公开(公告)号：CN119992563A

公开(公告)日：2025-05-13

申请号：CN202510068464.4

申请日：2025-01-16

Applicant: 同济大学

Inventor： 张冬冬 ,  赵宇倩 ,  程大伟

IPC: G06V30/19 ,  G06V30/18 ,  G06V30/146 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/096 ,  G06N3/09

Abstract: 本发明属于智能电网和计算机视觉领域，特别涉及一种基于改进SwinTextSpotter v2的厂站接线图文本鲁棒泛化检测识别方法。包括如下步骤：步骤1：将输入图像送入基于多模态学习的文本检测识别网络进行训练和预测，通过共享特征提取主干网络，得到共享特征图，进一步送入文本检测模块得到文本检测结果和文本特征图；步骤2：将文本特征图送入视觉特征提取与预测模块得到特征序列，随后将预测的特征序列与字符结构特征提取与预测模块所得到的规范表示进行匹配，得到识别结果；等等。本发明鲁棒地提升了模型对于不规则文本和汉字文本的检测识别精度，提升了对多种类接线图文本检测与识别的泛化性能。

公开(公告)号：CN119814354A

公开(公告)日：2025-04-11

申请号：CN202411732630.8

申请日：2024-11-29

Applicant: 国网上海市电力公司 ,  同济大学

Inventor： 张蕾 ,  王彬彬 ,  吴佳璇 ,  郭乃网 ,  沈泉江 ,  刘畅 ,  郑成 ,  程大伟 ,  吴裔 ,  张梦圆 ,  冯陈佳 ,  邓博文

IPC: H04L9/40 ,  H04L69/06 ,  H04L41/0631 ,  H04L43/062

Abstract: 本发明涉及一种基于多模态数据预训练模型的网络风险评估方法及系统。该方法首先采集多源网络安全数据，识别出其中的威胁事件对象，并将威胁事件对象串联为攻击链条，分析得到每条攻击链条的特征信息和主要攻击节点；并评估并生成该攻击链条的风险等级信息；整合以上信息，生成并持续记录网络安全态势报告；再预先构建网络安全态势知识库；最后将攻击链条的特征信息与网络安全态势知识库中的攻击链条数据进行匹配与比对，预测潜在的威胁影响，生成预警信息和防护策略建议。与现有技术相比，本发明具有不依赖预定义的规则、更适用于复杂化网络场景、提高网络安全态势感知的可靠性与准确性等优点。

公开(公告)号：CN119583096A

公开(公告)日：2025-03-07

申请号：CN202411466702.9

申请日：2024-10-21

Applicant: 国网上海市电力公司 ,  同济大学

Inventor： 张蕾 ,  王彬彬 ,  吴佳璇 ,  郭乃网 ,  沈泉江 ,  刘畅 ,  郑成 ,  程大伟 ,  吴裔 ,  张梦圆 ,  冯陈佳 ,  邓博文

IPC: H04L9/40 ,  G06N3/0455 ,  G06N3/09 ,  G06N3/096 ,  G06N5/04 ,  G06F18/2433

Abstract: 本发明涉及一种电力网络系统异常访问检测方法、设备和介质，包括以下步骤：获取电力网络系统数据，输入电力网络系统异常访问检测垂类模型，输出异常访问检测结果；电力网络系统异常访问检测垂类模型通过如下步骤获得：S1、获取电力网络安全语料数据并进行预处理，构建预训练数据集；S2、对大语言基座模型进行预训练，获得电力网络安全大语言模型；S3、基于电力网络系统异常访问检测任务对预训练数据集进行二次筛选，结合专家意见数据构建监督微调数据集；S4、对电力网络安全大语言模型进行微调，获得电力网络系统异常访问检测垂类模型。与现有技术相比，本发明可以提升在具有大量多模态数据的新型网络系统中准确检测各类异常访问行为的能力。

公开(公告)号：CN119179802A

公开(公告)日：2024-12-24

申请号：CN202411129516.6

申请日：2024-08-16

Applicant: 国网上海市电力公司 ,  同济大学

Inventor： 张梦圆 ,  程大伟 ,  奚增辉 ,  吴裔 ,  端阳 ,  刘畅 ,  刘钦源 ,  沈泉江 ,  郑成 ,  郭乃网 ,  张蕾 ,  邓博文 ,  田英杰 ,  苏运

IPC: G06F16/901 ,  G06F18/2415 ,  G06Q50/06 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/0455 ,  G06N3/042 ,  G06N3/0442 ,  G06N3/094

Abstract: 本发明涉及一种结构特征保持的电力数据静态图数据生成方法，包括以下步骤：获取电力数据，输入静态图数据生成模型，生成相应的静态图数据；所述静态图数据生成模型包括依次连接的采样模块、生成对抗网络和重构模块；其中，采样模块用于使用中心图采样方法对电力数据进行采样生成中心图；生成对抗网络包括生成器和判别器，生成器包括解码器和编码器，编码器用于通过基于多头自注意力机制构建的图自注意力网络对所述中心图进行编码；解码器用于解码编码器的输出，获得中心图得分矩阵；重构模块用于根据中心图得分矩阵生成静态图数据。与现有技术相比，本发明可以尽可能保留原始电力数据的结构特征，同时提高静态图数据的生成效率。

公开(公告)号：CN115879507A

公开(公告)日：2023-03-31

申请号：CN202211167773.X

申请日：2022-09-23

Applicant: 同济大学

Inventor： 程大伟 ,  许辰昊 ,  蒋昌俊

IPC: G06N3/0464 ,  G06N3/047 ,  G06N3/094 ,  G06N3/0455

Abstract: 本发明公开了一种基于深度对抗学习的大规模图生成方法，包括，对于图G，给定其邻接矩阵A与特征矩阵X，对其进行采样后，输入图注意力编码器以获得图的结构信息，应用社区检测算法得到社区标签的真实值；将所述图注意力编码器输出的社区信息和图表示馈送至社区解码器，生成各节点对应的社区标签；利用反向传播调整所述图注意力编码器与社区解码器的参数，将其引导至社区保持的潜在空间；将所述图注意力编码器输出的社区信息和图表示馈送至图解码器，生成边概率；利用所述边概率模拟图分数矩阵，最终采样得到模型生成的新图；本发明提出的模型可以在图模拟的质量和效率(可扩展性)之间实现良好的平衡。