一种对抗样本防御模型训练方法、系统及其应用

    公开(公告)号:CN113723564B

    公开(公告)日:2024-09-06

    申请号:CN202111072894.1

    申请日:2021-09-14

    Applicant: 燕山大学

    Abstract: 本发明涉及一种对抗样本防御模型训练方法、系统及其应用,首先获取训练集,训练集包括对抗样本和真实样本。然后构建初始防御模型,初始防御模型包括生成器、判别器和分类器。最后利用训练集对初始防御模型进行训练,得到防御模型,本发明通过构造相应逆扰动来重构对抗样本,得到近似于真实样本的重构样本,从而获得较好的对抗样本防御效果。在对对抗样本进行分类时,先利用上述防御模型对待分类对抗样本进行对抗扰动消除,得到重构样本,所得到的重构样本可近似真实样本,将该重构样本输入至分类模型,能够使得分类模型正确分类,避免对抗扰动导致分类模型错误分类的问题,显著提高分类模型对对抗样本的分类正确率。

    一种钴锰双金属MOFs衍生材料及其制备方法和应用

    公开(公告)号:CN114335472A

    公开(公告)日:2022-04-12

    申请号:CN202111657768.2

    申请日:2021-12-30

    Applicant: 燕山大学

    Abstract: 本发明公开了材料技术领域中金属有机框架材料制备技术领域的一种钴锰双金属MOFs衍生材料及其制备方法和应用。本发明的钴锰双金属MOFs衍生材料为球状MnCo2O4.5,具有多壳层结构,所述多壳层结构是由含钴锰双金属的壳层嵌套而成,壳层表面有褶皱,具有高的锂离子储存量和优异的电化学性能,可以作为锂离子电池的负极储锂材料。具体制备方法为:将金属钴源、金属锰源和葡萄糖溶解于水中,得到混合溶液进行水热反应,得到固体产物为前驱体,将其进行煅烧,即得钴锰双金属MOFs衍生材料。本发明的合成工艺简单,反应条件温和,重复性高,成本低廉,而且制得的钴锰双金属MOFs衍生材料具有优异的性能。

    一种MOF衍生的二氧化锰/四氧化三锰的层状复合材料的制备方法

    公开(公告)号:CN109449415A

    公开(公告)日:2019-03-08

    申请号:CN201811296249.6

    申请日:2018-11-01

    Applicant: 燕山大学

    Abstract: 本发明提供一种MOF衍生的二氧化锰/四氧化三锰的层状复合材料的制备方法,其包括以下步骤:S1、以金属锰源和2,5-二羟基对苯二甲酸作为前驱体,将金属锰源和2,5-二羟基对苯二甲酸溶解到N,N-二甲基甲酰胺-乙醇-水的混合溶剂中,获得混合溶液A;S2、混合溶液A倒入聚四氟乙烯内衬中,安装不锈钢反应釜;S3、将安装好的不锈钢反应釜置于坩锅炉中,加热15~24小时,加热结束后,取出产物B;S4、将产物B依次用无水乙醇和蒸馏水离心洗涤,过滤,真空干燥箱中50℃~70℃下真空干燥12~24小时,得到混合物C;S5、将混合物在惰性气体氮气氛围中。本发明可避免去除表面活性剂的后续的除杂处理步骤,操作步骤简单,制作成本低廉。

    一种MOF衍生的二氧化锰/四氧化三锰的层状复合材料的制备方法

    公开(公告)号:CN109449415B

    公开(公告)日:2021-03-19

    申请号:CN201811296249.6

    申请日:2018-11-01

    Applicant: 燕山大学

    Abstract: 本发明提供一种MOF衍生的二氧化锰/四氧化三锰的层状复合材料的制备方法,其包括以下步骤:S1、以金属锰源和2,5‑二羟基对苯二甲酸作为前驱体,将金属锰源和2,5‑二羟基对苯二甲酸溶解到N,N‑二甲基甲酰胺‑乙醇‑水的混合溶剂中,获得混合溶液A;S2、混合溶液A倒入聚四氟乙烯内衬中,安装不锈钢反应釜;S3、将安装好的不锈钢反应釜置于坩锅炉中,加热15~24小时,加热结束后,取出产物B;S4、将产物B依次用无水乙醇和蒸馏水离心洗涤,过滤,真空干燥箱中50℃~70℃下真空干燥12~24小时,得到混合物C;S5、将混合物在惰性气体氮气氛围中。本发明可避免去除表面活性剂的后续的除杂处理步骤,操作步骤简单,制作成本低廉。

    一种对抗样本防御模型训练方法、系统及其应用

    公开(公告)号:CN113723564A

    公开(公告)日:2021-11-30

    申请号:CN202111072894.1

    申请日:2021-09-14

    Applicant: 燕山大学

    Abstract: 本发明涉及一种对抗样本防御模型训练方法、系统及其应用,首先获取训练集,训练集包括对抗样本和真实样本。然后构建初始防御模型,初始防御模型包括生成器、判别器和分类器。最后利用训练集对初始防御模型进行训练,得到防御模型,本发明通过构造相应逆扰动来重构对抗样本,得到近似于真实样本的重构样本,从而获得较好的对抗样本防御效果。在对对抗样本进行分类时,先利用上述防御模型对待分类对抗样本进行对抗扰动消除,得到重构样本,所得到的重构样本可近似真实样本,将该重构样本输入至分类模型,能够使得分类模型正确分类,避免对抗扰动导致分类模型错误分类的问题,显著提高分类模型对对抗样本的分类正确率。

Patent Agency Ranking