-
公开(公告)号：CN117150018A
公开(公告)日：2023-12-01
申请号：CN202311174924.9
申请日：2023-09-13
Applicant: 哈尔滨理工大学
IPC: G06F16/35 , G06F16/36 , G06N3/084 , G06N3/0895
Abstract: 一种多视图零样本节点分类网络模型训练方法，其特征在于，建立零样本节点分类网络模型，在该分类网络模型中设置一个判别器，通过最大相似度算法来获得样本中的标签；建立知识导向的零样本辅助信息模型，通过将样本的类别标签映射到知识图谱中的实体来获取用于训练和判别的零样本辅助信息；建立不可见类伪样本生成模型，通过生成特征分布与不可见类样本类似的伪样本实现广义零样本学习；建立多视图样本特征表示提取模型，通过多视图模型来获取样本的多视图特征表示；建立多视图特征融合模型，通过对比式自编码器，将样本的多视图特征表示融合成为特征向量并优化；建立图数据网络模型，通过样本之间的关联信息，优化样本的特征分布。
-
公开(公告)号：CN116822515A
公开(公告)日：2023-09-29
申请号：CN202310743423.1
申请日：2023-06-21
Applicant: 哈尔滨理工大学
IPC: G06F40/295 , G06V10/40 , G06F18/213 , G06F18/25 , G06F40/30 , G06N3/048 , G06N3/047 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于实体跨度定位视觉区域的多模态命名实体识别方法及系统，涉及计算机视觉和自然语言处理技术领域，以克服现有的获取局部视觉信息方法的缺陷。本发明的技术要点包括：设计实体跨度定位视觉区域模块，以根据文本特征和图片特征，输出与输入文本中所有实体最相关的视觉区域特征；设计多模态交互模块，以根据文本特征获取的文本隐藏表示以及视觉区域特征，进行文本特征和视觉区域特征之间的跨模态语义交互，输出多模态融合特征；设计条件随机场解码模块，以根据输入的多模态融合特征，输出文本中每个单词的实体标签。本发明同时利用全局和局部两个角度的图片信息来提升性能，减轻了不相关物体图像对多模态命名实体识别的负面影响。
-
公开(公告)号：CN111027582B
公开(公告)日：2023-06-27
申请号：CN201910891913.X
申请日：2019-09-20
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/774 , G06V10/77 , G06V10/82 , G06N3/0895
Abstract: 本发明的实施方式提供了一种基于低秩图学习的半监督特征子空间学习方法及装置。该方法包括：将图像数据集分成测试集和训练集，训练集中包括有标签及无标签的样本；定义关于特征子空间学习模型的目标函数；用标签传播的方式，构建有关标签的不同约束项，进而预测出无标签样本的标签信息，重新拟定目标函数；将重新拟定的目标函数中的特征子空间施加正交约束；利用训练集，求解出目标函数值最小化时各个变量的值，以通过目标函数求解后得到一个特征子空间；以及通过所述特征子空间投影测试集，得到所述数据集里所有类别图像的所有特征，通过预定分类器获得所述数据集的识别率。本发明的上述技术克服了现有技术的不足。
-
公开(公告)号：CN107749827B
公开(公告)日：2023-06-27
申请号：CN201711041283.4
申请日：2017-10-30
Applicant: 哈尔滨理工大学
IPC: H04L47/27
Abstract: 本发明提供了一种基于网络状态分类的网络拥塞控制方法、装置及系统。网络拥塞控制方法包括在TCP连接中的发送端向接收端发送多个数据包之后，当发送端接收到第t个接收端回复的确认包时，获取对应的网络状态参数向量作为第t次网络状态参数向量，根据预先建立的网络状态参数向量与网络状态类别的对应关系，获得第t次网络状态参数向量对应的网络状态类别作为第t次网络状态类别，根据预先建立的网络状态类别与拥塞窗口调节方式的对应关系，获得第t次网络状态类别对应的拥塞窗口调节方式，以对发送端的拥塞窗口进行调节，根据第t次网络状态参数向量对网络状态参数向量与网络状态类别的对应关系进行更新。本发明的上述技术能够有效控制网络拥塞。
-
公开(公告)号：CN116051883A
公开(公告)日：2023-05-02
申请号：CN202211584055.2
申请日：2022-12-09
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06T5/00 , G06V10/77 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种基于CNN‑Transformer混合架构的网络流量分类方法，属于网络流量分类技术领域。包括以下步骤：S1.获取加密流量数据，并进行预处理，得到处理后的流量数据；S2.将处理后的流量数据按照二进制形式转化为灰度图片；S3.将生成的流量图进行数据增强；S4.构建基于CNN‑Transformer的混合模型Next‑ViT；S5.训练混合模型Next‑ViT，得到训练好的分类模型；S6.将灰度图片作为分类模型的输入，输出加密网络流量类别。解决不能捕获复杂模式下互联网流量，导致准确性下降；手动提取特征、耗时大且存在大量无标注的数据集的问题。本发明提高了网络流量分类的效率和分类的准确度。
-
Patent Agency Ranking
公开(公告)号：CN115712760B
公开(公告)日：2023-04-21
申请号：CN202211510437.0
申请日：2022-11-29
Applicant: 哈尔滨理工大学
IPC: G06F16/903 , G06F40/126 , G06F40/30 , G06N3/0464 , G06N3/048 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种基于BERT模型和深层等长卷积神经网络的二进制代码摘要生成方法及系统，涉及代码摘要生成技术领域。本发明的技术要点包括：将一段程序经过编译和链接过程生成可执行程序，提取其中的二进制代码序列和二进制函数名序列；对二进制函数名序列进行编码，获得函数名表示向量；将二进制代码序列输入BERT预训练语言模型，获取二进制代码序列全局上下文信息特征；利用多个卷积核对二进制代码序列全局上下文信息特征进行局部语义特征提取；将二进制代码序列全局特征和局部语义特征输入预训练的深层等长卷积神经网络，获取二进制代码序列的表示向量；将函数名表示向量和二进制代码序列的表示向量输入预训练的前馈神经网络，获取二进制代码摘要。
-
公开(公告)号：CN115712760A
公开(公告)日：2023-02-24
申请号：CN202211510437.0
申请日：2022-11-29
Applicant: 哈尔滨理工大学
IPC: G06F16/903 , G06F40/126 , G06F40/30 , G06N3/0464 , G06N3/048 , G06N3/0499 , G06N3/08
Abstract: 本发明公开了一种基于BERT模型和深层等长卷积神经网络的二进制代码摘要生成方法及系统，涉及代码摘要生成技术领域。本发明的技术要点包括：将一段程序经过编译和链接过程生成可执行程序，提取其中的二进制代码序列和二进制函数名序列；对二进制函数名序列进行编码，获得函数名表示向量；将二进制代码序列输入BERT预训练语言模型，获取二进制代码序列全局上下文信息特征；利用多个卷积核对二进制代码序列全局上下文信息特征进行局部语义特征提取；将二进制代码序列全局特征和局部语义特征输入预训练的深层等长卷积神经网络，获取二进制代码序列的表示向量；将函数名表示向量和二进制代码序列的表示向量输入预训练的前馈神经网络，获取二进制代码摘要。
-
公开(公告)号：CN115563533A
公开(公告)日：2023-01-03
申请号：CN202211166951.7
申请日：2022-09-23
Applicant: 哈尔滨理工大学
IPC: G06F18/241 , G06F18/214 , H04L47/2441
Abstract: 本发明为提高加密流量分类模型的泛化能力，提出一种基于多任务学习的加密流量分类方法。本发明包括：将采集到的带标签的加密流量数据按双向流分割，每条双向流的数据作为一个训练样本；提取所述训练样本的时间序列特征，将其做为多任务分类模型的输入；设置多任务分类模型的辅助任务和主任务，并设计辅助任务的类别划分器，为每条流量数据添加对应的辅助任务标签；构建基于软参数共享机制的多任务分类模型；将所述训练样本的时间序列特征输入多任务分类模型，根据各个任务对应的标签同时训练多个任务，每个任务都有独立的输出。
-
公开(公告)号：CN111310807B
公开(公告)日：2022-08-19
申请号：CN202010077309.6
申请日：2020-01-27
Applicant: 哈尔滨理工大学
IPC: G06V10/762 , G06V10/77 , G06K9/62
Abstract: 一种基于异质特征联合自表示的特征子空间与亲和矩阵联合学习方法，将原始数据及其异质特征整合到一个公共集合中，形成多模态样本集合；然后，在集合上对每一个模态下的样本数据都学习一对垂直和水平投影矩阵，并且可以捕获所有模态下的异质特征之间的互补信息；此外，为了揭示隐藏在多模态视觉数据中的内在子空间结构，设计了一个基于阈值岭回归的自表示模型，进而将学习到的表示矩阵用于构建有效的亲和矩阵；同时，通过联合学习特征子空间和表示矩阵，二者性能可以互相促进；为了确保模型在实际应用中的性能，设计了基于图的表示矩阵约束项来捕获数据的非线性结构信息，这有助于保持复杂样本的邻居关系。
-
公开(公告)号：CN110619367B
公开(公告)日：2022-05-13
申请号：CN201910891895.5
申请日：2019-09-20
Applicant: 哈尔滨理工大学
IPC: G06V10/77 , G06V10/774 , G06V10/764 , G06K9/62
Abstract: 本发明的实施方式提供了一种联合低秩约束跨视角判别子空间学习方法及装置。上述方法包括：定义双低秩判别子空间学习式的目标函数；采用有监督的正则化项作为强约束条件，目标函数重新拟定；增加联合异构正则化项将目标函数重新拟定；将图像数据集分成测试集和训练集；利用训练集求解出目标函数值最小化时各个变量的值；目标函数求解后得到特征子空间；通过所述特征子空间投影测试集，得到数据集里所有类别图像的所有特征，最终通过分类器得到所述数据集的识别率。本发明联合异构正则化项作为约束来构造用于特征学习的判别项，其能够将样本的同构和异构信息投影到子空间来用于图像识别和分类任务的判别学习模型中，促进模型自适应性和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
100
records
(took 0.024 seconds)
