-
公开(公告)号：CN115424620B
公开(公告)日：2025-05-13
申请号：CN202211040341.2
申请日：2022-08-29
Applicant: 浙江工业大学
IPC: G10L17/04 , G10L17/18 , G10L25/51 , G06F18/241 , G06F18/214 , G06N3/045 , G06N3/08
Abstract: 一种基于自适应触发器的声纹识别后门样本生成方法，首先确定生成器、判别器、分类网络的参数结构，分类网络应能以高精度正确预测样本；其次生成器将语音样本与随机噪声维度拼接，通过编码‑解码网络映射为特定噪声(触发器)，用此噪声样本与干净样本训练判别器；划分预中毒集合，利用预中毒集合产生的中毒样本与干净训练样本训练中毒的分类网络；冻结判别器与分类网络权重，利用它们的输出反馈训练生成器，使产生的触发器兼有高效性与隐蔽性；最后不断重复训练过程直到结果达到预期。本发明训练好的生成器能根据样本自适应的产生不同的触发器，不仅具有高成功率，还有良好的隐蔽性与鲁棒性。
-
公开(公告)号：CN114842257B
公开(公告)日：2025-05-13
申请号：CN202210488306.0
申请日：2022-05-06
Applicant: 浙江工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/096
Abstract: 本发明提供一种基于多模型对抗蒸馏的鲁棒性图像分类方法，包括以下步骤：S1：获取数据集，对复杂模型预训练得到模型T2；S2：根据训练数据集，通过对抗样本生成方法生成对应对抗样本数据；S3：将对抗样本输入复杂模型进行对抗训练，得到模型T2；S4：选择与复杂模型任务相同的轻量化模型作为学生模型S，通过多模型的知识蒸馏框架对学生模型进行蒸馏训练。本发明通过对抗训练和知识蒸馏的方法，实现了一种基于多模型对抗蒸馏的鲁棒性图像分类方法，实现了通过知识蒸馏使学生充分学习不同教师模型的特性，在提高对抗鲁棒性时兼顾精度。
-
公开(公告)号：CN119719887A
公开(公告)日：2025-03-28
申请号：CN202411737058.4
申请日：2024-11-29
Applicant: 浙江工业大学
IPC: G06F18/241 , G06F18/213 , G06F18/10 , G06N3/0455 , G06N3/0499 , G06N3/042 , G06N3/0464 , G06N3/082
Abstract: 一种基于Transformer和递归图的信号调制识别方法和装置，其方法包括：S1：输入的待识别IQ信号首先通过频率选择模块对频率分量实施预处理，通过联合分析IQ通道的频谱信息滤除冗余的频率分量。S2:经过频率选择之后的IQ信号，通过时间延迟嵌入的方法转化为相空间的轨迹向量。轨迹向量每一维的分量就是图的节点特征。S3：将图的节点特征传入具有收缩深度卷积旁路的Transformer架构的图构建和图卷积层进行训练，最终得到调制信号的分类结果。本发明使用相空间递归图将IQ信号映射到图域，并使用自注意力机制减少图卷积的计算复杂度，同时设计了频率选择模块和ShrinkageDWC进一步提升了模型的性能，最终获得了较好的性能并保持参数高效，在不同长度的信号上都有良好的重表征能力。
-
公开(公告)号：CN119312125A
公开(公告)日：2025-01-14
申请号：CN202411190828.8
申请日：2024-08-28
Applicant: 浙江工业大学
IPC: G06F18/24 , G06F18/22 , G06F18/214 , G06F18/2131 , G06N3/084
Abstract: 一种信号调制识别任务下匹配多域分布的数据集合成方法，包括以下步骤：S1：定义训练集和合成数据集；S2：计算训练集信号和合成集信号之间的分布匹配损失；S3：将训练集和合成集中的信号映射到频域；S4：计算频域上训练集信号和合成集信号之间的分布匹配损失；S5：结合S2和S4得到的两个分布匹配损失作为最后的目标函数，通过最小化目标函数得到最优的合成数据集。本发明的方法结合了调制信号的时域和频域信息来进行数据集合成，在较小的合成数据集下仍能训练出一个具有良好分类能力的模型，获得的合成数据集具有较高的压缩率，且在该数据集下训练得到的模型仍然具有较高的分类能力。
-
公开(公告)号：CN111812507B
公开(公告)日：2023-05-02
申请号：CN202010462054.5
申请日：2020-05-27
Applicant: 浙江工业大学
IPC: G01R31/34 , G06F18/213 , G06F18/214 , G06F18/2415 , G06N3/0464
Abstract: 一种基于图卷积的电机故障诊断方法，包括以下步骤：1)划分数据样本：利用傅里叶变换和逆变换将定子电流数据参照单个周期正弦函数划分单位样本的；2)构建电流图网络：在每个单位周期样本中，首先根据电流数值正负以及样本周期将样本划分为两个部分，然后分别确定两个部分中的数据点是否存在联系，并以数据点为节点创建节点关系矩阵，最后根据节点关系矩阵和电流数值波动特征构建电流图网络；3)构建图卷积神经网络并分类：将电流图网络作为模型训练数据，设计图卷积神经网络分类模型，并进行故障分类。本发明大大降低了人的工作量，使用的电流数据获取更为方便。
-
Patent Agency Ranking
公开(公告)号：CN115630683A
公开(公告)日：2023-01-20
申请号：CN202211113362.2
申请日：2022-09-14
Applicant: 浙江工业大学
IPC: G06N3/0455 , G06N3/0442 , G06N3/047 , G06N3/0475 , G06N3/048 , G06N3/094 , G08G1/052 , G08G1/0967 , B60W30/165 , B60W40/105 , B60W40/107
Abstract: 一种基于Transformer‑WGAN的车辆跟驰行为建模方法，包括：获取跟驰场景中多组跟驰车和其前车的状态序列数据，将数据进行预处理使其符合模型输入的数据格式的步骤；建立Transformer网络模型，利用多头自注意力机制学习跟驰场景中车辆状态序列数据中复杂的时序依赖关系，提取驾驶数据中潜在时间特征的步骤；构建生成对抗网络WGAN，使用时间特征数据实现跟驰场景中车辆未来状态预测；将预测结果和真实结果作为由全连接网络构成的判别器的输入，判别器的目的是将预测结果和真实结果区分开，将预测的结果判断为假；通过生成器与判别器的对抗训练后，使判别器难以判定预测的结果为假，使得最小化预测结果和真实结果之间的误差，实现模型准确预测跟驰场景中车辆未来状态。
-
公开(公告)号：CN115358302A
公开(公告)日：2022-11-18
申请号：CN202210956957.8
申请日：2022-08-10
Applicant: 浙江工业大学
Abstract: 一种车辆轨迹预测深度学习模型的鲁棒性增强方法，首先训练得到鲁棒性增强模型，其次以车辆轨迹的历史信息作为鲁棒性增强模型的输入，输出下一帧车辆轨迹作为重构轨迹，计算真实轨迹与重构轨迹之间距离，并根据实验所得检测阈值判断是否存在噪声，以此决定是否替换下一帧轨迹，达到增强车辆轨迹预测深度学习模型鲁棒性的目的，方法在NGSIM数据集上得到验证。
-
公开(公告)号：CN111862592B
公开(公告)日：2021-12-17
申请号：CN202010461193.6
申请日：2020-05-27
Applicant: 浙江工业大学
Abstract: 一种基于RGCN的交通流预测方法，包括以下步骤：步骤1)基于时间序列相似性的准则，对每个道路选出与之相似的道路，构建道路交通网络；步骤2)获取道路交通流数据，对数据进行预处理，构建道路交通流状态矩阵数据集；步骤3)将道路交通网络和道路交通状态矩阵作为基于高斯分布的图卷积层的输入，进而提取道路交通网络的节点特征；步骤4)将基于高斯分布的图卷积层采样后的特征作为回归预测层输入，计算当前输入对应的预测结果；定义模型损失函数，根据损失函数数值利用反向传播算法不断优化模型参数；获取实时交通流数据作为模型输入，实现实时道路交通流的预测。本发明提高了图卷积网络的鲁棒性，从而提高了交通流预测的准确性。
-
公开(公告)号：CN108647834B
公开(公告)日：2021-12-17
申请号：CN201810509571.6
申请日：2018-05-24
Applicant: 浙江工业大学
Abstract: 一种基于卷积神经网络结构的交通流预测方法，包括以下步骤：1)建立交通流数据集并对数据集进行预处理：根据获取的交通流数据建立交通流数据集，对数据集进行预处理，构建数据集样本矩阵，将数据集分为训练集和测试集；2)搭建单层传统卷积神经网络，去除池化层，构建道路交通流矩阵的特征提取网络，在全连接层后增加sigmoid非线性回归层，构建道路交通流非线性回归预测网络；3)训练卷积神经网络并实现短期交通流的实时预测：定义模型目标函数，将训练集作为卷积神经网络模型输入，求解模型最优参数从而完成模型训练；利用训练完成的卷积神经网络模型对测试集进行实时交通流预测。本发明而提高交通流短期预测的准确性。
-
公开(公告)号：CN108446700B
公开(公告)日：2021-10-29
申请号：CN201810186291.6
申请日：2018-03-07
Applicant: 浙江工业大学
Abstract: 一种基于对抗攻击的车牌攻击生成方法，包括以下步骤：1)选择合适的车牌底板尺寸和颜色以及标准车牌的字符字体和大小；2)确定合适的字符间隔，生成随机字符的车牌；3)对标准车牌进行数字图像处理；4)训练一个生成对抗扰动的分类器模型；5)判断生成的对抗样本是否被分类器误分类：即判断添加扰动的车牌是否被判断为其他车牌，是则结束车牌攻击，否则继续生成扰动，最后测试对抗样本的攻击效果。本发明运用对抗攻击方法实现车牌攻击，生成人们察觉不到的扰动，具有高隐蔽性，甚至还可以实现特定字符的扰动添加到原始的车牌字符上生成对抗样本，具有较高的实用价值。
-
-
-
-
-
-
-
-
-
Search Results
229
records
(took 0.028 seconds)
