-
公开(公告)号：CN107301328B
公开(公告)日：2021-04-06
申请号：CN201710355340.X
申请日：2017-05-19
Applicant: 浙江工业大学
Abstract: 一种基于数据流聚类的癌症亚型精准发现与演化分析方法，包括以下步骤：(a)基因表达数据流的初始化；(b)基因表达数据流在线实时聚类，将每个到达的数据点投入与之相对应的网格单元中，并在线维护网格；到达指定时间节点时，根据网格的密度信息对稀疏网格进行删除；(c)基因表达数据流离线精准聚类，将网格视作自带密度信息的虚拟数据点，采用基于密度‑距离分布的聚类方法对这些虚拟的数据点进行聚类，根据被确定的聚类中心点的密度信息对其他数据点进行快速的聚类划分，最终输出聚类结果；(d)类簇演化迁移分析。本发明提供一种精度较高的基于数据流聚类的癌症亚型精准发现与演化分析方法。
-
公开(公告)号：CN110263280B
公开(公告)日：2021-03-23
申请号：CN201910502233.4
申请日：2019-06-11
Applicant: 浙江工业大学
IPC: G06F16/958 , G06N3/04 , H04L12/24 , G08G1/01
Abstract: 本发明公开了一种基于多视图的动态链路预测深度模型及应用，该动态链路预测深度模型包括：池化模块，用于将初始网络中具有相似特征和属性的节点分类聚合成新节点形成新网络，实现对初始网络的降维；GCN‑attention模块，其输入连接池化模块的输出，用于对输入的网络采用注意力机制进行特征提取，获得同时具有空间信息和时间信息的节点表征向量；反池化模块，其输入连接GCN‑attention模块的输出，用于对输入的节点表征向量进行反池化，输出动态链路概率预测矩阵。该模型能够实现对动态网络的链路预测。主要应用于对社交网络、通信网络、交通网络、科学合作网络或社交安全网络中动态链路的预测。
-
公开(公告)号：CN109948662B
公开(公告)日：2020-10-20
申请号：CN201910146533.3
申请日：2019-02-27
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于K‑means和MMD的人脸图像深度聚类方法，包括：1)设计自动编码器结构并训练，使用自动编码器提取人脸图像的隐层信息；2)使用K‑means聚类方法对隐层信息进行聚类，确定K个聚类中心点，并计算每个样本点被划分至K个类簇的概率p和每个类簇中该样本点应该被该类簇吸引的概率q；3)计算p分布和q分布的MMD距离，并将MMD加入自动编码器的loss函数中去，对自动编码器进行训练；4)训练完成后，使用该自动编码器提取测试集的深层次信息，再使用K‑means对深层次信息进行聚类，输出聚类结果。该人脸图像深度聚类方法能够提高聚类算法对图像数据集的聚类准确率。
-
公开(公告)号：CN110097079A
公开(公告)日：2019-08-06
申请号：CN201910247890.9
申请日：2019-03-29
Applicant: 浙江工业大学
Abstract: 本发明公开了一种基于分类边界的用户隐私保护方法，包括：(1)将原始网络输入至GCN分类模型中，计算关键节点在真实类标下的损失函数，连边梯度信息；(2)更改关键节点的类标，计算新损失函数，新连边梯度信息；(3)根据关键节点的损失函数，连边梯度信息以及新损失函数，新连边梯度信息确定最容易被修改成的新类标；(4)根据关键节点在真实类标下的连边梯度信息，以及在容易被修改成的新类标下的新连边梯度信息，在原始网络中添加扰动，形成对抗网络；(5)利用对抗网络和原始网络训练GCN分类模型；(6)将添加有扰动的待测网络输入至训练好的GCN模型中，经计算输出正确的分类结果，实现对待测网络中用户隐私的保护。
-
公开(公告)号：CN109413068A
公开(公告)日：2019-03-01
申请号：CN201811268894.7
申请日：2018-10-29
Applicant: 浙江工业大学
IPC: H04L29/06
CPC classification number: H04L63/0428
Abstract: 本发明公开了一种基于对偶GAN的无线信号加密方法，包括：利用无线信号加密模型将原始无线信号加密成加密信号图像；利用无线信号解密模型将加密信号图像解密成解密无线信号；所述无线信号加密模型和无线信号解密模型通过以下模型训练体系训练得到，所述模型训练体系包括：无线信号加密网络Ag、无线信号加密判别网络Ad、无线信号解密网络Bg、无线信号解密判别网络Bd、无线信号分类网络C，对上述模型训练体系采用对Ag和C的预训练和对Ag、Ad、Bg、Bd以及C的联合训练，以确定无线信号加密模型和无线信号解密模型。该方法可以有效将无线信号加密为图片，提高信息传输的隐蔽性。
-
Patent Agency Ranking
公开(公告)号：CN108334949A
公开(公告)日：2018-07-27
申请号：CN201810141306.7
申请日：2018-02-11
Applicant: 浙江工业大学
IPC: G06N3/08
Abstract: 一种优化深度卷积神经网络结构的快速进化方法，包括以下步骤：1)使用基于GNP的进化算法有效构建非线性的CNN网络结构，并对CNN结构的各种超参数进行变异以寻找最优的CNN超参数组合；2)在进化过程中，设计了一种多目标的网络结构评价方法，将分类准确率和分类器的复杂程度同时作为优化目标，目的是有效生成具有高分类准确率和简单结构的CNN分类器；3)提出了增量式训练方法，在上一代CNN结构的基础上进行子代CNN结构的训练。本发明能减少模型的训练次数，降低算法的时间复杂度。
-
公开(公告)号：CN108304479A
公开(公告)日：2018-07-20
申请号：CN201711469928.4
申请日：2017-12-29
Applicant: 浙江工业大学
Abstract: 一种基于图结构过滤的快速密度聚类双层网络推荐方法，所述方法包括以下步骤：1)首先依据历史用户评论信息通过TextGAN自动生成模拟评论数据作为准确标注类标的与真实样本极为相似的虚假评论；2)将历史真实评论和标注虚假的模拟评论作为输入，考虑到生成的虚假评论与真实评论极为相似，设计一种研究用户访问记录的基于图的虚拟信息过滤器，通过不断迭代用户、商店和评论的置信度检测虚假用户与虚假评论；3)为了结果推荐数据的稀疏性的问题，设计基于快速密度聚类双层网络的推荐方法，该方法能够实现参数的自适应选取，并得到较好的聚类结果，从而可以获得更为有效的用户的个性化推荐列表，提高推荐的准确率。本发明利用对抗生成网络生成与真实评论数据极为相似的虚假样本，并提出了一种高效可靠的基于图结构过滤的快速密度聚类双层网络推荐方法。
-
公开(公告)号：CN107239788A
公开(公告)日：2017-10-10
申请号：CN201710259705.9
申请日：2017-04-20
Applicant: 浙江工业大学
IPC: G06K9/62
CPC classification number: G06K9/6223 , G06K9/6228
Abstract: 一种基于密度自适应的特征向量组最优选取谱聚类方法，包括以下步骤：1)首先进行预处理；2)基于密度自适应的稀疏相似度矩阵的计算；3)然后调用自动确定聚类中心算法；4)特征分解，求取特征向量组；5)最后对数据集在特征空间中的映射特征向量组中的所有元素进行标准化处理，后进行K‑means聚类，得到聚类结果；6)计算Fitness函数值，不断迭代，选取最高Fitness函数值所对应的最优临近点个数的聚类结果进行输出。本发明能够将数据点密度信息引入到相似函数中，使得算法处理多重尺度数据集时效果得到改善，能够选择出最优特征向量组，并且利用Fitness函数实现了临近点个数的参数自适应。
-
公开(公告)号：CN108520268B
公开(公告)日：2021-05-18
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：CN110647918B
公开(公告)日：2020-12-25
申请号：CN201910790333.1
申请日：2019-08-26
Applicant: 浙江工业大学
Abstract: 面向深度学习模型对抗攻击的拟态防御方法，包括以下步骤：1)准备对抗样本；2)训练对抗样本检测器；3)检测对抗样本；4)防御对抗扰动，具体包括主动防御对抗扰动、被动防御对抗扰动。本发明避免了手动提取特征及划分像素块的弊端，简化了流程；提高了训练效率；提高了数据更新的速度及准确率；提高了数据处理的效率。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.028 seconds)
