤S5：判断是否存在度数为1的输出符号，若为是，则还原与之相连的唯一的输入符号的值并执行步骤S7，若为否，则执行步骤S6；步骤S6：将已经还原的输入符号保存为输出符号，继续接收少量的输出符号返回步骤S4；步骤S7：将已经还原的输入符号模二和到与其相连的所有其他输出符号中，并将双向图中对应的边删除；步骤S8：判断是否所有的输入符号已还原，若为是，则解码结束，若为否，则返回步骤S5。与现有技术相比，本发明具有提高工作效率等优点。
-
公开(公告)号：CN109886292A
公开(公告)日：2019-06-14
申请号：CN201910021043.0
申请日：2019-01-09
Applicant: 同济大学
Abstract: 本发明涉及一种基于异常关联图的异常原因诊断方法，首先在线收集系统中所有组件的性能指标数据；然后对于各组件，判断是否存在与该组件存在关联关系的组件，若为是，则将这两个组件的性能指标输入异常预测模块，并接收异常预测模块返回的预诊断结果，若为存在故障，则在异常关联图中连接这两个组件对应的节点；反之将该组件的性能指标输入异常预测模块，并接收异常预测模块返回的预诊断结果，若为存在故障，则在异常关联图中连接该组件和一虚拟节点；然后基于异常关联图诊断得到异常原因。与现有技术相比，本发明可以提高异常原因诊断的效率和准确率。
-
公开(公告)号：CN109492193A
公开(公告)日：2019-03-19
申请号：CN201811627720.5
申请日：2018-12-28
Applicant: 同济大学
Abstract: 本发明涉及一种基于深度机器学习模型的异常网络数据生成与预测方法，包括：步骤S1：收集系统组件的历史性能指标数据，并训练异常预测模型；步骤S2：在线收集系统中所有组件的性能指标数据；步骤S3：判断各组件是否存在与其有关联关系的组件，若为是，则执行步骤S4，反之，则执行步骤S5；步骤S4：将两个组件的数据组合成二元组，计算该二元组的残差值，并输入至该二元组对应的异常预测模型，并执行步骤S6；步骤S5：搜索该组件对应的异常预测模型，将该组件的性能指标数据输入至该组件所对应的异常预测模型，并执行步骤S6；步骤S6：判断模型输出的预测结果，若为是存在异常，则进行报警。与现有技术相比，本发明克服了异常预测系统训练时出现的样本不均衡问题，提高模型预测性能。
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.023 seconds)
