-
公开(公告)号：CN114812377B
公开(公告)日：2022-11-29
申请号：CN202210430490.3
申请日：2022-04-22
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种电梯门锁啮合深度在线监测系统及方法，系统包括信息采集机构和信息处理机构，信息采集机构包括设置在钩档与安装板之间的第一壳体，第一壳体与安装板可拆卸连接，第一壳体内部滑动连接有滑片，滑片和锁钩抵触，滑片与第一壳体底部之间设置有弹性复位部，第一壳体内部设置有用于检测滑片位置的监控组件，监控组件与信息处理机构电性连接。本发明通过监控组件实时监控滑片在第一壳体内的位置，从而得到电梯门锁啮合深度，使得到的电梯门锁啮合深度更加精准。
-
公开(公告)号：CN111563265A
公开(公告)日：2020-08-21
申请号：CN202010342081.9
申请日：2020-04-27
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于隐私保护的分布式深度学习方法，首先，在该方法中各个用户利用私有数据集训练本地模型并获得本地梯度，然后，各个用户利用门限加密算法对用户本地梯度数据进行加密，最后，云服务器实现安全聚合和学习模型全局参数的更新进而完成保护隐私的分布式学习训练过程。本发明将门限加密算法应用在分布式深度学习模型中，提出了安全高效的深度学习训练方法，利用门限加密的同态特性实现了梯度数据在云服务器的安全聚合，基于门限加密算法的门限特性，即使服务器与一定数量用户勾结也无法推断用户训练数据的隐私，同时，基于门限加密算法的非交互特性，本发明可以容忍用户在训练过程中有意或无意的退出行为。
-
公开(公告)号：CN110443063A
公开(公告)日：2019-11-12
申请号：CN201910563455.7
申请日：2019-06-26
Applicant: 电子科技大学
Abstract: 本发明提出一种自适性保护隐私的联邦深度学习的方法，以保护联邦深度学习中用户的原始数据不被好奇的服务器获知，同时保护学习模型的参数不泄露用户原始数据的信息。各个参与者预先与云服务器协商一个网络框架，然后云服务器得到一个初始化的模型，云服务器将该模型参数广播给各个参与者；参与者下载初始化的模型参数并更新自己的本地模型，然后结合本地数据集进行训练，并基于数据属性对模型输出的不同贡献度，对不同数据特征实施有差异的隐私保护操作，参与者将各自训练得到的本地梯度发送给云服务器；最终，云服务器收集各参与者的梯度信息后更新自己的模型来进行后续的训练。本发明在满足隐私保护的前提下，极大提高学习模型的精确度。
-
公开(公告)号：CN109684855A
公开(公告)日：2019-04-26
申请号：CN201811540698.0
申请日：2018-12-17
Applicant: 电子科技大学
Abstract: 本发明属于人工智能技术领域，涉及一种基于隐私保护技术的联合深度学习训练方法。本发明实现了一种基于隐私保护技术的高效联合深度学习训练方法。本发明中，各个参与方首先在私有数据集上训练本地模型获得本地梯度，再将本地梯度进行拉普拉斯噪音扰动，并加密后发送至云服务器；云服务器将接收到的所有本地梯度与上一轮的密文参数进行聚合操作，并广播产生的密文参数；最终，参与方解密接收到密文参数，并更新本地模型从而进行后续的训练。本发明结合同态加密方案和差分隐私技术，提出了安全高效的深度学习训练方法，保证训练模型的精确性，同时防止服务器推断模型参数和训练数据隐私以及内部攻击获取私密信息。
-
公开(公告)号：CN107679554A
公开(公告)日：2018-02-09
申请号：CN201710830566.0
申请日：2017-09-15
Applicant: 电子科技大学
Inventor： 邢建川 , 王帅飞 , 张易丰 , 韩保祯 , 丁志新 , 康亮 , 王翔 , 吴晓东 , 翟能延 , 刘崇梽 , 苏新宇 , 胡进磊 , 朱张子 , 杨双吉 , 尹佳 , 陈佳豪 , 王立岩 , 李双 , 侯鑫宇 , 张栋 , 刘继林 , 邵慧 , 苗佳雨 , 颜文杰 , 王书琪 , 高文显 , 梁昌乐 , 陈朝阳 , 王鋆鼎 , 沈浩 , 蔡佳宏
IPC: G06K9/62
CPC classification number: G06K9/6267
Abstract: 本发明公开了一种对元胞自动机的演化规则的分类方法。本发明首先基于设置的元胞自动机模型，输出编码序列，统计待分类的演化规则所对应的每种元胞状态的数量，再计算各演化规则的均衡参数，基于均衡参数的取值所对应的类型区间来得到当前演化规则的类型。与现有的基于朗顿参数的分类方式相比，周期型、复杂型和混沌型的演化规则的均衡参数的取值区间有明显的边界，从而有效提升了元胞状态数超过两种的元胞自动机的演化规则的分类精准度。
-
Patent Agency Ranking
公开(公告)号：CN107590843A
公开(公告)日：2018-01-16
申请号：CN201710799854.4
申请日：2017-09-07
Applicant: 电子科技大学
Inventor： 邢建川 , 王帅飞 , 韩保祯 , 张易丰 , 丁志新 , 翟能延 , 胡尊天 , 王翔 , 康亮 , 张栋 , 王书琪 , 侯鑫宇 , 沈浩 , 陈朝阳 , 苗佳雨 , 蔡佳宏 , 王鋆鼎 , 李双 , 陈佳豪 , 刘继林 , 杨双吉 , 邵慧 , 梁昌乐 , 颜文杰 , 尹佳
Abstract: 本发明公开了一种基于构造的二维可逆元胞自动机的图像加密方法，属于图像加密技术领域。本发明基于待加密图像的尺寸生成一组伪随机序列，并转化为对应的二维伪随机矩阵K0，将其与图像矩阵的异或结果作为初始加密图像矩阵S1，对其进行二进制转换后得到状态C1，生成对应的二进制伪随机序列矩阵并作为初始状态C0；以状态C0和状态C1为演化的初始条件，基于预置的二维可逆元胞自动机规则f1和f2进行演化处理，得到状态 和 再以此为演化的初始条件，进行第二轮演化处理，得到状态 和 将其进行像素值转换处理后，得到密文图像。本发明仅采用加密性能更好的复杂型或混乱型的规则进行演化处理，同时通过两轮二维可逆元胞自动机加密，进一步提高了加密的安全性。
-
公开(公告)号：CN107491794A
公开(公告)日：2017-12-19
申请号：CN201710797157.5
申请日：2017-09-06
Applicant: 电子科技大学
Inventor： 邢建川 , 王帅飞 , 韩保祯 , 张易丰 , 丁志新 , 翟能延 , 胡尊天 , 王翔 , 康亮 , 张栋 , 王书琪 , 侯鑫宇 , 沈浩 , 陈朝阳 , 苗佳雨 , 蔡佳宏 , 王鋆鼎 , 李双 , 陈佳豪 , 刘继林 , 杨双吉 , 邵慧 , 梁昌乐 , 颜文杰 , 尹佳
Abstract: 本发明公开了一种二维元胞自动机的演化规则的分类方法，属于元胞自动机技术领域。本发明在随机初始条件条件下，在一定规模的演化空间中统计每个位置的元胞状态的变化情况来进行分类的：若在大量连续的时间步内，每个时刻的演化空间都与这个稳定的演化空间差异不大，则其为平稳型；若在大量连续的时间步内，存在一个周期，使得周期内每个时刻的演化空间都与下个周期中该时刻的演化空间差异不大，则其为周期型；若在大量连续的时间步内，每个时刻的演化空间都是复杂的，并且与前一时刻的演化空间相比，更新状态的元胞数量较多，且更新无规律，则其为复杂型；否则为混乱型。本发明可用于图像加密、图像压缩等，其适用的演化规则广泛，且分类准确。
-
公开(公告)号：CN107729918B
公开(公告)日：2024-03-19
申请号：CN201710830534.0
申请日：2017-09-15
Applicant: 电子科技大学
Inventor： 邢建川 , 王帅飞 , 张易丰 , 韩保祯 , 丁志新 , 王翔 , 康亮 , 袁浩瀚 , 吴晓东 , 李寒雪 , 张景文 , 翟能延 , 胡尊天 , 李栋良 , 罗燕鹏 , 杨昕 , 佘小钏 , 集川 , 杨宁 , 殷雪银 , 陈胜远 , 江孟君 , 刘琦 , 刘崇梽 , 苏新宇 , 胡进磊 , 朱张子 , 杨双吉 , 尹佳 , 陈佳豪 , 王立岩 , 李双 , 侯鑫宇 , 张栋 , 刘继林 , 邵慧 , 苗佳雨 , 颜文杰 , 王祉涵 , 王书琪 , 柏宇潇 , 罗义杰 , 高文显 , 汪书林 , 梁昌乐 , 陈朝阳 , 王鋆鼎 , 沈浩 , 赵越 , 蔡佳宏
IPC: G06F18/2411
Abstract: 本发明公开了一种基于代价敏感支持向量机的元胞自动机涌现现象的分类方法。本发明基于所提取的涌现现象的特征，通过使用代价敏感支持向量机对元胞自动机的涌现现象进行分类，从而进一步处理分类结果，来判断元胞自动机中哪些规则能发生涌现现象，哪些规则不能发生涌现现象。对基于元胞自动机的复杂系统的涌现机理进行研究，将能推动元胞自动机在涌现方面的应用研究和促进其他的复杂系统的涌现机理研究。本发明是对元胞自动机的涌现现象进行分类，分类后获得的发生涌现现象的元胞自动机，因此类元胞自动机具有分形维数特征，可以将其应用于图像处理、动画制作、时装设计、IC卡设计、房间装饰设计、城市规划等等。
-
公开(公告)号：CN110443063B
公开(公告)日：2023-03-28
申请号：CN201910563455.7
申请日：2019-06-26
Applicant: 电子科技大学
Abstract: 本发明提出一种自适性保护隐私的联邦深度学习的方法，以保护联邦深度学习中用户的原始数据不被好奇的服务器获知，同时保护学习模型的参数不泄露用户原始数据的信息。各个参与者预先与云服务器协商一个网络框架，然后云服务器得到一个初始化的模型，云服务器将该模型参数广播给各个参与者；参与者下载初始化的模型参数并更新自己的本地模型，然后结合本地数据集进行训练，并基于数据属性对模型输出的不同贡献度，对不同数据特征实施有差异的隐私保护操作，参与者将各自训练得到的本地梯度发送给云服务器；最终，云服务器收集各参与者的梯度信息后更新自己的模型来进行后续的训练。本发明在满足隐私保护的前提下，极大提高学习模型的精确度。
-
公开(公告)号：CN115329983A
公开(公告)日：2022-11-11
申请号：CN202210986464.9
申请日：2022-08-17
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于置信度分析的黑盒模型类型分类方法，其实现步骤为：利用置信度的特性对待分类的黑盒模型类型进行分类，将具有离散性置信度的待探测模型的类型判定为决策树或森林，将具有对称性置信度的待探测模型的类型判定为高斯核SVM，将具有线性可解性置信度的待探测模型的类型判定为线性。本发明通过观察待探测的黑盒模型输出的置信度在输入数据发生变化时所展现出的不同特性来探测模型，对模型做出分类，具有访问待探测模型次数少，效率高的优点。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.025 seconds)
