-
公开(公告)号：CN110569197B
公开(公告)日：2022-11-11
申请号：CN201910865517.X
申请日：2019-09-12
Applicant: 中国工程物理研究院计算机应用研究所
Abstract: 本发明公开了一种用于软件可信性评估的可信证据分析与度量方法，包括以下步骤：基于软件研制文档与标准的软件可信需求的获取；基于软件可信特性的软件可信证据模型的构建；基于证据模型设计软件可信评估证据体系；基于粒度标准的软件可信需求的分解；软件可信需求与证据源追溯关系的建立；软件可信需求优先级的确定；软件可信需求实现的分析与判定；软件可信证据直接度量元的采集与软件可信证据间接度量元的度量。本发明基于软件可信证据模型，通过可信需求驱动的证据分析与判定方法开展证据数据采集、度量，保证了用于软件可信性评估的证据数据的准确性与客观性，从而提高了软件可信性评估结果的可靠性。
-
公开(公告)号：CN109597917B
公开(公告)日：2022-03-01
申请号：CN201811208124.3
申请日：2018-10-17
Applicant: 中国工程物理研究院计算机应用研究所 , 四川中锐信息技术有限公司
Abstract: 本发明公开了一种将XML Schema文档转换为XSL文档的方法，包括以下步骤：先确定XML Schema标准定义中需要关注的元素，然后确定XML Schema标准定义的元素和XSL标准定义的元素之间的映射关系；对XML Schema文档进行解析，获取schema标准中需要关注的第一个元素，并添加到XSL文档中；按照深度优先原则依次对XML Schema文档中的 的子节点中的 元素进行解析，查找XML Schema中需要关注的元素并添加到XSL文档中，直到完成整个XML Schema文档的转换。本发明降低了XSL文档编辑的复杂度，并提高编辑的效率，并且使得XML文档易于阅读。
-
公开(公告)号：CN113742125A
公开(公告)日：2021-12-03
申请号：CN202111042013.1
申请日：2021-09-06
Applicant: 中国工程物理研究院计算机应用研究所
IPC: G06F11/07
Abstract: 本发明公开了一种轻量级高通量计算模式及其容错方法，具体涉及计算机应用技术领域，包括以下步骤：步骤一：提出一种运行时高通量计算模式；步骤二；提出一种基于阈值的错误判别方法；步骤三：计一个高通量计算容错技术框架，可实现数千上万通量计算的高效容错。设计了父子任务关系模型，降低了超大规模并发计算任务的管理开销；本发明通过针对数千上万通量并发的计算模式，提出了运行时高通量任务模型，以动态扩展任务的形式，设计了父子任务关系模型，降低了超大规模并发计算任务的管理开销；通过作业数组的任务打包技术，降低与超算调度系统交互频率，进一步减小了作业投递以及作业状态监控的开销。
-
公开(公告)号：CN113723931A
公开(公告)日：2021-11-30
申请号：CN202111054468.5
申请日：2021-09-09
Applicant: 中国工程物理研究院计算机应用研究所
Abstract: 本发明公开了一种适用于多尺度高通量材料计算的工作流建模方法，具体涉及计算机技术领域，为应对材料设计过程中微观到宏观多尺度处理过程自动构建、大量高并发计算任务高效执行的挑战，本发明提出了一种适用于多尺度高通量材料计算的工作流柔性配置与层次化建模的方法。通过高通量计算组件模型实现高并发计算任务的封装与典型流程控制结构的灵活表达；建立面向材料高通量计算的多级资源调度模型，支持高性能计算环境下高通量调度任务的统一投递、监控与结果访问。本发明在面向高通量计算的业务流自动控制上具有创新性，能够通过可视化手段构建多尺度、高通量材料计算业务工作流，自动实现计算过程的执行与计算数据的传递。
-
公开(公告)号：CN113641593A
公开(公告)日：2021-11-12
申请号：CN202111200360.2
申请日：2021-10-15
Applicant: 中国工程物理研究院计算机应用研究所
IPC: G06F11/36
Abstract: 本发明公开了一种基于混合驱动的强流程装备软件自动化测试方法，包括以下步骤：基于数据驱动的设计思想，获得交换数据集；基于关键字驱动的设计思想，形成关键字库；制定测试数据配置规则，形成测试数据文件；结合测试库设计思想，设计数据配置模块、数据解析器、数据容器、测试执行引擎及一系列测试库，形成基于混合驱动的测试自动化框架设计；应用基于混合驱动的测试自动化框架设计，创建测试自动化平台，模拟外部系统在环监听被测软件的输出指令，自动注入激励数据，驱动并控制被测软件的业务流程自动执行，获取测试结果。本发明能够实现不具备编程技能的测试人员也可以开展强流程装备软件自动化测试的目的，适用于强流程装备软件。
-
Patent Agency Ranking
公开(公告)号：CN112818407B
公开(公告)日：2021-06-22
申请号：CN202110409156.5
申请日：2021-04-16
Applicant: 中国工程物理研究院计算机应用研究所
Abstract: 本发明公开了一种基于生成对抗网络的视频隐私保护方法，属于人工智能安全领域，解决现有技术中的隐私保护方法无法对视频进行隐私保护。本发明将点对点的图像生成系统作为对抗网络生成器，并基于视频数据集Image‑net训练得到一系列的视频对抗样本；将三种不同架构的视频分类系统作为对抗网络鉴别器，并基于一系列的对抗样本和对应的原始视频对对抗网络鉴别器进行训练，若训练后能分辨出对抗样本和原始视频的区别，根据训练后的对抗网络鉴别器的参数，利用梯度下降方法对中训练后的对抗网络生成器进行优化，并再次执行，否则，得到训练好的对抗网络生成器对隐私保护的视频进行处理，得到视频对抗样本。本发明用于视频隐私保护。
-
公开(公告)号：CN111654679B
公开(公告)日：2021-06-15
申请号：CN202010742144.X
申请日：2020-07-29
Applicant: 中国工程物理研究院计算机应用研究所
Abstract: 本发明公开了一种面向光路准直控制的多通道图像采集处理系统，包括工业CCD、至少一个安装有CCD设备服务、图像处理服务软件的嵌入式前置控制器、辅助控制器，所述前置控制器通过PCIE扩展网卡与各CCD连接，以实现多路CCD图像的并行采集，并根据当前CCD连接的个数进行图像处理，最终以同步或者事件机制将图像传送至客户端。本发明提供一种面向光路准直控制的多通道图像采集处理系统，能够通过嵌入式前置控制器与辅助控制器的配合，实现电网口CCD的电源及挡板亮度控制、多路CCD的并行采集、处理，满足多路CCD的实时监控需求。
-
公开(公告)号：CN112818407A
公开(公告)日：2021-05-18
申请号：CN202110409156.5
申请日：2021-04-16
Applicant: 中国工程物理研究院计算机应用研究所
Abstract: 本发明公开了一种基于生成对抗网络的视频隐私保护方法，属于人工智能安全领域，解决现有技术中的隐私保护方法无法对视频进行隐私保护。本发明将点对点的图像生成系统作为对抗网络生成器，并基于视频数据集Image‑net训练得到一系列的视频对抗样本；将三种不同架构的视频分类系统作为对抗网络鉴别器，并基于一系列的对抗样本和对应的原始视频对对抗网络鉴别器进行训练，若训练后能分辨出对抗样本和原始视频的区别，根据训练后的对抗网络鉴别器的参数，利用梯度下降方法对中训练后的对抗网络生成器进行优化，并再次执行，否则，得到训练好的对抗网络生成器对隐私保护的视频进行处理，得到视频对抗样本。本发明用于视频隐私保护。
-
公开(公告)号：CN112214927A
公开(公告)日：2021-01-12
申请号：CN202010998145.0
申请日：2020-09-21
Applicant: 中国工程物理研究院计算机应用研究所
IPC: G06F30/27 , G06F30/23 , G06N3/08 , G06N3/04 , G06F111/10
Abstract: 本发明涉及计算机相关技术领域，尤其涉及一种基于机器学习的超高速碰撞碎片云快速模拟方法，包括以下步骤，S10、碎片云关键特征提取方法；S20、碎片云快速模拟模型构建方法；S30、模型中碰撞条件施加策略；S40、模型准确性评估方法。该发明通过特征工程方法，提取碎片云分布特征；然后基于变分自编码器网络结构建立碎片云快速模拟模型，并将碎片云分布特征和碰撞参数作为输入数据；同时设计损失函数，指导神经网络的层次性结构实现输入数据与输出数据之间的复杂函数逼近，进而建立碰撞参数与高维度的碎片云分布特征之间的非线性关系；为了评估所获得碎片云快速生成模型的准确性，建立了模型误差评估方法，通过计算模型输出结果与模型训练数据之间的多种误差标准。
-
公开(公告)号：CN112149617A
公开(公告)日：2020-12-29
申请号：CN202011093353.2
申请日：2020-10-13
Applicant: 中国工程物理研究院计算机应用研究所
Abstract: 本发明涉及一种基于深度学习的脉冲波形去噪方法，步骤如下；S10、深度去噪神经网络模型的层次构建；S20、深度去噪模型损失函数的设计；S30、深度去噪模型的训练数据构建；S40、深度去噪模型对实测脉冲波形的去噪效果；本发明，基于在图像识别领域常见的U‑Net模型构建深度网络，U‑Net卷积神经网络模型相比于其他卷积神经网络，能在降噪去除调制的同时，更好的保留数据关键特征。利用数值方法模拟FM‑to‑AM效应，生成有调制噪音波形和相应的无调制噪音波形数据对，用于深度去噪模型的训练。采用小批量数据的随机梯度信息对权重系数进行迭代更新，提高学习速率。
-
-
-
-
-
-
-
-
-
Search Results
235
records
(took 0.049 seconds)
