-
公开(公告)号：CN118972144B
公开(公告)日：2025-05-13
申请号：CN202411177254.0
申请日：2024-08-26
Applicant: 湘江实验室
Abstract: 本发明涉及网络安全领域，公开了一种越权漏洞检测结果获取方法、装置、设备及存储介质，方法包括：选取所述训练集的所述敏感URL、待确认URL和非敏感URL作为预设URL，根据预设URL以及预定义的获取方式，获取分类层基于预设URL输出的预测标签；根据预测标签和标注预设URL的真实标签之间的交叉熵损失值和预定义的优化方式，获取优化后的分类层获取当前流量数据中的当前URL，获取优化后的分类层基于当前URL输出的当前标签；当前标签为敏感标签或待确认标签时，采用预设的越权漏洞检测方式，对当前流量数据的每一行的内容进行检测，生成当前流量数据的越权漏洞检测结果。本发明有利于提高越权漏洞检测结果的获取效率。
-
公开(公告)号：CN119851355A
公开(公告)日：2025-04-18
申请号：CN202510339423.4
申请日：2025-03-21
Applicant: 湘江实验室
Abstract: 本发明公开一种双阶段课堂教师教学行为检测方法、设备及介质，该方法步骤包括：实时接收摄像头采集到的课堂视频图像数据；将接收到的课堂视频图像数据输入至教师位置检测模型中，检测出教师的位置以作为第一阶段检测结果；教师位置检测模型中部分卷积运算采用频率自适应扩张卷积，频率自适应扩张卷积通过实现频率选择，对加权后特征使用自适应扩张率以及自适应卷积核进行卷积操作得到输出特征层；根据第一阶段检测结果确定视频图像数据中的教师位置区域，将教师位置区域以及课堂视频图像数据输入至教学行为识别模型中进行教学行为检测，得到教师的行为类别。本发明具有实现方法简单、成本低、检测精度高以及鲁棒性强等优点。
-
公开(公告)号：CN119151015B
公开(公告)日：2025-03-04
申请号：CN202411614725.X
申请日：2024-11-13
Applicant: 湘江实验室
IPC: G06N20/00 , G06F18/213 , G06F18/25
Abstract: 本申请涉及多模态数据技术领域，提供了一种弥补模态缺失的多模态联邦学习方法及相关设备，该方法包括：从所有目标客户端中确定出缺失客户端；对缺失客户端的模态的数据进行特征提取，得到数据特征，对所有数据特征进行融合得到最终融合特征，并提取缺失客户端的模态的数据的时间特征，对所有时间特征进行融合得到最终时间特征，基于最终融合特征和最终时间特征，获取缺失模态的数据；将目标客户端和获取缺失模态的数据后的缺失客户端均作为最终客户端，利用最终客户端的所有模态的数据对每个模态模型进行训练，得到训练后的模态模型；将所有训练后的模态模型进行整合得到多模态模型。本申请的方法能够提高多模态模型的质量。
-
公开(公告)号：CN119273373A
公开(公告)日：2025-01-07
申请号：CN202411805804.9
申请日：2024-12-10
Applicant: 湘江实验室
IPC: G06Q30/018 , G06F16/27 , G06F16/2458 , G06F21/64
Abstract: 本发明公开了一种基于区块链新能源汽车绿色复合材料供应链质量监控方法，包括S1、建立去中心化的区块链平台；S2、在供应链的每一个环节安装物联网传感器；S3、使用区块链平台内的智能合约自动记录生产、储存和运输过程的操作细节和监测环境数据和状态数据；S4、当环境数据和状态数据显示某一环节出现偏差时，智能合约将自动触发警报机制，通知相关人员或自动调整生产过程；S5、在区块链平台中设立供应链参与方可访问的区块链信息查询系统。本发明区块链平台允许所有授权的供应链参与方访问和验证供应链中的每一项数据记录，不仅增加了操作的透明度，而且通过数据的完整记录，实现了从原材料来源到最终产品的全过程追溯。
-
公开(公告)号：CN118798597B
公开(公告)日：2024-12-17
申请号：CN202411274823.3
申请日：2024-09-12
Applicant: 湘江实验室
IPC: G06Q10/0631 , G06N20/20 , G06N3/0464 , G06N3/126 , G06N7/02 , G06T7/62 , G06T7/70 , G06T7/80 , G06V10/764 , G06F18/25
Abstract: 本申请涉及一种多模态数据驱动的模糊决策机器人调度方法，包括：获取工件表面的图像数据以及声波数据；基于图像数据计算得到工件表面的面积信息、最长边长度信息以及瑕疵的类别信息；对三种信息进行第一预处理，并进行第一层多维立体模糊决策，得到第一决策结果；基于声波数据计算得到瑕疵的深度信息以及位置信息；基于深度信息、位置信息以及第一决策结果，得到立体矩阵；将立体矩阵进行第二层多维立体模糊决策，得到打磨结果；根据工件的打磨结果确定机器人的打磨时间，基于打磨时间并采用遗传算法得到机器人打磨最优调度方案。该方法融合工件的多种数据，实现了对机器人打磨过程的智能监控及最优调度。
-
Patent Agency Ranking
公开(公告)号：CN118972667B
公开(公告)日：2024-12-13
申请号：CN202411432446.1
申请日：2024-10-14
Applicant: 湘江实验室
IPC: H04N21/4402 , G06N20/00 , H04N7/01
Abstract: 本发明实施例中提供了一种基于深度强化学习的视频插帧任务调度方法，属于数据处理技术领域，具体包括：步骤1，对视频数据进行解码得到不同视频帧组并进行插帧算法类型划分，得到视频帧组特征信息向量；步骤2，获得算力设备性能指标向量；步骤3，基于视频帧组特征信息向量和算力设备性能指标向量，采用强化学习对不同视频帧组分配算力设备；步骤4，从各算力设备得到插帧结果，将插帧结果插入视频帧之间，得到完整插帧视频组，对其进行编码操作，得到插帧视频数据。通过本发明的方案，提高了任务调度的效率、精准度和适应性。
-
公开(公告)号：CN119003479A
公开(公告)日：2024-11-22
申请号：CN202411481240.8
申请日：2024-10-23
Applicant: 湘江实验室
IPC: G06F16/188 , G06F16/182 , G06F16/242 , G06F16/25
Abstract: 本发明公开了一种分布式数据虚拟化系统、方法、计算机设备及存储介质，包括：接收用户端发送的虚拟视图查询请求，并解析所述虚拟视图查询请求，得到虚拟视图SQL查询语句，将用户虚拟视图查询请求转发给网络中所有群组，在群组的每个节点中，对比SQL查询语句与缓存SQL，得到对比结果，若对比结果为未命中，则根据虚拟视图查询请求，将虚拟视图SQL查询语句转化为在各物理源上执行的SQL查询语句，在数据源上请求数据，并更新缓存，若对比结果为命中，则返回缓存，将查询结果返回请求节点，请求节点集合所有返回数据，形成虚拟视图返回用户。采用本发明提高了分布式数据的使用效率。
-
公开(公告)号：CN118972144A
公开(公告)日：2024-11-15
申请号：CN202411177254.0
申请日：2024-08-26
Applicant: 湘江实验室
Abstract: 本发明涉及网络安全领域，公开了一种越权漏洞检测结果获取方法、装置、设备及存储介质，方法包括：选取训练集中的任意一个敏感URL、待确认URL或非敏感URL作为预设URL，根据预设URL以及预定义的获取方式，获取分类层基于预设URL输出的预测标签；根据预测标签和标注预设URL的真实标签之间的交叉熵损失值和预定义的优化方式，获取优化后的分类层获取当前流量数据中的当前URL，获取优化后的分类层基于当前URL输出的当前标签；当前标签为敏感标签或待确认标签时，采用预设的越权漏洞检测方式，对当前流量数据的每一行的内容进行检测，生成当前流量数据的越权漏洞检测结果。本发明有利于提高越权漏洞检测结果的获取效率。
-
公开(公告)号：CN118690792B
公开(公告)日：2024-10-29
申请号：CN202411159541.9
申请日：2024-08-22
Applicant: 湘江实验室
IPC: G06N3/0455 , G06N3/06 , G06N3/08
Abstract: 本申请涉及一种基于特性正则化堆叠自编码器的多输出软测量方法，收集并归一化处理工业生产过程数据；训练集根据质量变量的采样率不同构建多输出特性学习训练集；将多输出特性学习训练集输入至特性正则化堆叠自编码器，计算出隐含特征；计算隐含特征与质量变量的平均斯皮尔曼系数；基于平均斯皮尔曼系数计算出特性正则化目标函数，更新特性正则化堆叠自编码器的网络参数，得到深度共性特征；基于深度共性特征训练多输出特性学习网络，得到基于特性正则化堆叠自编码器的多输出软测量模型；将测试集中的过程变量输入至多输出软测量模型，输出过程变量对应的多输出质量变量的预测值。该方法可以提高工业过程多采样率多输出过程质量变量的预测准确度。
-
公开(公告)号：CN118114573B
公开(公告)日：2024-07-16
申请号：CN202410490039.X
申请日：2024-04-23
Applicant: 湘江实验室
Abstract: 本发明涉及数字孪生技术领域，具体公开了一种钢铁工艺流程中数字孪生模型的重构与迁移方法，包括步骤A1：建立信息元模型与物理实体集合，并建立两者的统一映射关系；步骤A2：建立信息元模型的孪生体层级关系以及不同孪生体层级关系的孪生体结构；步骤A3：确定孪生体结构的最优装配序列；步骤A4：基于孪生体的最优装配序列构建孪生体重构准则并重构生成最优的数字孪生体模型；步骤A5：基于联邦学习对所重构的孪生体适应动态变化；步骤A6：建立孪生体迁移策略以得到新的数字孪生模型，解决了传统的应用在工业生产中的数字孪生模型由于需要大量数据的支撑，其设计存在复杂度高、周期长及数据安全性低下的问题。
-
-
-
-
-
-
-
-
-
Search Results
121
records
(took 0.028 seconds)
