-
公开(公告)号：CN116400951A
公开(公告)日：2023-07-07
申请号：CN202310310321.0
申请日：2023-03-28
Applicant: 南京大学
Abstract: 本发明提供一种基于行为一致性的库版本约束扩展方法，包括根据给定的项目和满足项目约束的库的基准版本，得到在其中被使用到的所有API调用入口；通过在库的基准版本中追踪这些API调用入口，构建一个按需调用图来追踪库的其余被间接调用到的部分；计算库基准版本和库未知版本的差异；比较版本差异与库被直接或间接调用到的部分，如果两者没有任何重叠的内容，则可以将项目对库的约束扩展到未知版本并生成新约束。本发明可以有效解决由于项目对库的约束过于严格而导致的依赖冲突问题，同时只生成必要部分的调用图，大大提高了生成调用图步骤的效率。
-
公开(公告)号：CN116050459A
公开(公告)日：2023-05-02
申请号：CN202211706448.6
申请日：2022-12-29
Applicant: 南京大学
IPC: G06N3/04 , G06N3/084 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本发明提供一种基于模型变体生成的DNN异常样本检测方法和系统，其中方法包括保持模型核心部分不变，对模型剩余部分进行变异，得到目标神经网络模型变体；计算目标神经网络模型对训练样本的预测结果与目标神经网络模型变体对训练样本的预测结果的差异分数，将训练样本的差异分数中的最大值作为异常判断阈值；计算目标神经网络模型对目标应用场景中的样本预测结果与目标神经网络模型变体对目标应用场景中的样本预测结果的差异分数；如果是，则目标应用场景中的样本为异常样本；否则为正常样本。本发明解决了需要已知异常样本训练和计算开销大的问题，有效检测神经网络模型异常的输入样本，提升神经网络模型在实际使用中的安全性和可靠性。
-
Patent Agency Ranking
公开(公告)号：CN113900947A
公开(公告)日：2022-01-07
申请号：CN202111203150.9
申请日：2021-10-15
Applicant: 南京大学
Abstract: 本发明公开了一种面向线性分类器的基于蜕变测试的软件测试方法，包括如下步骤：步骤一：随机生成多组训练数据集和测试数据集作为源数据集，利用源数据集对待测试程序进行测试，得到训练结果；步骤二：根据源数据集得到的超平面模型，按照蜕变关系中的方式生成新的数据集，在新的数据集上进行训练得到一组新的超平面模型；步骤三：计算超平面模型和新数据集训练得到的超平面模型是否满足蜕变关系，若在任一训练数据集上不满足蜕变关系，则判断该程序存在bug。本发明根据线性分类器的稳定性，提出两种新的蜕变关系，使测试结果更准确，源数据集生成新数据集时应用了源数据集上的训练结果，提高了测试效果。
-
公开(公告)号：CN113139366A
公开(公告)日：2021-07-20
申请号：CN202110549527.X
申请日：2021-05-20
Applicant: 南京大学
IPC: G06F40/16 , G06F40/295 , G06F40/18 , G06F16/9535
Abstract: 本发明涉及基于示例编程的格式丰富文档实体一致性转换方法及框架，其针对示例编程在被用于格式丰富的文档时的局限性，通过分析用户操作历史，自动识别操作历史背后的用户意图，并据此为用户提供有效、稳定、高效的下一步操作推荐，以保持格式丰富的文档中实体的一致性。
-
公开(公告)号：CN110502731B
公开(公告)日：2021-04-27
申请号：CN201910597185.1
申请日：2019-07-04
Applicant: 南京大学
IPC: G06F40/174 , G06K9/62
Abstract: 一种基于精化单元格聚类的电子表格缺陷检测方法，包括如下步骤：一、利用公式单元格生成种子类：提取公式单元格的强特征，根据强特征相似度进行初步的单元格聚类；二、对步骤一之后的剩余单元格进行聚类：提取单元格的弱特征，根据弱特征相似度将剩余单元格添加到合适的种子类中，形成泛化类；三、精化步骤二中生成的泛化类：利用有效性属性对泛化类进行精化处理，形成精化类；四、定位精化类中的有缺陷的单元格：利用离群点检测技术，标记精化类中的离群点为有缺陷的单元格。本发明能够弥补电子表格缺陷检测技术的不足，利用两阶段的单元格聚类技术，提高聚类的召回率，并利用有效性属性来提高聚类的精度，从而提升电子表格缺陷检测的效果。
-
公开(公告)号：CN110083977A
公开(公告)日：2019-08-02
申请号：CN201910397269.0
申请日：2019-05-14
Applicant: 南京大学 , 中国人民解放军国防科技大学
Abstract: 本发明公开一种基于深度学习的大气湍流监测方法，包括训练阶段和监测阶段两部分：训练阶段设计数据格式，开放数据接口，为不同的数据源提供接入方案；利用气象模式资料进行降尺度数值模拟计算，输出目标区高分辨率气象要素场。同时，结合多个经验指数计算湍流强度。建立基于深度学习的湍流强度模型训练器，模型训练器输入样本为卫星云图、对应时空的高分辨率气象要素场以及湍流强度场，模型训练器输出为模型参数。监测阶段根据训练阶段中模型训练器得到的模型参数，建立基于深度学习的湍流强度推理器。推理器可以根据卫星云图与高分辨率气象要素场实时评估大气湍流强度，达到大气湍流监测的目的。
-
公开(公告)号：CN107844327A
公开(公告)日：2018-03-27
申请号：CN201711068798.3
申请日：2017-11-03
Applicant: 南京大学
CPC classification number: H04M1/72569
Abstract: 本发明提供了一种实现上下文一致性的检测系统。所述实现上下文一致性的检测系统包括：约束分析模块、上下文匹配调度模块和一致性检测模块，所述约束分析模块通过对自适应程序需要满足的一系列一致性约束进行结构分析，可事先分析出任何的可能导致新的一致性错误不可检测的可疑的上下文信息组合模式；所述上下文匹配调度模块对上下文信息流进行与可疑组合模式匹配，根据匹配结果指导进行检测技术的调度并自适应地产生合适的调度决策；所述一致性错误检测模块根据调度决策结果调用已有一致性检测技术对于决策产生的上下文队列进行检测。本发明还提供一种实现上下文一致性的检测方法。
-
-
-
-
-
-
Search Results
17
records
(took 0.019 seconds)
