-
公开(公告)号：CN109951282A
公开(公告)日：2019-06-28
申请号：CN201910244707.X
申请日：2019-03-28
Applicant: 重庆邮电大学
Abstract: 本发明涉及基于分段CUBIC混沌映射的伪随机序列产生方法，属于混沌密码学领域。该方法具体包括：S1：随机设置初始值和初始控制参数；S2：根据PCMFO生成伪随机数；S3：迭代PCMFO，得到临时浮点数；S4：从临时浮点数中提取四个位数相同的临时值，作为自变量生成4个输出数；S5：并列四个输出数，即为伪随机序列。本发明在提高密码复杂度的同时，实现了效率和安全性之间的良好平衡。
-
公开(公告)号：CN109409114A
公开(公告)日：2019-03-01
申请号：CN201811308347.7
申请日：2018-11-05
Applicant: 重庆邮电大学
IPC: G06F21/60
Abstract: 本发明公开了一种基于易辛结构的可并行图加密方法，按照以下步骤进行：S1、从存储系统中获取以图结构形式存储的待加密图数据I；S2、通过随机向量生成器，对待加密图数据I对应生成一个密钥向量K；S3、对待加密图数据I进行图结构识别，得到该待加密图数据I的图结构类型；S4：根据步骤S3得到的图结构类型，基于易辛模型构建对应的图加密算法，对待加密图数据I根据对应的密钥向量K进行加密后，输出加密图文件E。有益效果：能够高效并且安全灵活的对图进行加密，由于是并行加密，其效率更高。可以实现图加密所要求的可逆性、多样性、高效性、随机性和扩散性等要求。
-
公开(公告)号：CN109120652A
公开(公告)日：2019-01-01
申请号：CN201811329721.1
申请日：2018-11-09
Applicant: 重庆邮电大学
Abstract: 本发明提出了一种基于差分WGAN的网络安全态势预测方法。该发明利用生成对抗网络(Generative adversarial network，GAN)来模拟态势的发展过程，从时间维度实现态势预测。为了解决GAN所具有的网络难以训练、collapse mode及梯度不稳定问题，提出了利用Wasserstein距离作为GAN的损失函数，并在损失函数中添加差分项的方法来提高态势值的分类精度。同时还证明了差分WGAN网络的稳定度。实验结果和分析表明，该机制相比其它机制而言在收敛性、预测精度和复杂度方面具有优势。
-
公开(公告)号：CN107423647A
公开(公告)日：2017-12-01
申请号：CN201710203811.5
申请日：2017-03-30
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种面向智能家居的RFID委托认证方法，涉及智能家居领域。基于RFID的门禁系统被广泛用于智能家居解决方案中，但是现有门禁认证方案无法适用于用户委托情形，例如用户无法在远出旅游或出差期间委托他人进入自己家中以完成某些任务。本发明提供了一种用户自主授权的RFID委托认证方案来解决这种问题。本发明首先设计了一种普通RFID认证协议，用于智能家居中的一般认证场景；在此基础上，针对事务委托场景，提出了一种委托认证协议。本方案基于切比雪夫混沌映射设计，使得用户可以远程完成事务委托。
-
公开(公告)号：CN103812807B
公开(公告)日：2017-01-25
申请号：CN201410073771.3
申请日：2014-02-28
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于凸优化技术的增强余弦调制滤波器组多载波通信系统抗干扰能力的方法，属于无线通信技术领域。包括以下步骤：在发送端先对原始信号进行基带调制和R位串并变换得到并行信号；在并行信号中随机插入零值；对插入零值的信号进行余弦调制综合滤波器组调制，再由高斯信道发射出去；接收端对经过高斯信道后的接收信号进行处理，先进行快速傅里叶变换，再对信号进行频域均衡，接着对信号进行快速傅里叶逆变换得到时域信号；再将时域信号通过基于凸优化技术干扰估计模块后，得到包含的干扰信号，接着再将信号与干扰信号进行减运算，得到新的信号；对新的信号进行余弦调制滤波器分析滤波器组解调和基带解调等操作，获得原始发送信号。该方法能有效提高信号传输的可靠性。
-
Patent Agency Ranking
公开(公告)号：CN119939107A
公开(公告)日：2025-05-06
申请号：CN202510016231.X
申请日：2025-01-06
Applicant: 重庆邮电大学
Abstract: 本发明提出一种基于强化学习的TSP路径组合优化方法及系统，通过将解分布学习与组合优化目标学习相结合，构建了一种各向异性的图神经网络作为扩散模型的骨干网络，利用其表示能力捕捉图结构数据中的复杂关系，利用扩散模型单转马尔可夫前向过程建模概率分布。此外，本发明还引入了两种扩散模型的加速采样方法DDIM和DPM‑solver，加速去噪的采样过程，提高训练效率。本发明能够通过将直接偏好优化引入到扩散模型中进而提出偏好引导组合优化((Preference‑GuidedCombinatorial Optimization,PGCO)，提高求解旅行商问题(TSP)模型的泛化能力和适应性，提供了一个更高效、高质量的求解大规模组合优化的模型。
-
公开(公告)号：CN117195287A
公开(公告)日：2023-12-08
申请号：CN202311128065.X
申请日：2023-09-01
Applicant: 重庆邮电大学
IPC: G06F21/62 , G06F21/71 , G06F16/9536
Abstract: 本发明涉及一种基于目标扰动的本地化差分隐私矩阵分解推荐方法，属于计算机推荐系统领域和信息安全领域。该方法具体包括：服务器随机初始化项目隐因子矩阵 和噪声矩阵并向所有用户发送V和H；用户i(i＝1,2,…,n)构建损失函数L(ui,V)，利用SGD算法优化L(ui,V)得到ui并将ui保存在用户本地，将得到的ui带入L(ui,V)，得到用户i关于V的损失函数 每个用户i无放回地选择需要上传的梯度行列索引pi并发送给服务器，服务器计算位置统计矩阵Loc并向所有用户发送Loc；用户i接收Loc并计算基于目标扰动的梯度将 发送给服务器，服务器聚合用户的 并更新V，将更新后的V分发给各个用户。本发明具有良好的隐私保护性和模型准确性。
-
公开(公告)号：CN116861081A
公开(公告)日：2023-10-10
申请号：CN202310786117.6
申请日：2023-06-29
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F16/9536 , G06N3/048 , G06N3/08 , G06F16/9538 , G06Q30/0601
Abstract: 本发明涉及一种融合项目不确定度的多属性神经协同推荐系统，属于推荐技术领域。包括：从数据库中获取和处理数据信息，以获得初始化评分矩阵；基于信息熵理论，根据不同用户对同一项目的评分分布情况来获取不确定度矩阵；从数据库中获得用户ID和未评分项目ID，将其作为神经网络的输入，得到用户对项目的多属性预测评分；将不确定度引入神经网络框架，作为权重因子去修正多属性预测评分；将修正后的多属性预测评分作为神经网络的输入，进行结果预测，以得到用户对项目的综合评分；根据预测评分进行对项目进行降序排序；设定待推荐项目数量，将符合推荐条件的项目推送给目标用户，形成个性化推荐列表。
-
公开(公告)号：CN116541606A
公开(公告)日：2023-08-04
申请号：CN202310627915.4
申请日：2023-05-30
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F16/9536 , G06F21/62 , G06F17/16
Abstract: 本发明涉及一种基于差分隐私的贝叶斯个性化矩阵分解推荐方法，属于计算机推荐系统领域和信息安全领域。该方法具体包括：将用户的隐式反馈数据转化成数值为0或1的隐式反馈矩阵；构造目标函数L(W,H)，基于贝叶斯个性化排序下的推荐算法对矩阵W和矩阵H求解,存储用户隐因子矩阵W；将求得的用户隐因子矩阵W,与项目矩阵再代入目标函数L(W,H)中将目标函数改写为使用梯度下降法对隐因子矩阵求解，考虑每一个项目隐因子梯度使用少量Laplace噪声对梯度进行扰动；对目标函数L(H|D)进行梯度下降，得到矩阵本发明具有良好的隐私保护性和模型准确性。
-
公开(公告)号：CN116452293A
公开(公告)日：2023-07-18
申请号：CN202310416927.2
申请日：2023-04-18
Applicant: 重庆邮电大学
IPC: G06Q30/0601 , G06F18/213 , G06F18/25 , G06N3/048
Abstract: 本发明提出一种融合物品受众特征的深度学习推荐方法及系统，属于推荐技术领域。包括有数据收集及数据清洗；转化评分为隐式反馈矩阵；获取物品的历史交互用户列表；运用注意力机制，自适应计算物品的个性化受众特征；通过线性回归与向量内积学习数据中的低阶特征；设计特征交互层以显式地进行特征交叉；利用多层全连接神经网络进一步学习高阶特征；融合低阶和高阶特征信息输出目标用户对物品的预测值；对预测集合排序，进行top‑N推荐；经过多次实验验证，本发明能够充分挖掘历史交互信息中的潜在价值，提高推荐质量，展现出良好的应用潜力。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.023 seconds)
