-
公开(公告)号：CN119788307A
公开(公告)日：2025-04-08
申请号：CN202411683514.1
申请日：2024-11-22
Applicant: 中北大学
IPC: H04L9/40 , G06N3/0464
Abstract: 本发明属于网络入侵检测技术领域，旨在解决网络入侵检测中信息利用不充分、特征维度不完整的问题。提供了一种N‑gram频率和融合改进算法的网络入侵检测方法，包括以下步骤：获取原始网络数据流量包，并将其分割为若干独立的初始会话；将数据包中的包头信息、有效载荷和时间戳进行分别提取；将同一数据包中提取出的包头信息、有效载荷和时间戳组成一数据包集合；同一会话中的所有数据包集合组成一完整会话；提取完整会话的包头特征、有效载荷特征和时间特征，得到一特征序列；并对特征序列进行深层次特征提取，得到深层次会话特征；基于深层次会话特征进行网络数据流量检测结果分类。本发明提取的特征集完整且具有更高的分类精度。
-
公开(公告)号：CN105050099A
公开(公告)日：2015-11-11
申请号：CN201510424643.3
申请日：2015-07-17
Applicant: 中北大学
Abstract: 本发明提供了一种分布式无线传感器网络边界节点识别方法，方法利用DSCS技术识别传感器网络中的边界节点，方法可应用于功能、传感和通信范围相同的匀质或不同的非均匀无线传感器网络。该方法过程如下：(1)节点自主收集网络中邻居信息；(2)每一节点以自己为圆心建立笛卡尔坐标系并计算其邻居节点的绝对角；(3)以绝对角升序排列邻居节点；(4)利用DSCS识别边界节点。本发明解决了传统无线传感器网络边界节点识别精度低的技术难题，将无线传感器网络边界节点识别问题分解为一个节点的传感扇区边缘覆盖问题，有效降低了算法复杂度，减少了运行时间和边界节点识别过程中节点间的通信与能量消耗，提高了识别精度。
-
公开(公告)号：CN119904762A
公开(公告)日：2025-04-29
申请号：CN202411799130.6
申请日：2024-12-09
Applicant: 中北大学
Abstract: 本发明属于无人机航拍目标检测领域，旨在解决航拍图像中小目标存在分辨率低、背景复杂、特征不足和定位不准的问题。提供了一种基于无人机航拍的图像特征识别方法，构建YOLOv8网络模型，将主干网络中的C2f模块替换为C2f_RFG模块，在颈部网络中添加轻量化跨尺度特征融合网络结构LCCFN以重组PANet结构，并在原有的检测头基础上新增小目标检测头，在每个检测头前加入SWS注意力机制，将边框损失函数由CIoU替换为WiseIoU，得到RGCS‑YOLOv8n模型；将RGCS‑YOLOv8n模型部署在无人机设备上，获取不同场景下的小目标检测结果。本发明能够提高无人机检测的精度，降低无人机航拍图像小目标检测漏检率和误检率。
-
公开(公告)号：CN105357732B
公开(公告)日：2018-08-24
申请号：CN201510915450.8
申请日：2015-12-10
Applicant: 中北大学
Abstract: 本发明提供了一种不依赖位置信息的无线传感器网络边缘节点识别方法，首先确定当前节点1跳邻居节点和2跳邻居节点，确定当前节点的2跳邻居，1跳和2跳邻居的合集是否能组成闭合环，确定闭合环中控制节点的最短路径树T，若T深度小于3则当前节点为边缘节点，否则压缩闭合环，若压缩后的闭合环包含当前节点的2跳邻居节点，则当前节点判断为边缘节点。本发明利用节点连接信息和节点环绕包围的思想能够精确识别无线传感器网络中的边界节点，实现了在无节点坐标位置信息的情况下基于节点之间的连接信息识别无线传感器网络的网络边缘和覆盖空洞的边缘节点，解决了传统识别算法需要节点位置信息的缺陷，识别精度达到90％以上。
-
公开(公告)号：CN119903546A
公开(公告)日：2025-04-29
申请号：CN202411797183.4
申请日：2024-12-09
Applicant: 中北大学
IPC: G06F21/62 , G06V10/774 , G06V10/776 , G06V10/44 , G06V10/82 , G06N3/0464
Abstract: 本发明属于网络安全领域，旨在解决深度学习模型训练中存在未经授权者随意利用个人数据的问题。提供了一种防止投毒攻击的图像保护方法，包括以下步骤：获取目标类别数据集；提取目标类别数据集中不同类别的主导图像特征；将不同类别的主导图像特征作为扰动，对应添加至源类别数据集中的部分原始图像中，得到的中毒图像；将中毒图像随机插入源类别数据集中，替换相同数量的原始图像，得到中毒数据集；基于中毒数据集训练待投毒攻击的深度学习模型，并使用未中毒的源类别数据集进行模型验证；基于模型验证结果判断投毒攻击是否有效。本发明所提出的方法能够显著降低深度学习模型的准确率，从而有效遏制了未经授权方对数据的滥用。
-
Patent Agency Ranking
公开(公告)号：CN105072631B
公开(公告)日：2018-08-17
申请号：CN201510423338.2
申请日：2015-07-17
Applicant: 中北大学
CPC classification number: Y02D70/00
Abstract: 本发明提供了一种分布式无线传感器网络覆盖空洞识别方法，在边界节点集中以一个点为起始点在其1跳或2跳邻居节点中检索符合绝对角要求的后继，若搜索不到符合要求的后继则改变方向继续检索，在此过程中若后继为2跳邻居则插入最近公共1跳邻居，重复以上过程直到边界节点集为空，得到无线传感器网络的覆盖空洞。本发明解决了目前无线传感器网络中覆盖空洞识别精度低，能耗要求高的技术难题，将覆盖空洞的识别问题转化为环绕其的边界节点识别和聚类问题，有效降低了算法复杂度，减少了运行时间和覆盖空洞识别过程中节点间的通信与能量消耗，提高了识别精度。
-
公开(公告)号：CN105072631A
公开(公告)日：2015-11-18
申请号：CN201510423338.2
申请日：2015-07-17
Applicant: 中北大学
CPC classification number: Y02D70/00 , H04W24/02 , H04W52/0209
Abstract: 本发明提供了一种分布式无线传感器网络覆盖空洞识别方法，在边界节点集中以一个点为起始点在其1跳或2跳邻居节点中检索符合绝对角要求的后继，若搜索不到符合要求的后继则改变方向继续检索，在此过程中若后继为2跳邻居则插入最近公共1跳邻居，重复以上过程直到边界节点集为空，得到无线传感器网络的覆盖空洞。本发明解决了目前无线传感器网络中覆盖空洞识别精度低，能耗要求高的技术难题，将覆盖空洞的识别问题转化为环绕其的边界节点识别和聚类问题，有效降低了算法复杂度，减少了运行时间和覆盖空洞识别过程中节点间的通信与能量消耗，提高了识别精度。
-
公开(公告)号：CN119904665A
公开(公告)日：2025-04-29
申请号：CN202411797179.8
申请日：2024-12-09
Applicant: 中北大学
IPC: G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464
Abstract: 本发明属于中草药识别领域，为解决目前在中草药识别方面缺乏有效的识别分类手段，提供了一种基于图像处理的中草药分类识别方法，通过基于多尺度大核注意力MAB模块和大核尾部注意力LKAT模块构建MABs注意力模块；构建MViT‑k模块，并基于所述MABs注意力模块构建RMF多尺度注意力模块；将所述RMF多尺度注意力模块加入主干网络MobileViT中的MV2块和1×1卷积层之间，构建MobileVit‑RMF网络；获取待测中草药图像张量，将所述待测中草药图像张量输入所述MobileVit‑RMF网络中进行分类识别，得到中草药分类结果，本发明构建的MobileViT‑RMF网络在实现高识别精度的同时，能够有效管理计算资源，从而提供良好的运行效率，适应多样化的应用需求。
-
公开(公告)号：CN113946677B
公开(公告)日：2024-06-14
申请号：CN202111071418.8
申请日：2021-09-14
Applicant: 中北大学
IPC: G06F18/2415 , G06F16/35 , G06N3/045 , G06N3/0442 , G06N3/08
Abstract: 本发明公开一种基于双向循环神经网络和注意力机制的事件识别分类方法。通过爬虫框架获取指定网站平台上信息，提取网页中文本型数据并保存，随后通过人工标注的方式给数据集打上类别标签，并将其划分为训练集数据和测试集数据；将训练集数据清洗、文本分块和分词；对文本序列化，经过预训练的词向量模型进行特征提取，将每一行文本对应的数字序列转化词向量序列，构造embedding层；构造BiLSTM‑attention多分类模型，将embedding层作为输入加载到模型进行训练，最终实现事件识别与分类。本发明实现了事件识别与分类，能够以更小的颗粒度捕捉到对事件很有影响的语料，减少噪音对分类模型的不良影响，提高模型分类的准确率。
-
公开(公告)号：CN113946677A
公开(公告)日：2022-01-18
申请号：CN202111071418.8
申请日：2021-09-14
Applicant: 中北大学
Abstract: 本发明公开一种基于双向循环神经网络和注意力机制的事件识别分类方法。通过爬虫框架获取指定网站平台上信息，提取网页中文本型数据并保存，随后通过人工标注的方式给数据集打上类别标签，并将其划分为训练集数据和测试集数据；将训练集数据清洗、文本分块和分词；对文本序列化，经过预训练的词向量模型进行特征提取，将每一行文本对应的数字序列转化词向量序列，构造embedding层；构造BiLSTM‑attention多分类模型，将embedding层作为输入加载到模型进行训练，最终实现事件识别与分类。本发明实现了事件识别与分类，能够以更小的颗粒度捕捉到对事件很有影响的语料，减少噪音对分类模型的不良影响，提高模型分类的准确率。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.017 seconds)
