-
公开(公告)号：CN105760929A
公开(公告)日：2016-07-13
申请号：CN201610139473.9
申请日：2016-03-11
Applicant: 浙江工业大学
IPC: G06N3/00
CPC classification number: G06N3/006
Abstract: 一种基于DFP算法和差分进化的分层全局优化方法，DE算法的全局探测能力强，但后期收敛速度很慢，而DFP算法具有较高的局部搜索效率，鉴于此，将DFP算法与DE算法相结合，当种群适应度不再下降时，利用当前种群的梯度信息，可加速种群向全局最优点的收敛，从而解决算法在全局探测能力与快速收敛能力之间的平衡问题。本发明的方法前期采用DE算法用以全局探测；算法进行到后期，对当前种群所有个体进行一次上层为DE算法而下层为DFP算法的两层优化，加快算法局部收敛速度，达到提高算法搜索效率这一目的。
-
公开(公告)号：CN105373831A
公开(公告)日：2016-03-02
申请号：CN201510648422.4
申请日：2015-10-09
Applicant: 浙江工业大学
IPC: G06N3/12
CPC classification number: G06N3/126
Abstract: 一种基于群体阶段性样本训练的k-近邻预测全局优化方法，在差分进化算法为框架，基于k-近邻预测方法，通过k-近邻预测值来代替新个体的实际目标函数值，从而减少函数评价次数；在进化过程中，根据种群中个体的拥挤度，即各个体之间的平均距离将算法分为两个阶段，从而分阶段进行样本训练，第一阶段，根据平均距离判断何时终止对所有个体进行样本训练，避免前期样本训练代数设置不恰当而影响算法性能；第二阶段，当样本训练达到一定数量后，根据k-近邻预测值与实际目标函数值之间的误差保存样本个体，避免样本个体过多而导致空间复杂度较高。本发明不需要进行样本训练代数设置，且空间复杂度较小。
-
公开(公告)号：CN105260772A
公开(公告)日：2016-01-20
申请号：CN201510796296.7
申请日：2015-11-18
Applicant: 浙江工业大学
IPC: G06N3/00
Abstract: 一种基于多策略的阶段性群体全局优化方法，首先，计算出初始种群中各个体之间的平均距离，并根据初始平均距离将算法的整个进化过程分为三个阶段，并对各阶段设置多个不同的变异策略；然后，在进化过程中根据当前种群个体的拥挤程度，即各个体之间的平均距离判断算法所处的阶段，从而随机选取不同的变异策略来产生新个体；其次，根据平均距离的变化率设计参数自适应调整策略；通过以上设计平衡算法的全局探测能力和局部搜索能力，以提高算法的性能。
-
公开(公告)号：CN105205348A
公开(公告)日：2015-12-30
申请号：CN201510608518.8
申请日：2015-09-22
Applicant: 浙江工业大学
Abstract: 一种基于距离约束选择策略的群体构象空间优化方法，包括以下步骤：在差分进化算法框架下，采用Rosetta Score3粗粒度知识能量模型来有效降低构象空间搜索维数、提高算法的收敛速度；引入基于知识的片段组装技术可以有效提高预测精度；利用距离谱在蛋白质结构上的特性约束，使更多结构上相似的蛋白质构象进入种群，减少能量函数不精确带来的误差，以得到更为优良的局部构象；结合差分进化算法较强的全局搜索能力，可以对构象空间进行更为有效的采样，从而得到和天然态结构相似度较高的构象。本发明采用Rosetta Score3粗粒度知识能量模型来有效降低构象空间搜索维数、提高算法的收敛速度，提高预测精度。
-
公开(公告)号：CN104821009A
公开(公告)日：2015-08-05
申请号：CN201510163039.X
申请日：2015-04-08
Applicant: 浙江工业大学
IPC: G06T17/00
Abstract: 一种基于抽象凸支撑面的三维曲面拟合方法，包括以下步骤：首先，以单位单纯形矩阵为根建立三叉树，并根据已知点对单位单纯形进行拆分来更新三叉树；然后，设置一个采样步长，在x的定义域范围内进行采样，找出采样点所属的树叶子节点，计算出采样点所属树叶子节点区域的下界估计值；其次，连接所有采样点得到待拟合曲面的下界估计，并以同样的方法求得待拟合曲面的上界锯齿估计；最后，取上界和下界估计的平均得到的曲面即为拟合曲面。本发明提供一种计算量小，可以保留原始数据点，拟合效率和准确率高的基于抽象凸支撑面的三维曲面拟合方法。
-
Patent Agency Ranking
公开(公告)号：CN104751630A
公开(公告)日：2015-07-01
申请号：CN201410852124.2
申请日：2014-12-31
Applicant: 浙江工业大学
IPC: G08G1/01
CPC classification number: G08G1/0125
Abstract: 一种基于Kernel-KNN匹配的道路交通状态获取方法，首先提取具有代表性的道路交通数据，经过数据处理后建立道路交通运行特征参考序列；然后选取道路交通数据序列，并构建道路交通数据序列的Mercer核；最后选取道路交通特征参考数据序列和当前道路交通特征序列，获取道路交通特征参考数据序列和当前道路交通特征序列在特征空间的欧式距离，通过KNN方法选取k个道路交通状态，最后通过加权平均获取道路交通状态。最终实现对道路交通运行状态实时、有效的动态估计。本发明提供了一种有效获取道路交通状态、准确性较好的基于Kernel-KNN匹配的道路交通状态获取方法。
-
公开(公告)号：CN119961974A
公开(公告)日：2025-05-09
申请号：CN202510048789.6
申请日：2025-01-13
Applicant: 浙江工业大学
Abstract: 一种基于自适应个性化联邦学习的车联网隐私保护轨迹预测方法，将真实场景车辆轨迹数据集进行非独立同分布划分，模拟车联网中本地数据异构和不平衡现象，并将非独立同分布数据分配至各本地车辆；利用各本地车辆分配的轨迹数据对局部模型进行本地训练，得到各个局部模型的梯度数据并更新本地局部模型；各边缘车辆通过路边单元上传局部模型的梯度数据，并进行全局模型自适应优化聚合更新全局模型；通过路边单元进行广播以下发更新后的全局模型，本地车辆根据个性化规则更新个性化局部模型；重复步骤2至4设定次数，以得到最终的全局模型和个性化局部模型，利用验证集对局部模型进行验证。本发明预测精度高，通信成本低，联邦学习训练效率高。
-
公开(公告)号：CN115188384B
公开(公告)日：2024-11-26
申请号：CN202210653117.4
申请日：2022-06-09
Applicant: 浙江工业大学
Abstract: 基于余弦相似性和语音去噪的声纹识别对抗样本防御方法，首先进行数据预处理，对于说话人语音数据进行预处理；搭建声纹识别模型；利用几种不同的对抗攻击方法结合声纹识别模型设计带有恶意信息样本的对抗样本生成器；对干净数据数据进行小波变换重构，将干净数据小波变换前后的样本在分类模型中得到的输出概率向量进行余弦相似性计算，设定一个余弦相似性阈值；将对抗样本同样进行小波变换重构，也同样计算重构前后的输出向量的余弦相似性值，将该值于余弦相似性阈值进行比较，小于阈值的为对抗样本，大于阈值的则对抗样本未检测出；训练一个语音去噪神经网络，将未检测出的对抗样本输入去噪网络进行去噪，去除对抗性扰动。
-
公开(公告)号：CN118094286A
公开(公告)日：2024-05-28
申请号：CN202410150586.3
申请日：2024-02-02
Applicant: 浙江工业大学
IPC: G06F18/24 , G06F18/213 , G06N3/049 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 一种基于脉冲神经网络的信号调制类型分类方法，包括以下步骤：1)信号处理方法。处理IQ信号的I通道和Q通道，得到IQ信号的幅值和相位并归一化；2)CNN训练方法。CNN的结构可以是任何典型深度学习网络中的一个，本发明选用原始的CNN；3)SNN设计方法。SNN与CNN拥有完全相同的结构，其中ReLU需替换为脉冲神经元。使用了一种权重归一化方式，提升SNN推理能力并减小延迟；4)推理方法。本发明的SNN的参数是由已训练完成的CNN得到的，因此不需要训练，可直接对输入数据进行推理，相比直接赋予权重的原始方法，在识别精度没有下降的情况下，时间步大幅缩短。
-
公开(公告)号：CN113378644B
公开(公告)日：2024-03-22
申请号：CN202110525754.9
申请日：2021-05-14
Applicant: 浙江工业大学
IPC: G06F18/241 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/0464 , G06N3/084 , H04L27/00
Abstract: 一种基于生成式对抗网络的信号调制类型识别攻击的防御方法，包括以下步骤：(1)根据原始信号数据集，搭建生成式对抗网络，过程如下：搭建的生成网络G包括全连接层、逆卷积层和卷积层，输入数据为随机噪声，输出为与原始信号维度一致的假信号，搭建的判别网络D包括卷积层、全连接层，输入为生成网络G生成的假信号和原始信号，输出为对假信号和原始信号的判别结果，采用对抗训练的方法对该生成式对抗网络进行训练，获得无线电信号生成式对抗网络；(2)利用训练完成的生成式对抗网络进行信号样本重构。该方法可以利用生成网络重构信号样本，提高模型的分类精度，从而提高模型对对抗样本的防御能力。
-
-
-
-
-
-
-
-
-
Search Results
229
records
(took 0.028 seconds)
