-
公开(公告)号：CN103150611A
公开(公告)日：2013-06-12
申请号：CN201310073852.9
申请日：2013-03-08
Applicant: 北京理工大学
Abstract: 本发明涉及一种II型糖尿病发病概率分层预测方法，属于生物信息处理技术领域。本发明首先对Ⅱ型糖尿病人群进行风险等级判定，然后对不同风险等级人群采用包装法进行属性选择，选择出关键发病危险属性；然后利用朴素贝叶斯算法，计算出个体初始发病概率；个体初始发病概率与单步转移矩阵构建马尔可夫链，从而建立针对不同风险等级人群的Ⅱ型糖尿病发病概率预测系统。与现有技术相比，本发明在进一步提升II型糖尿病发病概率预测准确率的同时，可以根据不同个体输入的数据选择对应风险等级的预测模型，预测多年内的发病概率，处理速度快。能够达到对Ⅱ型糖尿病早发现、早重视、提前干预，降低（或延缓）Ⅱ型糖尿病发生的目的。
-
公开(公告)号：CN103106591A
公开(公告)日：2013-05-15
申请号：CN201310022327.4
申请日：2013-01-22
Applicant: 北京理工大学
Abstract: 本发明的名称为基于NFC功能的智能手机近程购物方法及系统，提出了一种基于NFC通信技术的手机购物和移动支付的解决方案，涵盖商品标签的读写，商品展示、销售及支付过程的实现，客户和商品的信息管理等方面。本手机近程购物系统包括四个部分：附加NFC芯片的android智能手机终端、NFC读写器、“商品展示墙”和服务器，而本发明是基于以上硬件的NFC标签读写程序、手机与NFC读写器P2P通信程序、商品和客户信息管理系统以及购物过程实现的解决方案。既解决了传统购物时商品展示销售对场地和设备的要求，以及支付操作繁琐，安全性差的问题，又解决了现有手机购物购买和支付分立的模式，还克服了网上购物依赖互联网、消耗顾客移动网络流量的问题。
-
公开(公告)号：CN118468332A
公开(公告)日：2024-08-09
申请号：CN202410489308.0
申请日：2024-04-23
Applicant: 北京理工大学 , 绿盟科技集团股份有限公司
IPC: G06F21/62 , G06F16/35 , G06F40/151 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及利用双向梯度引导的扩散模型生成脱敏文本方法，属于计算机应用技术领域。本发明基于文本数据生成词嵌入向量，运用差分隐私随机梯度方法训练目标模型和攻击模型，记录二者的梯度方向；对词嵌入向量添加高斯噪声生成加噪数据；利用扩散模型对加噪数据进行逆扩散采样以生成预测词嵌入向量，联合目标模型和攻击模型的梯度方向指导扩散模型参数更新；用BERT模型将预测词嵌入向量转换为脱敏文本数据。本发明针对现有方法忽略敏感词的上下文语义及语义关联问题，提出利用双向梯度引导的扩散模型生成脱敏文本方法，利用逆扩散过程捕获原始语义，通过梯度方向引导扩散模型减弱文本中敏感信息的影响，有效提升脱敏文本数据的可用性和隐私保护效果。
-
公开(公告)号：CN117437452A
公开(公告)日：2024-01-23
申请号：CN202311675086.3
申请日：2023-12-07
Applicant: 北京理工大学
IPC: G06V10/762 , G06V10/42 , G06V10/44 , G06V10/82 , G06F18/23213 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明涉及整合两种约束的多视图深度半监督图像聚类方法，属于计算机与信息科学技术领域。本发明首先使用卷积神经网络和残差神经网络提取原始图像的空间特征，得到图像的局部形状特征视图和全局结构特征视图；其次将原始图像视图和上述两个视图通过自编码器网络构建多视图特征空间并初始化其聚类中心；然后将数据中的标签约束和成对约束整合为成对关系矩阵；最后使用初始聚类中心和成对关系矩阵组成损失函数，迭代更新聚类中心并得到聚类结果。本发明针对现有方法忽略了不同约束条件的关联性，在含噪约束条件下，聚类结果易受错误约束条件影响的问题，提出整合两种约束的多视图深度半监督图像聚类方法，提高聚类准确率。
-
公开(公告)号：CN115118451B
公开(公告)日：2023-09-08
申请号：CN202210536021.X
申请日：2022-05-17
Applicant: 北京理工大学
Abstract: 本发明涉及结合图嵌入知识建模的网络入侵检测方法，属于计算机与信息科学技术领域。本发明首先对网络入侵流量数据包进行特征提取，定义特征节点与数据包节点类别，并根据节点之间的关系构造流量异构网络；然后基于元路径的游走方法生成节点上下文序列，训练图嵌入模型生成节点的特征向量表示；最后，根据模型生成测试集节点的特征向量表示，采用基于节点相似度计算的方法判别节点标签，实现对网络入侵流量的检测。优化了网络流量数据结构复杂情况下，当前深度学习网络入侵检测模型无法充分捕获节点之间拓扑结构关系和特征权重选择不当的问题。针对网络入侵流量本发明能达到较好的分类效果，进一步提升了网络入侵检测的正确率。
-
Patent Agency Ranking
公开(公告)号：CN116318877A
公开(公告)日：2023-06-23
申请号：CN202310123302.7
申请日：2023-02-16
Applicant: 北京理工大学
IPC: H04L9/40 , H04L41/14 , G06F18/2415 , G06F18/22 , G06F18/23
Abstract: 本发明涉及利用多种特征流形向量的入侵检测系统对抗样本防御方法，属于计算机与信息科学领域。本发明首先对网络流量样本提取多种特征：利用径向神经网络计算样本类别预测概率，基于注意力机制计算样本特征权重并提取高权重特征，计算样本特征间相关度并提出随机递归式特征消除算法选择高相关度特征；其次，将多种特征映射为低维流形向量，并分别与良性、恶意流量样本流形向量计算相似度；最后，依据流形相似度利用降噪自编码器生成重构特征后的流量样本，再通过入侵检测系统进行判别。本发明基于多种特征流形相似度对样本特征进行重构，降低了特征中对抗性扰动对检测精度的影响，提升了入侵检测系统对对抗样本的防御能力。
-
公开(公告)号：CN115757714A
公开(公告)日：2023-03-07
申请号：CN202211331155.4
申请日：2022-10-28
Applicant: 北京理工大学
IPC: G06F16/332 , G06F16/33 , G06F16/35 , G06F17/10 , G06F18/214 , G06F18/22 , G06N3/0464
Abstract: 本发明涉及一种强化关联度计算的小样本用户多意图识别方法，属于自然语言处理领域。本发明旨在为用户对话样本标定多个意图标签，首先，利用BERT提取用户对话样本及其对应标签的嵌入表示；其次，计算支持集中标签与样本的关联度以增强标签原型表示，利用标签原型和查询样本构建原型网络；然后，计算多个领域的通用阈值和小样本领域的特定阈值，并以其他领域样本与查询样本的关联度均值为系数计算原型网络阈值；最后，根据原型网络阈值筛选出查询样本对应的多个意图标签。本发明提出强化关联度计算方法，同时考虑嵌入表示的特征值差异和特征维度差异，进一步降低标签间的干扰，并改进原型网络阈值计算方法，有效提升多意图识别任务的准确率。
-
公开(公告)号：CN110334904B
公开(公告)日：2023-03-03
申请号：CN201910459822.9
申请日：2019-05-30
Applicant: 北京理工大学
IPC: G06F16/84
Abstract: 本发明涉及基于LightGBM的关键信息基础设施类型单位归属判定方法，属于网络空间安全与机器学习领域。主要为了解决传统的依赖人力对关键信息基础设施类型进行标注的效率低、可扩展性差的问题。本发明提出一种基于机器学习算法，结合多类型、多截面数据采集及特征表达的关键信息基础设施资产特征优化表达与多目标分类技术研究方法，在此基础上构建关键信息基础设施类型归属判别应用系统，根据设施资产数据判定其属于哪一类的关键信息基础设施(如政府机关、国防科工、广播电台、运营商等等)，实现对关键信息基础设施类型归属的识别认定。实验结果表明，本发明提出的算法的准确率和查全率较好，与规则匹配方法相比，具有很好的判定效果。
-
公开(公告)号：CN113240041B
公开(公告)日：2022-11-08
申请号：CN202110607066.7
申请日：2021-05-28
Applicant: 北京理工大学
Abstract: 本发明涉及融合影响因子的二进制函数相似性检测方法，属于网络安全技术领域。主要为了解决基于图嵌入的二进制函数相似性检测方法中由于忽略后继结点和邻居结点对于顶点的不同影响而导致的信息损失问题。本发明首先对两个二进制函数进行预处理，得到两个二进制函数的控制流程图(CFG1，CFG2)；然后对CFG中的每个基本块进行特征提取，将其表示成特征向量，生成对应的属性控制流图(ACFG1，ACFG2)；接下来将两个函数的属性控制流程图ACFG1，ACFG2输入到两个完全相同的图嵌入网络中，转换成对应的高维向量。通过最小化目标函数训练图嵌入网络中的参数，计算两个高维向量的余弦距离，输出两个二进制函数的相似度。提高了二进制函数相似性检测的准确率。
-
公开(公告)号：CN113221872B
公开(公告)日：2022-09-20
申请号：CN202110607067.1
申请日：2021-05-28
Applicant: 北京理工大学
Abstract: 本发明涉及生成对抗网络与多模态融合的假新闻检测方法，属于机器学习领域。主要为了解决单模态假新闻检测特征不足，多模态假新闻检测中不同模态特征之间异质性较大且拼接方式简单，模型训练过程局限于单一数据集，导致假新闻检测准确率和模型泛化性低下的问题。本发明首先需要训练条件生成对抗网络，该网络可以根据输入图片输出描述图片的文本特征；然后提取新闻的文本特征和图片特征，使用条件生成对抗网络将新闻图片特征转化为文本特征，将新闻文本特征、描述新闻图片的文本特征和新闻的图片特征进行张量融合；最后，将融合的特征输入神经网络得到新闻真实性的分类结果。
-
-
-
-
-
-
-
-
-
Search Results
232
records
(took 0.054 seconds)
