-
公开(公告)号：CN110555018A
公开(公告)日：2019-12-10
申请号：CN201910687642.6
申请日：2019-07-29
Applicant: 浙江工业大学
IPC: G06F16/215 , G06Q10/04 , G08G1/01
Abstract: 一种道路交通流量的预测方法，对路况历史交通信息进行采样，构建交通网络模型；基于历史交通信息提出一种缺失数据补齐的方法，根据行程时间构建可达矩阵，以可达矩阵为卷积核进行图卷积，提取特征；根据提取特征和采集的交通数据训练递归神经网络，得到流量预测模型；基于实时采样交通数据，输入预训练好的预测模型，过程中得到新的误差结果，动态训练模型。本发明中的可达矩阵可减少不必要的空间搜索，提高时空关系发掘效率，提高了道路交通流量数据缺失较多和预测时长较长情况下的道路交通流量预测准确性。
-
公开(公告)号：CN110516086A
公开(公告)日：2019-11-29
申请号：CN201910627545.8
申请日：2019-07-12
Applicant: 浙江工业大学
IPC: G06F16/483 , G06N3/04 , G06N3/08
Abstract: 一种基于深度神经网络影视标签自动获取方法，包括以下步骤：步骤1：收集电影的台词，构建台词数据集；步骤2：收集电影原声，构建声音数据集；步骤3：在相关影视平台收集其所生成的标签，构建电影标签数据集；步骤4：构建基于电影台词的自动打标签模型；步骤5：采用共享节点的CNN-LSTM算法构建基于电影原声的自动打标签模型；步骤6：融合步骤4与步骤5所提及的两种模型。本发明提出一种基于深度神经网络影视标签自动获取方法，采用了以卷积神经网络和循环神经网络为代表的深度学习算法，主要针对电影，利用电影在时间上的相关性从电影的台词文本、音频信号等原始信息中提取出高层抽象属性。
-
公开(公告)号：CN110175634A
公开(公告)日：2019-08-27
申请号：CN201910371124.3
申请日：2019-05-06
Applicant: 浙江工业大学
Abstract: 一种基于扰动子图的网络隐私保护方法，在谱最大化算法的基础上通过某种方式将网络进行处理得到多个种群，对于种群的操作，本发明包括两个方面：第一个方面是对单一种群进行操作得到相应目标的扰动子图数据库；第二个方面是对不同种群进行操作得到相应目标的扰动子图数据库。本发明能够根据对应网络生成相应目标的扰动子图数据库，实现网络社交隐私的保护。
-
公开(公告)号：CN108763271A
公开(公告)日：2018-11-06
申请号：CN201810304697.X
申请日：2018-04-08
Applicant: 浙江工业大学
CPC classification number: G16H50/70
Abstract: 一种结合二分网络和文本的医院科室相似性分析方法，包括以下步骤：步骤1：收集关于医生多点执业的行为数据，构建医生‑科室二分网络；步骤2：根据医生‑科室二分网络，计算科室与科室之间的网络相似性；步骤3：基于ratio文本相似性算法，计算科室与科室之间的文本相似性；步骤4：将科室与科室之间的网络相似性与文本相似性相结合，进行科室相似性分析。本发明构建医生‑科室二分网络，计算科室与科室之间的网络相似性，基于ratio文本相似性算法，计算科室与科室之间的文本相似性，将科室与科室之间的网络相似性与文本相似性相结合，进行科室相似性分析。后续能够实现根据科室相似性情况对各城市的科室排名情况等进行分析。
-
公开(公告)号：CN108710576A
公开(公告)日：2018-10-26
申请号：CN201810537415.0
申请日：2018-05-30
Applicant: 浙江工业大学
CPC classification number: G06F11/3608 , G06N3/084
Abstract: 本发明公开了一种基于异构迁移的数据集扩充方法，包括：首先，基于视图对源项目数据集进行分割，并基于神经网络对视图生成的各数据集之间训练得到异构迁移模型；然后，对大量的无类标数据，采用同样的视图分割方式生成各个视图，将视图投入异构迁移模型生成基于该视图生成的其他视图，经过组合后可以得到与源项目数据集格式相同的拟真样本；接着，利用源项目的各个视图训练各自的视图分类器；对由异构迁移模型生成的视图打上类标并给出置信度，综合各个分类器的置信度筛选出质量高的拟真样本的k个对源项目数据集进行扩充；最后，上述过程进行多次迭代，利用扩充后的源项目数据集训练生成软件缺陷预测模型进行缺陷预测。
-
Patent Agency Ranking
公开(公告)号：CN108520268A
公开(公告)日：2018-09-11
申请号：CN201810192584.5
申请日：2018-03-09
Applicant: 浙江工业大学
IPC: G06K9/62
Abstract: 一种基于样本选择和模型进化的黑盒对抗性攻击防御方法，包括以下步骤：1)用样本选择器从多类样本中随机选择部分样本输入到各种攻击模型中，生成大量对抗样本。2)计算对抗样本的攻击效果，分析不同输入样本和攻击模型的攻击效果。3)根据攻击效果，更新攻击模型和样本选择器中不同样本选择的个数，使得新生成地对抗样本具有更好的攻击效果；同时更新对抗样本池，保存攻击效果最好的几个对抗样本，在迭代结束之后，输出池中攻击效果最好的对抗样本作为本次进化的最终结果。4)将大量的训练的输出结果和正常的样本进行训练，即可对该类攻击进行防御。本发明能提升黑盒模型的防御能力。
-
公开(公告)号：CN108256685A
公开(公告)日：2018-07-06
申请号：CN201810057082.1
申请日：2018-01-22
Applicant: 浙江工业大学
Abstract: 一种基于多元线性回归模型的医院后勤运送时间预测方法，通过对医院后勤数据的分析以及现场实际情况的调研，提取出影响运送时间的指标因素，如运送任务的执行工具，所跨楼宇之间间距，所跨越楼层数，间隔科室编号之差等指标进行多元线性回归分析。再加入由以往运送任务数据集量化得出的时段繁忙程度指标作为自变量加入函数拟合，能进一步提高预测精度。本发明的方法为：根据以往数据集量化得出的时段繁忙程度指标，借助线性回归方法建立预测模型。本发明通过对运送执行工具，所跨楼宇之间间距，所跨越楼层数，间隔科室号之差等指标因素的分析，加上量化得出的时段医院繁忙程度指标，从而可以较为精准的预测后勤员工运送任务时间。
-
公开(公告)号：CN105430650A
公开(公告)日：2016-03-23
申请号：CN201510724639.9
申请日：2015-10-29
Applicant: 浙江工业大学
Abstract: 一种基于免疫机制的无线传感器网络攻击协同检测方法，包括如下步骤：1)建立云数据中心、云计算节点和WSN三层协同检测模型；2)自动识别未知攻击的检测器培育和更新，云端计算节点通过与云端数据中心协同，实现基于T/B免疫细胞的T/B检测器培育和更新，以及T/B检测器的协同检测，过程如下：(i)T检测器培育和更新算法：(ii)B检测器培育和更新：(iii)T/B检测器协同检测算法；3)建立资源受限终端检测器快速检测与轻量存储模型。本发明提供了一种快速性良好、有效性良好的基于免疫机制的无线传感器网络攻击协同检测方法。
-
公开(公告)号：CN119964053A
公开(公告)日：2025-05-09
申请号：CN202510040324.6
申请日：2025-01-10
Applicant: 浙江工业大学
IPC: G06V20/40 , G06V10/80 , G06V10/774 , G06V10/82
Abstract: 一种基于多模态特征融合的深度伪造音视频细粒度检测方法和装置，包含一个基于多模态特征融合辅以注意力机制的神经网络模型，从单一模态和跨模态两个维度，分别对近距离的特征相似信息和远距离的特征差异信息进行整合分析，输出细粒度检测结果，其方法包括：首先，获取说话人伪造音视频数据集并进行数据预处理，用于模型的训练；然后构建本发明提出的神经网络模型，并训练至拟合；将待检测音视频进行相同的预处理操作后，输入训练完成的神经网络模型进行处理，最后由模型输出细粒度检测结果。本发明能解决对当前说话人深度伪造音视频缺乏精确细粒度检测方法的问题。
-
公开(公告)号：CN119922225A
公开(公告)日：2025-05-02
申请号：CN202510083938.2
申请日：2025-01-20
Applicant: 浙江工业大学
IPC: H04L67/306 , H04L67/12 , G06F16/9535 , G06F16/9536 , G06Q30/0251 , G06N3/0442
Abstract: 一种社交智能体装置及其集群控制方法和装置，其中方法包括：统计互联网平台用户不同群体，构建对应用户特征画像；依据互联网用户特征画像，对部署至集群上的智能体进行用户画像养成，得到带有偏好的智能体；基于BS架构对所述智能体创建信息消费活动任务；采集由智能体活动所产生的信息消费数据。本发明通过智能体画像养成与任务调度优化，提高了社交智能体的拟真度和集群控制效率。智能体行为更加多样化、自然，能够更真实地模拟用户互动。集群控制机制响应迅速、灵活，数据同步和任务分配更加高效，解决了现有技术中智能体行为单一、集群控制缓慢、数据处理复杂、无法实时反馈等问题，提升了信息传播效率和社交平台活跃度。
-
-
-
-
-
-
-
-
-
Search Results
108
records
(took 0.023 seconds)
