公开(公告)号：CN116611013A

公开(公告)日：2023-08-18

申请号：CN202310400156.8

申请日：2023-04-14

Applicant: 西安电子科技大学青岛计算技术研究院

Inventor： 沈玉龙 ,  杨佳辉 ,  贾军超 ,  张琛 ,  李琳 ,  光宇 ,  杜志雄 ,  赵双睿 ,  王建东

IPC: G06F18/2433 ,  G06F18/10 ,  G06F18/213 ,  G06Q10/20 ,  G06Q50/04 ,  G06N3/08 ,  G06N3/0455 ,  G06N3/0442 ,  G06N3/0464 ,  G06F123/02

Abstract: 本发明属于工业设备多维时序数据异常检测技术领域，公开了一种针对工业设备的异常检测以及根因分析方法、系统及终端，利用多通道变分长短期推断网络对工业设备的历史数据进行预处理；构建神经网络模型并将预处理后的数据传入神经网络模型，对神经网络模型进行训练；利用训练好的神经网络模型对工业设备的多维时序数据进行在线检测，实时检测设备运行状态，对异常点进行根因分析和告警通知，从多维度数据中定位发生异常的指标。本发明将异常检测和根因分析模块融入物联网平台，给物联网平台赋能，可以快速实时接入大型设备的状态而且还能对设备进行智能监控，实时检测设备运行是否异常并对其异常进行根因分析，减少人力分析成本提升企业效益。

公开(公告)号：CN113066537B

公开(公告)日：2022-04-08

申请号：CN202110419531.4

申请日：2021-04-19

Applicant: 山西大学 ,  西安电子科技大学

Inventor： 解宇 ,  马芷璇 ,  张琛 ,  鱼滨 ,  刘公绪 ,  温超

IPC: G16C20/30 ,  G06N3/04

Abstract: 本发明公开了一种基于图神经网络的化合物分类方法，用于解决现有分类方法忽略了化合物分类中的结构信息导致分类结果不准确和分类效率较低的问题。本发明的步骤为：(1)构建两个图神经网络；(2)生成带有类别标签的训练集和不带有类别标签的训练集；(3)训练两个图神经网络；(4)对不包含类别标签的化合物进行分类。本发明搭建并训练了两个图神经网络，能更好地捕获化合物中所蕴含的结构信息，采用预训练、协同训练与自训练方法使得本发明在处理具有复杂信息的化合物时有着较短的处理时间和较高的化合物分类准确率。

公开(公告)号：CN107911823A

公开(公告)日：2018-04-13

申请号：CN201710945302.X

申请日：2017-10-12

Applicant: 西安电子科技大学

Inventor： 董学文 ,  杨晓宙 ,  王永智 ,  张涛 ,  卢笛 ,  张琛 ,  李光夏 ,  徐扬

IPC: H04W16/10 ,  H04B17/382 ,  H04B17/391 ,  H04B17/336

CPC classification number: H04W16/10 ,  H04B17/336 ,  H04B17/382 ,  H04B17/391

Abstract: 本发明属于认知无线电技术领域，公开了一种多信道防策略操纵频谱的分配方法、计算机程序、计算机，所述多信道防策略操纵频谱的分配方法采用拍卖理论与机制，建立包含灵活信道请求，以对应灵活真实估值进行报价的防策略操纵频谱拍卖模型，在防策略操纵频谱拍卖模型中确定次用户之间的竞标关系，通过竞标策略进行频谱拍卖。本发明充分考虑频谱分配中次用户对频谱信道的灵活需求以及灵活报价函数、以及信噪比干扰等因素，同时考虑频谱利用率最大化以及次用户的防策略操纵性的要求，对频谱拍卖机制进行了详细的分析与设计。本发明提出的方法容易实现，便于扩展，与已经提出的频谱拍卖方法相比更贴近实际应用；有较高的分配效率和公平的效果。

公开(公告)号：CN119760458A

公开(公告)日：2025-04-04

申请号：CN202411824428.8

申请日：2024-12-12

Applicant: 西安电子科技大学

Inventor： 王慧杰 ,  张琛 ,  鱼滨 ,  毛文杰

IPC: G06F18/23213 ,  G06F18/214 ,  G06F18/241 ,  G06F18/22 ,  G06N3/0464 ,  G06N3/0895

Abstract: 本发明公开一种基于原型对比学习的跨域轴承故障诊断方法，其实现步骤为：基于原始训练集生成源域和目标域的跨域训练集，构建由残差子网络与分类器串联而成的跨域轴承故障诊断网络，将跨域训练集输入到残差子网络中，使用K‑means聚类将残差子网络输出的特征划分到不同簇，基于跨域原型对比学习将源域和目标域中同一簇的特征匹配到另一个域中相同的簇，基于伪标签更新分类器的分类权重，当故障诊断网络的损失函数收敛时结束训练。本发明的方法以簇为单位准确匹配源域和目标域的特征，同时使用更少的源域标签，提高了跨域轴承故障诊断的精度。

公开(公告)号：CN114882338B

公开(公告)日：2024-10-25

申请号：CN202210604896.9

申请日：2022-05-30

Applicant: 西安电子科技大学

Inventor： 秦治国 ,  解宇 ,  张琛 ,  鱼滨

IPC: G06V10/86 ,  G06V10/75 ,  G06V10/774 ,  G06V10/82 ,  G06N3/042 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种基于图神经网络的图像关键点匹配方法，其步骤为：构建分层注意力图神经网络；生成训练集；训练分层注意力图神经网络；对待预测的图像关键点进行匹配。本发明根据图像中的关键点坐标构造图结构数据，利用分层注意力图神经网络自适应地融合来自不同邻域范围的节点特征，使得匹配模型能够学习到更为通用的层次结构特征。本发明利用图数据增强方法，对待匹配图的节点特征进行随机遮掩来生成增强视图，并利用增强视图和原始视图之间交互式的匹配对模型进行训练，使得本发明具有较强的抗噪能力和准确的匹配精度。

公开(公告)号：CN117975132A

公开(公告)日：2024-05-03

申请号：CN202410127098.0

申请日：2024-01-30

Applicant: 西安电子科技大学

Inventor： 张琛 ,  黄铁林 ,  鱼滨 ,  毛文杰 ,  解宇 ,  刘伟明

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/762 ,  G06V10/82 ,  G06V10/94 ,  G06N3/0464

Abstract: 一种基于原型一致性和自标记的联邦无监督模型训练及分类方法，客户端对本地数据进行聚类，获得伪标签和本地类原型；客户端约束同一样本不同增强视图之间的一致性以及批次类原型与本地类原型之间的一致性，克服了使用正负样本进行对比学习导致的类别冲突问题；通过相邻样本之间的一致性选择高置信度样本与本地类原型进行对比学习，对学习到的无监督表示进行优化，提高了模型鲁棒性；客户端按照设计的模型更新公式利用全局模型更新本地模型，缓解了数据非独立同分布问题，提高了模型泛化性能。本发明解决了联邦对比学习方法中存在的类别冲突问题和客户端数据非独立同分布问题，提高了模型性能。

公开(公告)号：CN115081532A

公开(公告)日：2022-09-20

申请号：CN202210775381.5

申请日：2022-07-01

Applicant: 西安电子科技大学

Inventor： 张琛 ,  白航 ,  鱼滨 ,  解宇

IPC: G06K9/62 ,  G06N20/00

Abstract: 一种基于记忆重放和差分隐私的联邦持续学习训练方法，其步骤为：中央服务器对生成对抗网络进行训练，生成一组伪图像组成伪样本集，将伪样本集与联邦学习全局网络下发给每个客户端，客户端使用记忆重放方法将下发的伪样本集与本地样本集混合训练，将训练好的联邦学习全局网络与添加差分隐私噪声的本地样本集异步地上传至中央服务器，中央服务器对上传的本地网络参数进行加权聚合并更新联邦学习全局网络，当没有新任务到达时结束训练。本发明的方法在不加重客户端计算负担的前提下，降低了客户端对旧任务知识的遗忘，保护了客户端的隐私，提高了联邦学习全局模型的训练效率。

公开(公告)号：CN114943345A

公开(公告)日：2022-08-26

申请号：CN202210658274.4

申请日：2022-06-10

Applicant: 西安电子科技大学

Inventor： 张琛 ,  胡雄伟 ,  鱼滨 ,  解宇

IPC: G06N20/20 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于主动学习和模型压缩的联邦学习全局模型训练方法，其步骤为：服务器利用生成的预训练集，对构建的联邦学习全局模型进行预训练，并下发至由客户端组成的每个簇中，每个簇中客户端基于主动学习利用生成的客户端样本集，按照静态顺序依次训练下发的联邦学习全局模型，训练完成后对模型参数进行模型压缩，将压缩后的模型参数上传至服务器，服务器对上传的模型参数进行加权聚合后下发至每个簇中，当联邦学习全局模型性能达到预期目标或模型损失函数收敛时结束训练。本发明的方法在未标记且独立同分布的数据环境上提升模型精确度的同时，降低了传输过程中的通信开销。

公开(公告)号：CN112508085A

公开(公告)日：2021-03-16

申请号：CN202011407178.X

申请日：2020-12-05

Applicant: 西安电子科技大学

Inventor： 鱼滨 ,  解子璇 ,  张琛 ,  解宇

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06Q50/00

Abstract: 本发明公开了一种基于感知神经网络的社交网络链路预测方法，主要解决现有技术在表示节点特征时，由于缺乏对于拓扑结构和节点自身两种影响力的综合考虑，造成链路预测准确率低的问题。其实现步骤为：1)构建自注意力神经网络；2)用社交网络生成训练集，并用邻接矩阵表示；3)利用邻接矩阵计算用户节点的影响力矩阵；4)将邻接矩阵和影响力矩阵输入到自注意力神经网络，对其进行训练；5)将一个无标签待预测的社交网络输入到训练好的自注意力神经网络，得到链路预测结果。本发明增强了节点特征的表示效果，提高了社交网络链路预测的准确率，降低了模型训练过程中的训练时间和空间占用率，可用于预测大型社交媒体用户之间存在联系的可能性。

公开(公告)号：CN112446542A

公开(公告)日：2021-03-05

申请号：CN202011370857.4

申请日：2020-11-30

Applicant: 西安电子科技大学

Inventor： 解宇 ,  马芷璇 ,  张琛 ,  鱼滨

IPC: G06Q10/04 ,  G06Q50/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于注意力神经网络的社交网络链路预测方法，其步骤为：(1)构建注意力神经网络；(2)生成社交网络训练集；(3)对训练集采样；(4)训练注意力神经网络；(5)对社交网络样本进行链路预测。本发明搭建并训练了一个注意力神经网络，能更好地捕获社交网络的动态结构信息，采用注意力使得本发明在处理具有复杂信息的社交网络时有着较短的处理时间和较高的链路预测准确率。