-
公开(公告)号：CN117972370A
公开(公告)日：2024-05-03
申请号：CN202410092849.X
申请日：2024-01-23
Applicant: 杭州市滨江区浙工大网络空间安全创新研究院 , 哈尔滨工程大学
Abstract: 本发明提出一种基于信号识别的机器学习模型测评方法，该方法结合模型的特性和电磁领域特性，构建多层次评估指标结构模型，根据不同电磁环境场景选择需要进行测试的模型，确定不同的评估指标和度量层次，提供合理的测评技术策略，对模型不同度量层次下质量性能进行测评。本发明为信号识别领域下机器学习模型质量测评提供全面合理的指标体系，能够对目标机器学习模型的分类性能、鲁棒性、安全性、复杂性、工程效率等方面进行全面的评估。
-
公开(公告)号：CN117972402A
公开(公告)日：2024-05-03
申请号：CN202410093129.5
申请日：2024-01-23
Applicant: 哈尔滨工程大学 , 杭州市滨江区浙工大网络空间安全创新研究院
IPC: G06F18/2131 , G06F18/2135 , G06F18/214 , G06F21/57
Abstract: 本发明提出一种针对电磁信号识别模型的后门攻击方法，本发明分析了AMC面临后门攻击的安全威胁，并对后门攻击的投毒、训练和触发过程，定义了威胁模型；本发明提出了基于DWT和SVD的后门攻击隐写算法，提取了秘密样本的小波域不同频率特征，将其作为后门触发器注入到良性样本中，实现了不可见的、触发器与样本有关的高效后门攻击；本发明的核心在于采用小波域的特征提取与主成分分析的方法，将后门触发器的可见性隐藏到特征级别，并保证了每个毒化样本的后门触发器都与毒化前的良性样本有关，进一步增加了后门的隐蔽性。
-
公开(公告)号：CN118051815A
公开(公告)日：2024-05-17
申请号：CN202410092995.2
申请日：2024-01-23
Applicant: 杭州市滨江区浙工大网络空间安全创新研究院 , 哈尔滨工程大学
IPC: G06F18/241 , G06F18/214 , G06N3/0442 , G06N3/045 , G06N3/0455 , G06N3/0464
Abstract: 本发明提出一种用于调制信号识别的对抗样本检测与还原方法，所述方法基于自编码器检测与还原框架，引入重构误差和KL散度两路检测，通过设置阈值完成对对抗样本的检测与还原。所述方法中新颖的自编码器AE检测框架能够高效提取输入样本的深层特征，新型AE还原器结构能够有效将复杂的对抗样本有效地还原至模型的决策边界内，两种阈值选择方法增强抵御对抗样本攻击的能力。所述方法可以与任何深度学习模型相结合，能够减轻由对抗样本引起的深度学习模型的性能下降问题。
-
公开(公告)号：CN117938596A
公开(公告)日：2024-04-26
申请号：CN202410092632.9
申请日：2024-01-23
Applicant: 哈尔滨工程大学 , 杭州市滨江区浙工大网络空间安全创新研究院
Abstract: 本发明提出一种基于解耦Hilbert‑Schmidt信息瓶颈DHSIB的自动调制分类对抗防御方法，所述方法从互信息的角度分析了AMC模型中间表征中的任务相关和任务无关特征，给出了任务无关特征对对抗鲁棒性影响的解释。本发明针对AMC模型，提出一种对抗防御系统模型，此外描述了频谱监测场景的威胁模型，并且在实验中使用直接攻击方法。
-
公开(公告)号：CN117746163A
公开(公告)日：2024-03-22
申请号：CN202410098174.X
申请日：2024-01-23
Applicant: 哈尔滨工程大学 , 杭州市滨江区浙工大网络空间安全创新研究院
IPC: G06V10/764 , G06V10/40 , G06V10/82 , G06V10/52 , G06F18/10 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 一种基于多尺度视觉Transformer的雷达工作模式识别方法，它涉及一种雷达工作模式识别方法。本发明为了解决传统雷达工作模式识别算法全局特征提取能力差，识别功能泛化性差的问题。本发明使用CWD时频变换将雷达脉冲信号转化为时频图，并对样本进行了长度一致化处理，有利于深度学习模型充分提取信号的时频演化规律；该发明采用基于Biformer的多尺度特征提取网络，引入了分层的双层路由注意力机制，可以更好地在捕捉雷达信号时频图的全局和局部特征，能够在有效降低算法的复杂度的同时取得更高的识别准确率。本发明属于数字信号处理技术领域。
-
Patent Agency Ranking
公开(公告)号：CN118050291A
公开(公告)日：2024-05-17
申请号：CN202410161885.7
申请日：2024-02-05
Applicant: 杭州市滨江区浙工大网络空间安全创新研究院
IPC: G01N15/075 , G06V10/766 , G06V10/82
Abstract: 一种基于变分估计增强的夜间PM2.5估计方法和装置，其方法包括：S1.通过摄像设备捕获光源图像，定位光源中心并将其分割若干扇形/扇环图块；S2.依据S1中获得的图块逐个进行异常值剔除，随后计算剩余像素值的统计量并进行分布估计；S3.依据S2中获得的图块像素分布逐个进行采样，不同图块的采样结果拼接后构成光源特征向量，通过对单张图像的多次采样实现数据增强；S4.设计一维卷积神经网络对增强后的数据进行训练，真实PM2.5作为标签，预测值为单张图像对应的多个样本的模型预测均值。本发明通过变量分布估计的方式实现数据增强，避免为大量数据的获取付出代价。
-
公开(公告)号：CN117828667A
公开(公告)日：2024-04-05
申请号：CN202410002073.8
申请日：2024-01-02
Applicant: 杭州市滨江区浙工大网络空间安全创新研究院 , 新疆屏翰网络和数据安全产业创新研究院有限公司
IPC: G06F21/62 , G06F18/241 , G06F18/2415 , G06N3/0455
Abstract: 本发明公开了一种基于大模型的智能数据敏感性检测方法及系统，属于敏感信息检测技术领域。本发明在对文本数据进行初步评估后，根据不同识别难度确立实施分阶段的敏感数据识别，将整个敏感数据识别流程划分为两个独立但相互关联的阶段，通过调节难样本阈值来约束两个阶段识别的不同数据分布，旨在数据交互中实现敏感信息的实时分类和检测。本发明技术通过整合领先的大模型算法，精确分析不同复杂性的文本数据，从而增强数据安全性，有助于在数字环境下实时对文本数据进行深层次的敏感信息挖掘，有效应对数字化时代普遍的安全风险，增强数据交换的安全保障。
-
公开(公告)号：CN117110160A
公开(公告)日：2023-11-24
申请号：CN202311084664.6
申请日：2023-08-28
Applicant: 杭州市滨江区浙工大网络空间安全创新研究院
Abstract: 本发明公开了一种基于多数据融合的夜间PM2.5监测方法及系统，涉及空气质量监测技术领域，包括：获取原始夜间图像，定位其中光源中心点并获取光源图块；将光源图块中光源中心点作为原点，建立二维极坐标系，将光源图块映射到二维极坐标系中，蛛网状网格划分光源图块像素，获取光源图块特征向量；创建随机森林模型，将光源图块特征向量与环境参数结合作为总特征向量；环境中PM2.5真实值读数作为标签；对随机森林模型进行训练；对待检测原始夜间图像进行光源图块特征向量提取，再带入训练好的随机森林模型获取夜间PM2.5含量。本发明解决了现有技术中PM2.5监测方面空间细粒度和监测精度低的技术问题。
-
公开(公告)号：CN118333764A
公开(公告)日：2024-07-12
申请号：CN202311720151.X
申请日：2023-12-14
Applicant: 杭州市滨江区浙工大网络空间安全创新研究院
IPC: G06Q40/06 , G06Q40/04 , G06F18/27 , G06F18/2433 , G06F18/214 , G06F18/21 , G06N3/0442 , G06N3/0455 , G06N3/084 , G06N3/0985 , G06N3/048
Abstract: 本发明公开了一种基于多粒度数据对比学习的虚拟货币价格波动预警方法、系统及可存储介质，涉及虚拟货币价格波动预警技术领域，其中方法包括以下步骤：获取虚拟货币历史价格数据，并对所述虚拟货币历史价格数据进行预处理，得到对应的训练集、测试集以及验证集；构建并改进虚拟货币趋势预测模型；将训练集、测试集以及验证集输入至所述虚拟货币趋势预测模型进行训练、测试及验证，完成后利用所述虚拟货币趋势预测模型进行虚拟货币价格预测；当预测结果不符合预设阈值要求时，进行报警提示；本发明提高虚拟货币价格预警的准确性，帮助投资者更好地理解市场变化和做出明智的投资决策。
-
公开(公告)号：CN116579408A
公开(公告)日：2023-08-11
申请号：CN202310612972.5
申请日：2023-05-29
Applicant: 杭州市滨江区浙工大网络空间安全创新研究院
IPC: G06N3/082 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于模型结构冗余度的模型剪枝方法及系统，涉及计算机视觉和神经网络技术领域，包括：S1：训练图像分类模型，作为样本模型；S2：提取模型特征表示，得到样本模型的中间表示，设置模型结构冗余度阈值；S3：计算相邻层的模型结构冗余度；S4：根据计算出的模型结构冗余度和设定的模型结构冗余度阈值对样本模型进行剪枝操作，得到剪枝后模型；S5：将样本模型与剪枝后模型应用于后续分类任务，对比二者的分类精度。本发明为深度学习模型提出了一种新的测试度量，它提供了模型结构冗余程度的定量评估，并以此设计了一种新的层修剪方法，在消除结构冗余的同时，获得具有高准确率剪枝后的模型。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.053 seconds)
