-
公开(公告)号：CN118509152B
公开(公告)日：2025-03-21
申请号：CN202410540468.3
申请日：2024-04-30
Applicant: 成都信息工程大学
Abstract: 本发明属于图像加密技术领域，公开了一种基于量子漫步和混沌映射的量子经典混合图像加密方法，本发明方法无需对图像进行编码，也不需要多次执行量子漫步操作等。相反，本发明方法直接利用明文信息作为量子漫步、Henon map和Catmap的参数。因此，即使使用相同的初始条件来加密多张图像，量子漫步生成的随机矩阵和混沌系统使用的初始参数也几乎完全不同，实现了近似“一次一密”的效果。本发明方法只需要进行一次量子漫步，提升了加密效率。数值模拟和性能分析显示本发明加密方案具有以下特点：相邻像素点相关性弱，对明文图像微小变化敏感度高，密钥空间大，密文直方图均匀。这表明本发明方案能够抵抗各种噪声攻击和差分攻击。
-
公开(公告)号：CN119152226B
公开(公告)日：2025-01-24
申请号：CN202411596020.X
申请日：2024-11-11
Applicant: 成都信息工程大学
Abstract: 本发明涉及心电图解读技术领域，公开了一种可信自动化心电图解读方法、装置、设备及存储介质，包括：将待解读的心电图样本输入构建的多层卷积网络，提取出心电图特征；估计狄利克雷分布参数，确定损失值并进行参数更新，对心电图样本进行类别概率预测；基于主观逻辑框架，计算获得类别概率预测结果的不确定性估计结果。本发明通过构建多层卷积网络结合最大池化的快捷链接，从ECG数据中提取高层次抽象特征并估计狄利克雷分布的参数，引入主观逻辑评估分类中的整体不确定性，使得利用狄利克雷分布参数得出的预测概率不受放大效应的影响，考虑整体不确定性有助于避免低置信度却有高预测概率的情况（如随机猜测），降低过度自信的风险。
-
公开(公告)号：CN119182516A
公开(公告)日：2024-12-24
申请号：CN202410355773.5
申请日：2024-03-27
Applicant: 成都信息工程大学
Abstract: 本发明属于量子神经网络技术领域，公开了一种允许量子神经网络在加密经典数据上训练和测试的方法及系统，该方法包括：在ECN中，经典客户端首先训练一个简单的经典神经网络(作为加密器En)来对原始输入数据加密再将密文数据发送至量子云服务器进行QNN的训练，两个模型是一起协同训练的；当En和QNN都训练完毕时，经典客户端直接使用En对输入数据进行加密再发送到量子云服务器端来使用QNN进行测试；测试后得到QNN的预测结果。本发明不要求客户端拥有量子能力，不需要除了训练和测试之外的额外交互从而减少了通信开销，也不会降低QNN的模型性能。此外，该方法不会增加太多的计算成本。
-
公开(公告)号：CN118395968A
公开(公告)日：2024-07-26
申请号：CN202410562917.4
申请日：2024-05-08
Applicant: 成都信息工程大学
IPC: G06F40/205 , G06F16/35
Abstract: 本发明公开了一种数据分类分级标准文件的自动解析化方法及系统，属于数据安全的自动合规领域，本方法从标准文件中识别关键的指导语句，抽取数据的上下位关系和安全等级属性，形成了一个清晰的数据分类分级图谱。通过自动构建相关领域词典，以提升该领域的自然语言处理能力，并将领域知识与预训练模型融合，提升了模型信息抽取准确率。通过实验证明，构建的领域词典对于术语识别和文本分类任务具有明显提升。本文所提出的文本分类方法表现出高效性能，准确率达到96.66％，优于现有的方法。构建的知识库信息类型覆盖率超过85％。该框架旨在为数据从业者提供更直观的数据分类分级决策建议，从而确保重要数据的安全与合规。
-
公开(公告)号：CN116579343B
公开(公告)日：2024-06-04
申请号：CN202310560194.X
申请日：2023-05-17
Applicant: 成都信息工程大学
IPC: G06F40/295 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种中文文旅类的命名实体识别方法，包括以下步骤：S1、获取中文文旅类文本数据，并将其输入至字符嵌入层，得到字符向量表示；S2、将字符向量表示输入至双向长短期记忆网络层，得到上下文表示；S3、将上下文表示输入至CNN层，得到多尺度的局部上下文特征融合表示；S4、将多尺度的局部上下文特征融合表示输入至CRF层，通过CRF层进行序列标注，完成中文文旅类的命名实体识别。本发明考虑到对中文旅游类的命名实体识别研究的关注度较少的问题，针对于中文的文旅类文本数据进行网络搭建，在CNN层利用第二CNN模块学习多尺度的局部上下文特征融合表示，加强语义之间的相关性，提高有利于中文识别的特征表示。
-
Patent Agency Ranking
公开(公告)号：CN118075280A
公开(公告)日：2024-05-24
申请号：CN202410162499.X
申请日：2024-02-05
Applicant: 四川省智慧城乡大数据应用研究会 , 成都信息工程大学
IPC: H04L67/104 , H04L9/00 , H04L9/32 , H04L9/08
Abstract: 本发明属于区块链技术领域，公开了一种基于信誉值和强盲签名算法的DPOS共识算法方法及系统，包括：判断节点是否初次进入系统并排序；根据排序选出代理节点集合；代理节点之间相互投票，最后统计每个节点收到的票数，与信誉值求和取平均后再对节点进行排序；选取排在前21位的节点成为见证人节点集合，剩余的节点成为备用见证人节点集合；监督见证人节点出块的过程，并采用提出的信誉机制与备用见证人节点集合进行动态的转换；见证人节点打包区块，出块。本发明对节点的积极或恶意行为进行奖励或惩罚，从而约束节点的行为，减少节点作恶的性；减少了权力掌握在少数节点手中，降低了中心化的风险；避免投票节点的身份信息泄露，提高了系统安全性。
-
公开(公告)号：CN117521656B
公开(公告)日：2024-05-07
申请号：CN202311629250.7
申请日：2023-11-30
Applicant: 成都信息工程大学
IPC: G06F40/295 , G06F40/30 , G06N3/0455 , G06N3/0442 , G06N3/047 , G06N3/088 , G06N3/0464 , G06N3/0985
Abstract: 本发明公开了一种面向中文文本的端到端中文实体关系联合抽取方法，包括优化中文预训练模型，对输入的中文文本进行编码处理，生成中文文本的文本表示；对中文文本的文本表示进行实体解码处理，得到实体BIO标注序列和上下文表示向量；采用上下文注意力机制确定上下文注意力向量；将上下文注意力向量与中文文本的文本表示拼接后进行关系编码处理，得到关系编码表示；采用双仿射注意力机制进行关系解码处理，得到实体关系抽取结果。本发明能够捕捉到词级别的交叉依赖信息，能有效提升模型准确性和鲁棒性。
-
公开(公告)号：CN117743475A
公开(公告)日：2024-03-22
申请号：CN202311545712.7
申请日：2023-11-17
Applicant: 成都信息工程大学
IPC: G06F16/28 , G06F40/295 , G06F40/30 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06F18/213 , G06F18/25
Abstract: 本发明属于自然语言处理技术领域，公开了一种基于多粒度混合注意力的数据发现的实体关系联合抽取方法及系统，包括：以表格空间的形式标记实体和关系的位置，将文本送入预训练模型Bert中，得到文本的语义信息；通过CNN模块得到语义信息中的局部特征信息；通过多头注意力模块得到全局和局部注意力信息；通过门控单元得到实体特征信息；利用多头注意力模块，得到融合了实体特征的实体注意力信息；通过门控单元得到实体关系联合特征信息，将其输入到双仿射模型，完成实体和关系的联合抽取。本发明更好地融合了上下文信息来处理多义性，更准确地识别实体和关系，提高了联合抽取的精度。
-
公开(公告)号：CN117675196A
公开(公告)日：2024-03-08
申请号：CN202311725097.8
申请日：2023-12-15
Applicant: 成都信息工程大学
Abstract: 本发明属于量子机器学习隐私保护技术领域，公开了一种保护输入数据和训练参数的量子神经网络隐私保护方法及系统，包括：对原始样本集进行归一化处理；进行样本划分得到待测样本集与训练样本集；根据角度编码或幅度编码，将待测样本与训练样本集的属性值进行量子态制备；根据随机X和RZ操作符加密量子态；利用Rz可隐藏参数电路、 电路和 电路构建量子神经网络模型中Ansatz的同态加密电路设计，将电路设计发送给量子云服务器进行模型训练；更新加密密钥。本发明旨在解决量子机器学习领域中量子神经网络的数据和参数的隐私安全问题，不会影响算法原本的准确率和可用性，与其他隐私保护方案相比拥有更低的复杂度和更高的安全性。
-
公开(公告)号：CN117313887A
公开(公告)日：2023-12-29
申请号：CN202311410059.3
申请日：2023-10-27
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于模糊学习的量子度量学习方法，属于量子机器学习技术领域，包括以下步骤：获取输入特征转换为模糊集合；通过模糊组件处理模糊集合中的不确定性特征；整合原始特征和模糊信息，以减少数据中的不确定信息；将整合后的信息作为量子特征映射的输入进行量子度量学习。本发明中，通过设计的模糊组件，能够处理真实数据集中的不确定性特征，减少由于噪声等因素导致的数据不确定性和歧义，同时，还可以弥补数据预处理过程中可能遗失的部分有效信息，提高模型的鲁棒性，通过模糊组件，能够有效地抽取出高阶的潜在模糊特征，为数据的深层次信息提供了有力的补充，进一步增强了模型的识别与分类能力。
-
-
-
-
-
-
-
-
-
Search Results
174
records
(took 0.04 seconds)
