-
公开(公告)号：CN119513498A
公开(公告)日：2025-02-25
申请号：CN202411673870.5
申请日：2024-11-21
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心) , 青岛理工大学
IPC: G06F18/10 , G06F18/213 , G06F18/22 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06N20/20
Abstract: 本发明属于时间序列预测的技术领域，更具体地，涉及一种基于深度集成学习模型和高低频分离的时间序列数据预测方法。所述方法包括：收集系统中的时间序列数据，对得到的数据进行预处理；对原始时间序列数据进行VMD变分模态分解，将时间序列分解成K个有限带宽的模态分量；联合最大信息系数法和重构误差分析法来确定最佳的分解模态数量K；对分解的所有模态使用过零率和中心频率来划分高低频分量；分别针对高频分量和低频分量建立合适的预测模型；将所有模态预测结果进行叠加，得到最终的时间序列预测结果。本发明组合了多种深度学习模型使得预测方法具备更强的灵活性和适应性，能够针对不同特征的分量选择合适的模型进行预测，从而提升整体性能。
-
公开(公告)号：CN118897973A
公开(公告)日：2024-11-05
申请号：CN202410967431.9
申请日：2024-07-18
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心) , 青岛理工大学
IPC: G06F18/21 , G06F18/15 , G06F18/213 , G06F18/214 , G06F18/23 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06N3/049 , G06N3/084 , G06N3/088
Abstract: 本发明涉及一种基于VAE‑Bi‑LSTM‑SAM的电网电压数据异常检测方法、装置、设备及存储介质。该方法包括：采集电网电压时序数据构建数据集，对数据集中的数据进行预处理，将预处理后的数据集划分为训练集和测试集；对训练集和测试集中的电网电压时序数据进行标准化处理，按时间步长对标准化处理后的电网电压时序数据进行窗口滑动切片处理，形成多元时序窗口数据Xt；建立基于VAE‑Bi‑LSTM‑SAM的异常数据检测模型；利用训练集对基于VAE‑Bi‑LSTM‑SAM的异常数据检测模型进行训练，得到训练好的异常数据检测模型；利用训练好的异常数据检测模型对测试集中的电网电压时序数据进行异常检测。本发明能够实现对电网电压异常数据的准确检测，提高模型的泛化能力，增强模型对异常数据的识别能力。
-
公开(公告)号：CN119513498B
公开(公告)日：2025-05-23
申请号：CN202411673870.5
申请日：2024-11-21
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心) , 青岛理工大学
IPC: G06F18/10 , G06F18/213 , G06F18/22 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06N20/20
Abstract: 本发明属于时间序列预测的技术领域，更具体地，涉及一种基于深度集成学习模型和高低频分离的时间序列数据预测方法。所述方法包括：收集系统中的时间序列数据，对得到的数据进行预处理；对原始时间序列数据进行VMD变分模态分解，将时间序列分解成K个有限带宽的模态分量；联合最大信息系数法和重构误差分析法来确定最佳的分解模态数量K；对分解的所有模态使用过零率和中心频率来划分高低频分量；分别针对高频分量和低频分量建立合适的预测模型；将所有模态预测结果进行叠加，得到最终的时间序列预测结果。本发明组合了多种深度学习模型使得预测方法具备更强的灵活性和适应性，能够针对不同特征的分量选择合适的模型进行预测，从而提升整体性能。
-
公开(公告)号：CN118916806A
公开(公告)日：2024-11-08
申请号：CN202410929974.1
申请日：2024-07-11
Applicant: 青岛理工大学 , 山东省计算中心(国家超级计算济南中心)
IPC: G06F18/2433 , H02J3/00 , G06F21/64 , G06F18/214
Abstract: 本发明公开了一种面向风电功率预测的FDI攻击检测方法，属于风电功率预测技术领域，所述方法包括：获取待检测的风电功率数据，得到待检测数据集；借鉴k折交叉验证的思想对所述待检测数据集进行初步划分，将其均分为k个子集；在每一轮迭代中，轮流选取其中一个子集作为测试集；使用训练完成的SAE对各测试集进行测试，计算SAE重构后的各测试集数据的重构误差；若满足公式：σ>σ0，且Rmax>μ+hσ，则将Rmax对应的具有最大重构误差的测试集标记为被攻击数据，并从所述待检测数据集中移除，原本的k折交叉验证相应地转变为k‑1折交叉验证，转至步骤S103。本发明能够增强风电预测模型的鲁棒性，提高风电厂的经济效益和电网的稳定性。
-
公开(公告)号：CN120032191A
公开(公告)日：2025-05-23
申请号：CN202510510088.X
申请日：2025-04-23
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06V10/764 , G06V10/82 , G06V10/40 , G06N3/0475 , G06N3/094 , G06N3/0455
Abstract: 本发明提出了一种基于动态超前迭代的对抗样本生成方法及系统，属于人工智能安全技术领域；方法包括：对原始图像预处理，生成初始对抗样本；初始化运行参数，将运行参数和初始对抗样本输入到替代模型中进行迭代计算，每次迭代前计算超前因子，根据当前迭代次数判断迭代过程阶段并动态调整超前因子；基于累积动量和动态调整后的超前因子计算超前位置和损失函数梯度，基于损失函数梯度更新累积动量，并生成对抗样本，利用裁剪函数得到最终生成的对抗扰动；当达到最大迭代次数，对原始图像添加最终生成的对抗扰动，生成最终的对抗样本；若否，则重复执行上述步骤。有效解决了固定偏移量的局限性，动量稳定性以及梯度估计准确性的问题。
-
Patent Agency Ranking
公开(公告)号：CN119808896B
公开(公告)日：2025-05-23
申请号：CN202510296997.8
申请日：2025-03-13
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06N3/098 , G06F21/62 , G06F18/2132 , G06F18/214
Abstract: 本发明属于隐私保护的技术领域，更具体地，涉及面向保隐私异构去中心化学习的正则约束自适应调整方法。所述方法包括：将每个客户端#imgabs0#的本地模型#imgabs1#划分为共享模型#imgabs2#和保留模型#imgabs3#，对共享模型#imgabs4#进行正则化约束；客户端#imgabs5#使用上一轮聚合后的共享模型#imgabs6#和本地保留模型#imgabs7#，基于本地数据集#imgabs8#进行梯度下降更新；通过KL散度对正则化参数#imgabs9#进行动态更新调整；对共享模型进行差分隐私保护，然后将加噪后的共享模型广播给邻居客户端；客户端i的邻居客户端接收加噪后的共享模型并进行聚合，以得到下一迭代轮次的本地模型。本发明在保护数据隐私的同时，减轻数据异质性和差分隐私噪声对模型性能的负面影响。
-
公开(公告)号：CN119892499A
公开(公告)日：2025-04-25
申请号：CN202510360779.6
申请日：2025-03-26
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: H04L9/40 , G06F18/15 , G06F18/214 , G06F18/2135 , G06F18/21 , G06F18/2433 , G06N3/0442 , G06N3/0464 , G06N3/0475 , G06N3/0455 , G06N3/094
Abstract: 本发明属于数据分析与网络安全技术领域，具体涉及一种基于物理约束与自适应阈值的虚假数据注入攻击检测和定位方法。所述方法包括：通过预处理多个传感器的测量数据，将数据输入到基于物理约束和时间条件嵌入的WGAN框架进行训练；WGAN生成符合物理规律的高质量合成数据，并结合LSTM捕捉时间序列的长短期特性；随后，利用CNN‑Transformer模型进行全局特征提取和动态阈值生成，结合基于分位数的动态检测机制分析正常数据的分布，精准定位潜在攻击来源；最终，通过循环优化模型架构与参数，提升检测与定位的精度与效率。
-
公开(公告)号：CN119089982B
公开(公告)日：2025-04-08
申请号：CN202411212448.X
申请日：2024-08-30
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院) , 潍柴动力股份有限公司
IPC: G06N3/098 , G06N3/084 , G06N3/0499 , G06F21/57
Abstract: 本发明涉及应用于攻击场景下的分布式学习聚合方法、存储介质和程序产品。该方法包括：构建包含n个节点和单个参数服务器的异构分布式学习系统；参数服务器获取各个节点的梯度；基于接收的各个节点的梯度，参数服务器获取各个节点梯度的范数与方向；基于各个节点梯度的范数与方向，参数服务器计算各个梯度的保留概率，并进行概率筛选，确定保留梯度；根据梯度筛选结果，参数服务器获取各个保留梯度的平均值，根据各个保留梯度的平均值，进行全局模型参数的迭代优化，利用最终优化后的全局模型参数对异构分布式学习系统进行性能评估。本发明将梯度的范数与方向信息相结合，通过概率筛选实现了在异构分布式机器学习环境下保持拜占庭鲁棒性的目标。
-
公开(公告)号：CN119670916A
公开(公告)日：2025-03-21
申请号：CN202510200623.1
申请日：2025-02-24
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06N20/00 , G06F18/213 , G06F18/2115 , G06F18/2413
Abstract: 本发明属于联邦学习的技术领域，具体涉及一种基于特征对比优化与分类器动态集成的联邦学习方法及装置。其方法包括：通过服务器初始化全局模型并将其下发给参与联邦学习的#imgabs0#个客户端，客户端基于接收到的全局模型进行本地模型更新以及对更新后的本地模型进行训练，再利用训练后的本地特征提取器对其本地私有数据集进行特征提取，以构建本地特征原型集合，再将本地模型、本地特征原型集合、客户端总样本量上传至服务器，服务器在全局聚合时，使用对比学习技术提升全局特征原型质量，最后将聚合得到的全局原型和全局特征原型集合下发给各客户端，执行下一轮次的学习，直至本地模型收敛或到达设定的通信轮次。
-
公开(公告)号：CN119622379A
公开(公告)日：2025-03-14
申请号：CN202411695228.7
申请日：2024-11-25
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心) , 泰华智慧产业集团股份有限公司
IPC: G06F18/2321 , G06F18/10 , G06F18/214 , G06F18/21 , G06F18/213 , G06N3/0455 , G06N3/08
Abstract: 本发明属于数据处理分析的技术领域，更具体地，涉及一种基于动态聚类算法DeepDPM的工业系统运行模式刻画方法。所述方法包括：首先收集系统实际运行数据。将数据进行预处理，并按照固定比例划分训练集和验证集；然后建立AE模型，使用训练集对AE进行预训练，并保存训练完成后的AE模型和权重，再使用验证集来验证训练后AE模型的效果。接下来将预处理后的数据输入到训练好的AE模型中进行特征提取；再将提取出的特征数据输入到DeepDPM模型中进行聚类；最后使用一种降维可视化算法：t分布随机邻域嵌入，简称t‑SNE，对聚类结果进行可视化展示。本发明解决了提高工业系统中运行模式预测的效率和准确性问题。
-
-
-
-
-
-
-
-
-
Search Results
151
records
(took 0.091 seconds)
