-
公开(公告)号：CN115996135B
公开(公告)日：2024-03-12
申请号：CN202211103646.3
申请日：2022-09-09
Applicant: 重庆邮电大学
IPC: H04L9/40 , G06F18/2415 , G06F18/2431
Abstract: 本发明涉及一种基于特征组合优化的工业互联网恶意行为实时检测方法，属于工业互联网安全领域。该方法具体包括如下步骤：S1、收集工业互联网恶意行为攻击数据，构建工业互联网安全数据集；S2、对工业互联网安全数据集中的数据样本进行预处理；S3、对预处理后的工业互联网安全数据集进行特征组合优化，约简目标属性集，得到优化特征组合；S4、构建分类模型，对特征组合优化后的工业互联网恶意行为数据样本进行分类；S5、采用贝叶斯优化对分类模型的超参数组合进行自适应调整，保存最优模型，并对测试样本进行预测。本发明能更好地适应工业互联网的实时性要求，能在较短时间内对各类工业互联网恶意行为做出准确的判别。
-
公开(公告)号：CN112258537B
公开(公告)日：2022-08-26
申请号：CN202011161185.6
申请日：2020-10-27
Applicant: 重庆邮电大学
Abstract: 本发明属于图像处理领域，具体涉及一种基于卷积神经网络的监督暗视觉图像边缘检测方法，该方法包括：获取暗视觉图像，将暗视觉图像输入到训练好的监督图像边缘检测模型中进行暗视觉图像边缘检测，得到边缘检测结果；所述监督图像边缘检测模型为优化的监督图像边缘检测模型，该模型由六个边缘检测模块和一个拼接模块构成；本发明通过增加模型的卷积层和引入残差结构单元，能更好地保留图像上一阶段学习的特征及边缘细节信息，使训练的优化模型能够进一步提高图像边缘检测的效果，图像边缘的连续性增强，输出的边缘检测图像更符合人眼观测效果。
-
公开(公告)号：CN113890544B
公开(公告)日：2024-07-26
申请号：CN202111086296.X
申请日：2021-09-16
Applicant: 重庆邮电大学
Abstract: 本发明提供了一种基于并行耦合极化码编译码方法。该方法在编码端，设计了一种新的编码方案，每帧信息比特部分根据信道可靠性划分为三部分，高可靠信息比特位集合A、较高可靠信息比特位集合B和一般可靠信息比特位集合C，且集合B和C的比特位数相等。将多个编码帧的较高可靠信息比特位和一般可靠信息比特位进行循环耦合。译码端首先对每帧采用CRC辅助的SCL(CRC‑aided SCL，CA‑SCL)译码，将译码结果满足CRC校验的帧视为译码成功，否则视为译码失败。若全部帧均译码成功就退出译码，否则利用帧间相关性，对译码失败的帧，根据译码出现的三种情况：非连续帧译码失败、连续两帧依次译码失败、连续三帧或三帧以上依次译码失败，采用帧间比特替换与比特比较相结合的方法，通过译码成功的帧辅助译码失败的帧进行纠正译码，从而提高极化码的纠错性能。
-
公开(公告)号：CN115277159B
公开(公告)日：2023-05-23
申请号：CN202210869728.2
申请日：2022-07-22
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于改进随机森林的工业互联网安全态势评估方法，属于工业互联网安全技术领域，包括以下步骤：S1：收集安全数据和资产信息，建立工业互联网安全流量数据库；S2：得到数据集；S3：构造训练样本集和测试样本集；S4：将训练样本集输入梯度提升决策树进行训练，确定工业互联网中不同攻击特征的重要性分数，利用递归特征消除法提取其关键特征，构建随机森林攻击检测模型，利用训练样本集进行分类训练并保留其最优参数；S5：利用随机森林攻击检测模型对样本测试集进行攻击检测，根据不同攻击的量化指标计算网络安全态势值，评估网络的安全状况。本发明可用于评估工业互联网的安全状况，为工业互联网安全提供保障。
-
公开(公告)号：CN111242868B
公开(公告)日：2023-05-02
申请号：CN202010049736.3
申请日：2020-01-16
Applicant: 重庆邮电大学
IPC: G06T5/00 , G06N3/0464 , G06N3/0455 , G06N3/0475
Abstract: 本发明涉及计算机视觉、深度学习领域，具体设涉及一种暗视觉环境下基于卷积神经网络的图像增强方法，该方法包括：获取原始图像数据和暗视觉环境下的图像数据；将获取的数据分为训练集和测试集，采用训练集的数据训练改进的卷积神经网络模型；采用测试集的数据进行网络性能测试；将暗视觉环境下的图像数据输入图像分解网络中，得到分解出的亮度通道图像；将暗视觉环境下的图像数据和亮度通道图像输入到改进的卷积神经网络模型中，得到暗视觉环境下采集图像的增强图像；通过本发明，能够对暗视觉环境下获取的图像进行增强；增强后的图像清晰，便于人们可以明确辨认图像中的细节内容。
-
Patent Agency Ranking
公开(公告)号：CN115996135A
公开(公告)日：2023-04-21
申请号：CN202211103646.3
申请日：2022-09-09
Applicant: 重庆邮电大学
IPC: H04L9/40 , G06F18/2415 , G06F18/2431
Abstract: 本发明涉及一种基于特征组合优化的工业互联网恶意行为实时检测方法，属于工业互联网安全领域。该方法具体包括如下步骤：S1、收集工业互联网恶意行为攻击数据，构建工业互联网安全数据集；S2、对工业互联网安全数据集中的数据样本进行预处理；S3、对预处理后的工业互联网安全数据集进行特征组合优化，约简目标属性集，得到优化特征组合；S4、构建分类模型，对特征组合优化后的工业互联网恶意行为数据样本进行分类；S5、采用贝叶斯优化对分类模型的超参数组合进行自适应调整，保存最优模型，并对测试样本进行预测。本发明能更好地适应工业互联网的实时性要求，能在较短时间内对各类工业互联网恶意行为做出准确的判别。
-
公开(公告)号：CN114785357A
公开(公告)日：2022-07-22
申请号：CN202210352308.7
申请日：2022-04-05
Applicant: 重庆邮电大学
Abstract: 本发明提供了一种CRC‑LDPC‑Polar级联系统的BPL译码算法。在级联系统中采用循环冗余校验和极化码生成矩阵的反编码码字校验作为早期停止准则，先采用BP译码算法，如果校验不通过再采用BPL译码算法，通过减少级联码译码算法的迭代次数来降低级联码中BPL译码算法的译码复杂度。并且针对极化码的BPL译码算法提出一种新的因子图选取方法，该因子图选取方法利用极化码高斯近似构造法中极化信道对数似然比值的均值，来选择BPL译码算法的L个译码因子图，使得级联系统的BPL译码算法在列表大小L较小时也能有较好的误码性能。
-
公开(公告)号：CN112040136B
公开(公告)日：2021-08-10
申请号：CN202011011291.6
申请日：2020-09-23
Applicant: 重庆邮电大学
Abstract: 本发明设计计算机视觉、自动聚焦领域，特别涉及一种基于清晰域及暗视觉的自动聚焦优化方法，包括使用TEN法对图像进行评价，并且使用ADAM算法根据当前梯度自适应的控制步长进行第一次扫描；当第一次出现电机转向时，根据TEN法对图像进行评价，得到的清晰度序列值进行高通滤波；进行第二次扫描，当电机出现第二次转向时，进行第二次高通滤波；在经过前两次滤波之后，持续扫描，直到扫描到清晰域范围内，停止扫描，使用曲线拟合的方式，拟合出峰值，得到聚焦图像；本发明与常规算法聚焦相比增加了高通滤波环节，减少了搜索时被次峰误导的情况，同时减少了非峰值区域的导数波动，使得自适应搜索算法在运行时步长噪声受影响减少。
-
公开(公告)号：CN112258537A
公开(公告)日：2021-01-22
申请号：CN202011161185.6
申请日：2020-10-27
Applicant: 重庆邮电大学
Abstract: 本发明属于图像处理领域，具体涉及一种基于卷积神经网络的监督暗视觉图像边缘检测方法，该方法包括：获取暗视觉图像，将暗视觉图像输入到训练好的监督图像边缘检测模型中进行暗视觉图像边缘检测，得到边缘检测结果；所述监督图像边缘检测模型为优化的监督图像边缘检测模型，该模型由六个边缘检测模块和一个拼接模块构成；本发明通过增加模型的卷积层和引入残差结构单元，能更好地保留图像上一阶段学习的特征及边缘细节信息，使训练的优化模型能够进一步提高图像边缘检测的效果，图像边缘的连续性增强，输出的边缘检测图像更符合人眼观测效果。
-
公开(公告)号：CN113139548B
公开(公告)日：2022-05-06
申请号：CN202011638890.0
申请日：2020-12-31
Applicant: 重庆邮电大学
IPC: G06V30/148 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04
Abstract: 本发明提出了一种基于运算符和中心线的数学公式识别的方法，其主要思路为：对公式图片进行切割；应用卷积神经网络(CNN)网络结构对字符图片进行识别；充分利用公式中不同种类运算符作用域固定的特点将其分为三类，分别是分号、特殊运算符和二元运算符号，其中特殊运算符包括根号、求和符号、积分符号等大符号，这些运算符有多个作用域，先将这些作用域内的子式判别出来并进行识别，将识别结果直接送入运算符的Latex语言表达式；然后基于字符在书写时受四线格约束的情况，提出中心线的概念，将常见字符分类为向上类、向下类、全占类和中心类，依据字符的中心线类别不同计算阈值，判断两个字符之间的上下标的位置关系。最终实现公式识别。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.086 seconds)
