-
公开(公告)号：CN120030907A
公开(公告)日：2025-05-23
申请号：CN202510207797.0
申请日：2025-02-25
Applicant: 同济大学
IPC: G06F30/27 , G06F17/10 , G06N3/092 , G06F111/10
Abstract: 本发明涉及一种基于强化学习的腔内激光系统性能优化方法、装置及存储介质。该方法基于腔内激光系统输出功率的解析表达式，利用预设的强化学习算法对腔内激光系统的关键参数进行优化；其中，解析表达式为预先设置的，并且在强化学习算法中，状态由当前系统的输出功率及关键输入参数特征表示，动作定义为对关键输入参数的调整，奖励函数以输出功率的提升为核心目标。与现有技术相比，本发明具有最大化腔内激光系统输出功率、实现对激光系统关键参数的高效优化等优点。
-
公开(公告)号：CN118607617A
公开(公告)日：2024-09-06
申请号：CN202410702370.3
申请日：2024-06-02
Applicant: 同济大学
IPC: G06N3/098 , G06F18/2321 , G06F21/56
Abstract: 本发明提供一种基于OPTICS算法的跨轮次对抗后门恶意攻击的联邦机器学习方法。该方法通过OPTICS聚类，在每一轮迭代中对参与聚合的节点的节点梯度进行区分，并按照聚类结果对参训节点进行排序。在此基础上，引入信用分概念，每一轮聚合中，排序靠后的节点减分，靠前的节点加分，以此来实现跨迭代轮次的节点比较。信用分低于一定阈值的节点，将被排除在联邦梯度聚合的计算过程之外，其余节点正常参与聚合计算。计算得到新的全局参数后，服务器将新的全局参数下发给所有用户，每个用户根据接收到的中心模型参数进行下一轮的模型参数训练。相比于其他联邦学习算法，本方法可实现跨轮次地对后门恶意攻击者的识别，并消除其影响。
-
公开(公告)号：CN117528547A
公开(公告)日：2024-02-06
申请号：CN202311569706.5
申请日：2023-11-22
Applicant: 同济大学
Abstract: 本申请涉及无线通信技术领域，具体而言，涉及一种最大化上行系统容量的去蜂窝组网方法、装置及电子设备，一定程度上可以解决去蜂窝大规模MIMO网络所有基站互相协作将产生极高的数据处理复杂度和信令开销,且制约了网络的整体能效的问题。该方法包括：构建基于网络二分图模型的大规模去蜂窝通信网络信号模型及上行容量模型；基于系统复杂度分析，设计单个子网中协同传输复杂度约束条件；设计基于层次二分的去蜂窝组网框架；构造每次迭代中网络二分的优化问题；通过迭代求解所述优化问题实现协同传输复杂度约束下最大化上行系统容量的去蜂窝组网，在控制单个子网中基站协同传输复杂度在可接受范围内的同时最大化上行系统容量。
-
公开(公告)号：CN117131537A
公开(公告)日：2023-11-28
申请号：CN202310969161.0
申请日：2023-08-02
Applicant: 同济大学
Abstract: 本发明属于人工智能安全领域，提出了一种联邦学习中基于秘密共享的模型聚合方法，包括如下步骤：步骤1，中心服务器选取参与迭代训练的客户端，并下发一个初始全局模型参数；步骤2，在每轮迭代训练中，中心服务器为每个参与本轮训练的客户端分配一个非零参数，客户端将本轮训练出的本地模型参数构建成关于这些非零参数的秘密多项式；步骤3，每个客户端将秘密多项式值发送给其它客户端，客户端将所有与自身非零参数相关的多项式值相加，并将得到的和值传给中心服务器；步骤4，中心服务器构建方程组，求解得到本轮训练的聚合模型参数。本方法能够有效防止客户端本地模型被其他方获取，降低客户端本地数据被泄露的风险。
-
公开(公告)号：CN116402124A
公开(公告)日：2023-07-07
申请号：CN202310088967.9
申请日：2023-02-09
Applicant: 同济大学
Abstract: 本发明提供一种基于自监督学习的联邦机器学习方法。该方法提出一种联邦学习通用架构，将机器学习模型总体结构分为编码器、映射头和预测头三部分。其中编码器可为任意通用网络架构，如CNN、ResNet等；预测头为一层全连接层；映射头部分由线性层、Batch Normalization(BN)层、relu激活函数及另一个线性层组成。客户端进行本地训练时，计算本地模型与全局模型经过映射头输出后两者之间的余弦相似度，并将此项引入本地模型训练的损失函数中，缩小全局模型输出与本地模型输出之间的差距，以此缓解数据异质性对联邦学习精度的不利影响。
-
Patent Agency Ranking
公开(公告)号：CN113573305B
公开(公告)日：2023-05-12
申请号：CN202110886329.2
申请日：2021-08-03
Applicant: 同济大学
Abstract: 一种无线协作定位中的位置隐私保护方法，该方法根据无线网络中某个用户位置隐私泄露的风险值，有参考地对发送给该用户的定位数据进行加密，包括步骤：发送给某个用户的定位数据未加密，应对窃听者通过该用户定位测量数据的分布获取其位置信息；在窃听选择的窃听方式下，利用用户位置估计值的费希尔信息矩阵，计算出该用户位置隐私泄露的风险值；根据每个用户位置隐私泄露的风险值，为发送给该用户的定位数据设置不同的位置差分隐私加密因子，用该因子作为拉普拉斯机制的加密参数，采用拉普拉斯机制对发送给该用户的定位数据进行加密。该方法避免了因盲目过度的噪声添加而导致数据的可用性降低，提高了定位结果的准确性。
-
公开(公告)号：CN113573305A
公开(公告)日：2021-10-29
申请号：CN202110886329.2
申请日：2021-08-03
Applicant: 同济大学
Abstract: 一种无线协作定位中的位置隐私保护方法，该方法根据无线网络中某个用户位置隐私泄露的风险值，有参考地对发送给该用户的定位数据进行加密，包括步骤：发送给某个用户的定位数据未加密，应对窃听者通过该用户定位测量数据的分布获取其位置信息；在窃听选择的窃听方式下，利用用户位置估计值的费希尔信息矩阵，计算出该用户位置隐私泄露的风险值；根据每个用户位置隐私泄露的风险值，为发送给该用户的定位数据设置不同的位置差分隐私加密因子，用该因子作为拉普拉斯机制的加密参数，采用拉普拉斯机制对发送给该用户的定位数据进行加密。该方法避免了因盲目过度的噪声添加而导致数据的可用性降低，提高了定位结果的准确性。
-
公开(公告)号：CN114302321B
公开(公告)日：2022-10-14
申请号：CN202111483695.X
申请日：2021-12-07
Applicant: 同济大学
IPC: H04W4/02 , H04W4/029 , H04W12/04 , H04W12/069
Abstract: 本发明提供一种隐藏锚节点位置信息的隐私保护定位方法。该方法使用密钥共享技术，使锚节点的位置信息在无线定位过程中无法被其他节点包括服务器获知。在定位过程中，服务器为每个锚节点分配一个非零参数，每个锚节点将包含自身位置信息的隐私输入构建成对应于每个锚节点的非零参数的密钥多项式，并将多项式的数值发布给对应的其他锚节点；每个锚节点将从其他锚节点处接收到的所有多项式数值求和后发送给服务器；服务器根据接收到的数值构建方程组，进一步求解得到待定位节点的位置坐标。本发明通过密钥共享技术，可以有效地保护无线网络定位系统中锚节点的位置隐私安全，避免因位置泄露而导致的不可估量的后果。
-
公开(公告)号：CN114331884B
公开(公告)日：2025-03-18
申请号：CN202111581296.7
申请日：2021-12-22
Applicant: 同济大学
Abstract: 本发明提出了基于结构相似性的扩展块稀疏贝叶斯学习图像去噪方法，包括步骤：读取数据集中特定含噪声的自然图像Y，并对该图像进行预处理；针对该目标图像，构建适用于该图像的DCT字典#imgabs0#所述DCT字典是对图像进行DCT余弦变换时所采用的变换矩阵；根据初始化后的去噪后的图像X和DCT字典D，对图像进行去噪还原。本发明采用EBSBL算法将图像块视为一维信号，构建了该图像块的块稀疏系数相关性，并在块稀疏结构已知或未知时，恢复块稀疏信号，实现增强图像去噪的目的，同时由于稀疏表示本身具备的优秀信号恢复性能，使得本发明所提算法在图像质量恢复上也取得了良好的效果。
-
公开(公告)号：CN119364376A
公开(公告)日：2025-01-24
申请号：CN202411470870.5
申请日：2024-10-21
Applicant: 同济大学
Abstract: 本发明提出了一种基于进化谱聚类的动态分簇去蜂窝组网方法，该方法首先考虑去蜂窝网络的下行场景，并考虑用户的移动性，构建了用户的随机路点移动模型以及分簇去蜂窝网络的系统模型；其次建模该问题为一个多目标时变平滑的分簇去蜂窝组网问题，推导系统和速率并提出了一种平滑度指标来衡量分簇去蜂窝组网方案的性能；再次引入图论的相关知识，将该问题转换为多目标时变图分割问题；最后基于进化谱聚类的思想，提出了一种时变平滑的分簇去蜂窝组网算法，获得相邻时刻平滑变化的组网方案，在保证一定系统和速率的基础上减少了切换次数，提高了去蜂窝组网的性能。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.021 seconds)
