-
公开(公告)号：CN110263570A
公开(公告)日：2019-09-20
申请号：CN201910387357.2
申请日：2019-05-10
Applicant: 电子科技大学 , 国家计算机网络与信息安全管理中心
IPC: G06F21/62 , G06F21/30 , G06F16/9532 , G06F16/9535 , H04L9/06 , H04L9/08 , H04L29/06 , H04L29/08
Abstract: 本发明属于信息安全技术领域，具体提供一种实现高效相似性查询和访问控制的基因数据脱敏方法，其有效支持密文环境下大规模基因数据的相似性查询，同时支持复杂的逻辑查询以满足用户个性化的查询需求，该方法授权方式灵活，可对不同的数据授予不同的访问权限，并在查询过程中实现对用户的数据访问权限的可靠控制，此外，本发明采用特定的哈希函数压缩数据，显著减少密文状态下匹配的元素数量，进一步提高查询检索效率。
-
公开(公告)号：CN110263570B
公开(公告)日：2020-09-25
申请号：CN201910387357.2
申请日：2019-05-10
Applicant: 电子科技大学 , 国家计算机网络与信息安全管理中心
IPC: G06F21/62 , G06F21/30 , G06F16/9532 , G06F16/9535 , H04L9/06 , H04L9/08 , H04L29/06 , H04L29/08
Abstract: 本发明属于信息安全技术领域，具体提供一种实现高效相似性查询和访问控制的基因数据脱敏方法，其有效支持密文环境下大规模基因数据的相似性查询，同时支持复杂的逻辑查询以满足用户个性化的查询需求，该方法授权方式灵活，可对不同的数据授予不同的访问权限，并在查询过程中实现对用户的数据访问权限的可靠控制，此外，本发明采用特定的哈希函数压缩数据，显著减少密文状态下匹配的元素数量，进一步提高查询检索效率。
-
公开(公告)号：CN115512200A
公开(公告)日：2022-12-23
申请号：CN202211159684.0
申请日：2022-09-22
Applicant: 电子科技大学
IPC: G06V10/82 , G06V10/77 , G06V10/764 , G06V10/774 , G06N3/04 , G06N3/08 , G06N5/04
Abstract: 本发明提出一种基于孪生卷积子空间的目标识别方法，属于雷达的目标识别领域。现有技术中，训练样本充足是基于数据驱动的SAR目标识别方法获得优异识别性能的先决条件。然而，在一些实际的应用场景中，通常只能获取到极其少量的目标样本。为了在样本少量的条件下实现稳健的SAR目标识别，所提方法由特征嵌入模型与分类器两部分构成。首先，建立了一个基于孪生结构的特征嵌入网络，并利用对比学习思想来训练一个类内紧凑、类间分散的低维特征表示空间；然后，设计一个基于子空间学习的分类器，并通过待识别样本到目标类样本张成子空间的最短投影距离来推理目标样本的类别。
-
公开(公告)号：CN115421141A
公开(公告)日：2022-12-02
申请号：CN202210885949.9
申请日：2022-07-26
Applicant: 电子科技大学
Abstract: 本发明公开了一种两阶段自适应采样的不平衡SAR目标识别方法，本发明从少数类目标与多数类目标两个角度出发，通过两阶段的处理方式改善不同类数据的平衡比。该方法的主要流程：在预处理阶段应用改进的合成过采样的方法，自适应对识别困难的少数类样本合成更多的样本以强化少数类边界，从而降低数据集的不平衡度。将分类决策的边界向更难学习的样本实例移动，减少原始数据的不平衡分布带来的学习偏差。同时，为了进一步改善数据的平衡度，本发明在分类模型训练阶段提出一种基于自步长学习的简单样本选择策略。在网络训练阶段根据阈值及新设计的损失函数有选择的纳入多数类简单样本进行训练，进一步降低数据集的不平衡度。在OpenSARShip2.0公开数据集上进行仿真实验，证明了本发明的有效性。
-
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。
-
Patent Agency Ranking
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：CN119869504A
公开(公告)日：2025-04-25
申请号：CN202510064834.7
申请日：2025-01-15
Applicant: 桂林电子科技大学 , 广西伊科环境科技有限公司
Abstract: 本发明涉及功能材料制备技术领域,公开了快速制备不同晶面生长的BMO压电催化剂的制备方法及应用，包括以下步骤：配置Bi悬浊液和Mo源溶液；将Mo源溶液在搅拌条件下缓慢加入Bi悬浊液中，形成均匀混合溶液；用氢氧化钠溶液调节混合溶液的pH至5～7；向混合溶液中加入铁氰化钾作为晶面调控剂；混合溶液预处理；将处理后的混合溶液置于高压反应釜中进行水热反应；冷却至室温后收集反应产物，依次用无水乙醇和去离子水洗涤，干燥得到具有特定晶面结构的Bi2MoO6催化剂。本发明通过晶面调控和工艺优化，制备出高纯度、结构稳定的二维纳米片状BMO催化剂，实现了更高的压电催化性能及重复使用能力。
-
公开(公告)号：CN115934748A
公开(公告)日：2023-04-07
申请号：CN202211390765.1
申请日：2022-11-07
Applicant: 浪潮软件集团有限公司 , 西安电子科技大学
IPC: G06F16/242 , G06F16/27
Abstract: 本发明提供一种基于分布式SQL的开关分发与metrics采集汇总系统及方法，属于分布式数据库领域，本发明包括：1)分布式SQL开关分发模块；2)分布式SQL的metrics采集汇总模块。当分布式SQL执行时，执行过程中采集的metrics分布在各个执行节点上，需对各个执行节点上的metrics进行汇总，汇总到Gateway节点。保证了分布式SQL行为数据采集的正确性，降低了Gateway节点的等待时间。
-
公开(公告)号：CN113807206B
公开(公告)日：2023-04-07
申请号：CN202111003567.0
申请日：2021-08-30
Applicant: 电子科技大学
IPC: G06V20/10 , G06V10/30 , G06V10/44 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464
Abstract: 本发明提出了一种基于去噪任务辅助的SAR图像目标识别方法，属于目标识别领域。本发明提出的网络包括去噪子网络与分类子网络两部分，去噪子网络中通过多尺度特征提取层、注意力机制以及残差学习结构可实现噪声信息学习。考虑到标准卷积在提取多尺度特征时会增大网络宽度，进而导致模型参数量增加。为此，本发明采用空洞卷积结构实现多尺度特征提取。在去噪子网络辅助下分类子网络可完成目标特征提取与分类。分类子网络中引入注意力思想来指导模型在特征空间、通道与空间交互层面上完成SAR图像目标特征提取与自适应加权，进而改善目标识别精度。通过在MSTAR数据集上进行仿真实验，证明了本发明中的方法在噪声环境下具有较好的SAR图像目标识别效果。
-
公开(公告)号：CN109684855B
公开(公告)日：2020-07-10
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。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.091 seconds)
