-
公开(公告)号：CN118260689A
公开(公告)日：2024-06-28
申请号：CN202410334702.7
申请日：2024-03-22
Applicant: 长沙理工大学
IPC: G06F18/2433 , G06F18/214 , G06N3/045 , G06N3/0499 , G06N3/084 , G06F17/16
Abstract: 本发明属于日志异常检测领域，涉及一种基于自适应低秩参数高效微调的日志异常检测方法。与已有的方法相比，本发明使解决了预训练模型训练开销大、预定义微调网络层的问题，将AdaLoRA参数调优策略用在BERT的所有层，通过自适应选择作用层，减少训练开销和参数的数量，最终以更少的标签数据和更少的训练时间实现可靠的异常检测性能。因此，本项目可以使用基于自适应低秩参数高效的日志异常检测方法检测日志中的异常。采用预训练模型BERT，降低训练时标签数据量的需求。通过冻结预训练模型参数，将BERT模型的所有层与自适应低秩参数高效策略相结合，联合网络层选择、低秩旁路矩阵学习和日志分类任务训练，完成参数高效日志异常检测任务，减少模型训练开销。
-
公开(公告)号：CN119380297A
公开(公告)日：2025-01-28
申请号：CN202411243329.0
申请日：2024-09-05
Applicant: 长沙理工大学
IPC: G06V20/56 , G06V10/764 , G06V10/44 , G06V10/25 , G06V10/80 , G06T17/20 , G06V10/82 , G06N3/0455 , G06N3/0464
Abstract: 本发明提出了一种增强车路协同在常见干扰下鲁棒性的三维目标检测系统，用以解决V2X技术在动态和复杂的交通场景中准确解释共享传感器数据的难题。本发明基于一种新的V2X协同感知框架SSP‑VoxelNet，其主要由五个部分构成：(1)基于VoxelNet的特征提取网络和通道压缩器；(2)用于扩大感受野的多尺度特征融合的稀疏空间池化(SSP)模块；(3)基于Transformer架构的特征融合注意模块；(4)用于多尺度特征融合的区域建议网络(RPN)；(5)用于3D边界包围框分类和回归的检测头。其中Transformer架构模块包含自注意层、交叉注意层和十字交叉注意层。本发明使用V2XSet和DAIR‑V2X数据集验证，与最先进的算法比较表明，在完美条件和常见损坏情况下，平均检测精度都有显著提升。
-
公开(公告)号：CN117934130A
公开(公告)日：2024-04-26
申请号：CN202410084563.7
申请日：2024-01-19
Applicant: 湖南湘能创业项目管理有限公司 , 长沙理工大学
IPC: G06Q30/08 , G06F16/35 , G06F40/30 , G06F18/2431 , G06N3/044 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种项目物资招标的智能分标方法、系统、设备及介质，先通过预设的BERT模型完成文本的语义表示和预处理，高效地学习文本的语义信息，提高类别划分的准确率；然后通过BERT模型对描述文本进行初步分类，得到一个父类别标签，将该父类别标签与对应的描述文本进行融合作为下一层的输入，来预测子类别标签，有效提高分类的准确性和效率，通过BERT模型将子类别标签与描述文本进行组合，将上一层网络训练得到的最优权重参数加载到本层网络中，使得本层分类结果带有上一层标签分类结果的特性，提高类别标签预测准确性；最后通过最小哈希算法实现标段合并，解决由于标段预投资金额不足而招标困难的问题，提高项目招标的成功率。
-
公开(公告)号：CN118606136A
公开(公告)日：2024-09-06
申请号：CN202410735422.7
申请日：2024-06-07
Applicant: 长沙理工大学
Abstract: 本申请提供一种基于主动学习和前缀微调的日志异常检测方法，包括：S1、提取日志消息，对所述日志消息进行解析，得到日志模板；S2、构建所述日志模板的日志序列；S3、将所述日志序列输入至BERT预训练模型，对所述BERT预训练模型进行训练，得到训练好的BERT模型；其中，所述BERT预训练模型中包括前缀微调处理；S4、将待检测的日志消息输入至所述训练好的BERT模型，得到所述待检测的日志消息的检测结果。本申请通过在BERT预训练模型中增加前缀微调处理，可以减少预训练模型的训练参数，缩短模型训练时间，提高模型训练效率。
-
公开(公告)号：CN118193261A
公开(公告)日：2024-06-14
申请号：CN202410280800.7
申请日：2024-03-12
Applicant: 长沙理工大学
Abstract: 本发明属于Trace数据异常检测领域，涉及一种基于图神经网络的微服务架构下Trace异常检测方法。本发明使用了采样具有边特征的有向图来有效表示Trace类型的数据，使用图神经网络提取图表示向量，用基于超球损失函数优化模型，从而达到用较少的数据且无异常标签去训练，也可以得到了很好的检测性能，并准确检测各种异常Trace，可以实现检测微服务架构下调用链的异常。
-
Patent Agency Ranking
公开(公告)号：CN119449969B
公开(公告)日：2025-03-28
申请号：CN202510046343.X
申请日：2025-01-13
Applicant: 长沙理工大学
Abstract: 本发明提供了一种图像加密方法及系统，该方法包括：通过预设哈希函数实时计算出与原始图像对应的目标哈希值，且将目标哈希值设定为与原始图像对应的加密密钥；基于预设规则根据加密密钥实时生成与改进后的混沌系统适配的若干系统初始值，并根据改进后的混沌系统以及若干系统初始值实时输出对应的混沌序列，且训练出对抗神经网络；对混沌序列进行z字形扩散处理，以实时生成对应的图像矩阵，并通过预设置乱算法对图像矩阵进行置乱处理，以实时生成对应的置乱图像；根据混沌序列以及对抗神经网络的生成数据实时构建出对应的轮函数，并实时通过轮函数对置乱图像进行循环加密处理，以生成目标加密图像。本发明能够有效的提升用户使用体验。
-
公开(公告)号：CN119449969A
公开(公告)日：2025-02-14
申请号：CN202510046343.X
申请日：2025-01-13
Applicant: 长沙理工大学
Abstract: 本发明提供了一种图像加密方法及系统，该方法包括：通过预设哈希函数实时计算出与原始图像对应的目标哈希值，且将目标哈希值设定为与原始图像对应的加密密钥；基于预设规则根据加密密钥实时生成与改进后的混沌系统适配的若干系统初始值，并根据改进后的混沌系统以及若干系统初始值实时输出对应的混沌序列，且训练出对抗神经网络；对混沌序列进行z字形扩散处理，以实时生成对应的图像矩阵，并通过预设置乱算法对图像矩阵进行置乱处理，以实时生成对应的置乱图像；根据混沌序列以及对抗神经网络的生成数据实时构建出对应的轮函数，并实时通过轮函数对置乱图像进行循环加密处理，以生成目标加密图像。本发明能够有效的提升用户使用体验。
-
公开(公告)号：CN117893295A
公开(公告)日：2024-04-16
申请号：CN202410107168.6
申请日：2024-01-25
Applicant: 湖南湘能创业项目管理有限公司 , 长沙理工大学
Abstract: 本发明公开了一种招标文件智能编制方法、系统、设备及存储介质，本方法通过基于招投标业务中的历史招标文件生成若干公共条款和个性化条款集合；根据当前招投标业务的分类条件，从个性化条款集合中提取与分类条件对应的个性化条款，并根据若干公共条款和与分类条件对应的个性化条款构建标准化文件；根据前招投标业务对应预填的关键信息和标准化文件形成初始招标文件；将关键信息与专业领域知识库进行信息匹配比对，得到信息匹配比对结果；当信息匹配比对结果准确，则将初始招标文件作为最终招标文件。本发明能够提高招标文件编制效率，降低时间开销并提高招标文件编制准确度。
-
公开(公告)号：CN117474642A
公开(公告)日：2024-01-30
申请号：CN202311393396.6
申请日：2023-10-25
Applicant: 湖南湘能创业项目管理有限公司 , 长沙理工大学
IPC: G06Q30/08 , G06F18/22 , G06F16/36 , G06F18/243 , G06F16/22 , G06F16/2455
Abstract: 本发明公开了一种基于局部敏感哈希的专家抽取方法、系统、设备及介质，包括：获取已招标项目特征集；将已招标项目特征集进行第一局部敏感哈希计算得到第一哈希签名；将第一哈希签名通过预设的哈希表进行分段存储，得到局部敏感哈希森林；获取待招标项目特征集；将待招标项目特征集进行第二局部敏感哈希计算得到第二哈希签名，并将第二哈希签名根据哈希表分段对局部敏感哈希森林进行哈希相似度计算，得到项目哈希相似度；计算候选专家的指标得分，并根据项目哈希相似度和指标得分对候选专家筛选得到抽取专家集合。本发明利用专家的评选经验和专家的专业水平，提高评选质量，同时通过局部敏感哈希森林取得精准的抽取效果和较低的时间开销。
-
公开(公告)号：CN112561204A
公开(公告)日：2021-03-26
申请号：CN202011558211.9
申请日：2020-12-24
Applicant: 国电湖南宝庆煤电有限公司 , 长沙理工大学
Abstract: 本发明公开了一种基于深度学习的电煤价格预测方法及系统，本发明包括分别针对输入的与煤炭价格相关的候选特征数据进行归一化处理，得到各种候选特征数据的候选特征时间序列数据；针对每一种候选特征时间序列数据采用主成分分析法将维度由d维降低至m维，并提取出关键特征；将提取出的关键特征输入预先训练好的基于深度学习的电煤价格预测模型，得到电煤价格的预测结果。本发明选取的关键特征能够实现电煤价格的准确预测，且预测过程计算资源消耗小、处理速度快，而且预测模型不会发生过拟合，泛化能力好。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.025 seconds)
