-
公开(公告)号：CN119887482A
公开(公告)日：2025-04-25
申请号：CN202411969107.7
申请日：2024-12-30
Applicant: 桂林电子科技大学
IPC: G06Q50/26 , G06Q10/04 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/0442
Abstract: 本发明提供一种基于小波变换的图卷积神经网络复合模型的大气污染预测方法，采用小波变换数据时频域分解技术对划分后的数据集进行时频域分解，解决了长时间数据的纠缠问题，构建的能够有效关联污染物的时间和空间信息，并考虑了多个站点间的传输，提升了模型的说服力，进而能够提升大气污染的预测精准度。该方法适用于城市大气污染预测，有助于模拟和预测大气环境变化，对空气污染防治、挖掘污染物传播规律具有借鉴意义。
-
公开(公告)号：CN119443148A
公开(公告)日：2025-02-14
申请号：CN202411570100.8
申请日：2024-11-05
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于动量的量子对抗攻击方法，该方法借鉴物体动量机制，设计量子对抗攻击方法高效产生对抗样本。针对现有量子对抗攻击方法过度拟合特定模型导致陷入较差的局部最优解的问题，本发明提出了一种新的基于动量的量子对抗攻击方法(Q‑MIFGSM)。该方法通过定义量子神经网络分类器的损失函数和样本的动量累计梯度信息，采用动量迭代更新方式，对损失函数梯度值进行动量累积，结合当前和历史梯度动态调整优化方向，有效跳出局部最优解，使量子分类器的损失函数值增大导致分类器分类错误，实现对抗攻击，高效生成对抗样本。仿真实验结果表明，Q‑MIFGSM算法能有效对量子神经网络分类器执行对抗攻击，并生成接近原始数据的对抗样本。这为量子对抗攻击提供了新的策略，在量子神经网络安全评估和防御策略方面具有潜在的应用价值。
-
公开(公告)号：CN116094765B
公开(公告)日：2025-04-29
申请号：CN202211629175.X
申请日：2022-12-19
Applicant: 桂林电子科技大学
IPC: H04L9/40 , G06F18/214 , G06F18/241 , G06N10/60 , G06N10/20 , G06N3/0475 , G06N3/08
Abstract: 本发明公开了一种基于量子生成对抗网络的内部用户异常行为检测与评估方法，该方法利用量子态的叠加性和平行性，使得量子计算在处理高维数据方面有着强大的能力。针对异常行为检测时遇到的正负样本数据比例极其不均衡，以及大规模网络系统环境下的用户行为复杂、多变且难以预测等问题，本发明提出了一种基于量子生成对抗网络的内部用户异常行为检测与评估算法（QBDE）。QBDE算法包括用于检测和评估的量子经典混合架构的生成对抗网络（QGAN）和经典神经网络。通过仿真测试和数值分析表明，QBDE算法可以有效地检测和评估内部用户的异常行为。为异常行为的检测和评估提供了新的思路，也为量子计算提供了新的应用场景。
-
公开(公告)号：CN119886442A
公开(公告)日：2025-04-25
申请号：CN202411968885.4
申请日：2024-12-30
Applicant: 桂林电子科技大学
IPC: G06Q10/04 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06Q50/26
Abstract: 本发明提供一种能够增强对大气污染物传播过程时空特征捕捉能力的方法，采用时间‑空间注意力机制能够同时提取时间特征和空间特征的注意力权重，优化了对复杂数据的处理能力，并通过为输入数据分配不同的时间和空间权重，增强了对大气数据时空关系的捕捉能力，进而提高了对全局以及局部特征的捕捉能力，将SoftMax激活函数代替为值域为(‑1,1)的Tanh，避免混淆负相关和弱相关关系，进而实现了更精准的大气污染物传播过程的时空特征提取。
-
公开(公告)号：CN116541829B
公开(公告)日：2024-12-03
申请号：CN202310483264.6
申请日：2023-04-28
Applicant: 桂林电子科技大学
IPC: G06F21/50 , G06F18/243 , G06N3/0464 , G06N10/20 , G06N3/084 , G06F18/214 , G06F18/21
Abstract: 本发明公开了一种基于量子卷积神经网络的内部用户异常行为检测方法，该方法是先从原始用户数据集中获取数据源，对其进行特征提取，根据行为域的指标体系筛选出定量和定性的指标数据，并对筛选出的指标数据进行归一化处理，得到训练样本，然后利用QCCNN将通常表示为多维数组的经典数据转化成量子状态，使用核函数将数组中的每个元素映射到单量子比特状态中，作为量子编码；最后采用PennyLane框架，通过不断的调整模型参数变量，使得模型的输出结果和实际的数据之间达到最佳的拟合程度，使用混合量子经典计算机自动导出混合量子‑经典损失函数的梯度，以实现用户异常行为的检测，并通过模拟和对比实验展示其可行性和有效性。
-
Patent Agency Ranking
公开(公告)号：CN111696065B
公开(公告)日：2023-06-02
申请号：CN202010545745.1
申请日：2020-06-16
Applicant: 桂林电子科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于图像处理的宝石图像高光去除方法，该方法是先选取宝石图像，通过高光检测模块获取成像后的宝石图像的高光检测和亮度直方图；利用高光检测算法对宝石图像高光区进行检测和标记，若为高光区，将用其它颜色标记出来；再通过去除高光方法模块对图像去除高光，得到高光去除后的宝石图片。本发明利用宝石高光去除系统对含有高光的宝石进行检测和修复，多种修复方法可选，具有效率高、操作简单等优点。
-
公开(公告)号：CN111696067A
公开(公告)日：2020-09-22
申请号：CN202010545686.8
申请日：2020-06-16
Applicant: 桂林电子科技大学
IPC: G06T5/50
Abstract: 本发明公开了一种基于图像融合系统的宝石图像融合方法，该方法是先选取需要融合的2幅宝石图像，检测输入图像大小是否相等；然后利用图像融合方法对两幅宝石图像进行融合，对两张输入图像进行匹配度大小的比较，最终得到宝石融合图像。本发明针对存在局部高光、模糊等问题的宝石图像，利用融合规则提供多种方法可选融合算法，经过融合后可以获得更为完整清晰的宝石图像。系统可以较好地保持宝石图像的信息和完整轮廓，具有融合快、效率高、操作简单等优点。
-
公开(公告)号：CN111696065A
公开(公告)日：2020-09-22
申请号：CN202010545745.1
申请日：2020-06-16
Applicant: 桂林电子科技大学
IPC: G06T5/00
Abstract: 本发明公开了一种基于图像处理的宝石图像高光去除方法，该方法是先选取宝石图像，通过高光检测模块获取成像后的宝石图像的高光检测和亮度直方图；利用高光检测算法对宝石图像高光区进行检测和标记，若为高光区，将用其它颜色标记出来；再通过去除高光方法模块对图像去除高光，得到高光去除后的宝石图片。本发明利用宝石高光去除系统对含有高光的宝石进行检测和修复，多种修复方法可选，具有效率高、操作简单等优点。
-
公开(公告)号：CN116094765A
公开(公告)日：2023-05-09
申请号：CN202211629175.X
申请日：2022-12-19
Applicant: 桂林电子科技大学
IPC: H04L9/40 , G06F18/214 , G06F18/241 , G06N10/60 , G06N10/20 , G06N3/0475 , G06N3/08
Abstract: 本发明公开了一种基于量子生成对抗网络的内部用户异常行为检测与评估方法，该方法利用量子态的叠加性和平行性，使得量子计算在处理高维数据方面有着强大的能力。针对异常行为检测时遇到的正负样本数据比例极其不均衡，以及大规模网络系统环境下的用户行为复杂、多变且难以预测等问题，本发明提出了一种基于量子生成对抗网络的内部用户异常行为检测与评估算法（QBDE）。QBDE算法包括用于检测和评估的量子经典混合架构的生成对抗网络（QGAN）和经典神经网络。通过仿真测试和数值分析表明，QBDE算法可以有效地检测和评估内部用户的异常行为。为异常行为的检测和评估提供了新的思路，也为量子计算提供了新的应用场景。
-
公开(公告)号：CN116088690A
公开(公告)日：2023-05-09
申请号：CN202310152842.8
申请日：2023-02-22
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于深度学习的多人交互式手势识别系统。包括步骤：摄像头采集用户手势控制图像，启动一个新线程运行手势识别，将获取到的识别结果传到用户界面；Mediapipe采用机器学习管道对上个步骤中采集到的用户手势控制图像推断手的3D界标，在由手掌检测器定义的裁剪图像区域上运行并返回高保真3D手部关键点；用逻辑用语通过步骤2中高保真3D手部关键点判断手的数量及左右，继而用二维矩阵储存坐标信息，从而获取指关节坐标的时间序列及预处理；GRU网络结构将步骤3中指关节坐标转换为语义信息，经由分类网络加工处理；手势输出最终在服务端实现交互，信息在界面显示。本发明有效利用手掌动作的姿势信息，大大提高了手势识别的准确性。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.028 seconds)
