-
公开(公告)号：CN116432695A
公开(公告)日：2023-07-14
申请号：CN202310112687.7
申请日：2023-02-13
Applicant: 海南大学
Abstract: 本发明公开了一种图表示学习方法，所述方法包括：接收所采集的图结构数据，对每个图结构数据进行数据增强；通过图神经网络对所述图结构数据进行编码，得到图表示向量；通过局部‑全局的互信息最大化对所述图表示向量进行训练；通过两种对比策略分别在节点级别和特征级别对所述图表示向量约束。本发明还提供了图表示学习装置、设备及可读存储介质。本发明提供的图表示学习方法、装置、设备及可读存储介质，可以提升图表示学习的可靠性。
-
公开(公告)号：CN115694924A
公开(公告)日：2023-02-03
申请号：CN202211250473.8
申请日：2022-10-12
Applicant: 海南大学 , 海南火链科技有限公司
IPC: H04L9/40 , G06F18/2411
Abstract: 基于熵值与SVM‑BOOSTING的DDoS攻击分级检测方法，所述方法包括：获取交换机和/或路由器端口统计数据；根据所述端口统计数据构建对应的熵值特征；当所述熵值特征对应的熵值超过对应的预设阈值时，调用自适应支持向量机进行流量分类；基于所述分类进行攻击流量识别。本申请提供的基于熵值与SVM‑BOOSTING的DDoS攻击分级检测方法在粗粒度模式下通过统计特征对异常流量触发阈值警报，在触发警报后，细粒度模式进行更精细的特征提取，以通过SVM‑Boosting检测算法做进一步的攻击流量判别。通过日常情况下在粗粒度模式下运行、受攻击时在细粒度模式下运行的方式减少了检测的工作量，通过SVM‑Boosting提高了对支持平面附近实例的分类准确性。
-
公开(公告)号：CN115578561A
公开(公告)日：2023-01-06
申请号：CN202211247279.4
申请日：2022-10-12
Applicant: 海南大学
Abstract: 本发明公开了一种基于多尺度上下文聚合网络的实时语义分割方法及装置，所述方法包括：将原始图像输入至骨干网络中进行编码输出图像信息，并对所述图像信息进行卷积特征提取生成多层特征图；基于所述多层特征图学习多尺度特征，得到特征图；将所述特征图中的深层特征与所述多层特征图中的浅层特征进行融合。本发明还提供了基于多尺度上下文聚合网络的实时语义分割装置、设备及可读存储介质。本发明提供的基于多尺度上下文聚合网络的实时语义分割方法、装置、设备及可读存储介质，可以提升语义分割的分割精度和分割效率。
-
公开(公告)号：CN115348054A
公开(公告)日：2022-11-15
申请号：CN202210771483.X
申请日：2022-06-30
Applicant: 海南大学 , 海南火链科技有限公司
IPC: H04L9/40 , H04L9/08 , H04L9/32 , H04L67/1097
Abstract: 本发明公开了一种基于IPFS的区块链数据代理重加密的方法，所述方法应用于第三方代理重加密服务商中，所述方法包括：接收数据请求方发送的数据请求，所述数据请求中携带有零知识证明信息；在区块链中的智能合约中，验证所述零知识证明参数是否合法；若合法，则向所述数据请求方传输执行过重加密的数据。本发明还提供了一种基于IPFS的区块链数据代理重加密的系统。本发明提供的基于IPFS的区块链数据代理重加密的方法及系统，可以提升数据加密过程的安全性。
-
公开(公告)号：CN114511078A
公开(公告)日：2022-05-17
申请号：CN202111518413.5
申请日：2021-12-10
Applicant: 海南大学
Abstract: 本申请公开了一种基于多策略麻雀搜索算法的BP神经网络预测方法及装置。所述方法包括：设置初始参数，并初始化种群；通过适配函数计算所述种群中每只麻雀的适配值fi，然后对所述适配值fi进行排序，选择当前最优适配值fg及fg的对应位置Xb，以及当前最差适配值fw及fw的对应位置Xw；根据迭代次数调整发现者比例PD值，确定发现者及跟随者，并更新发现者和追随者的位置；根据更新后的发现者和追随者的位置，更新每只麻雀的最佳位置Xb和Xb的适配值fg，以及最差位置Xw和Xw的适配值fw；将所述最佳位置Xb和Xb的适配值fg分配给BP神经网络进行训练和学习。本申请可以提高预测性能。
-
Patent Agency Ranking
公开(公告)号：CN114332094A
公开(公告)日：2022-04-12
申请号：CN202111484331.3
申请日：2021-12-07
Applicant: 海南大学
Abstract: 本申请公开了一种基于轻量级多尺度信息融合网络的语义分割方法，所述方法包括：输入高分辨率图片，并对所述高分辨率图片进行图像特征提取，获取浅层空间语义信息和深层空间语义信息；通过跳跃学习对所述浅层空间语义信息和所述深层空间语义信息进行特征信息融合，得到融合后的语义信息；通过金字塔注意力机制消除所述融合后的语义信息的语义鸿沟；对消除语义鸿沟后的所述融合后的语义信息，通过多尺度密集拼接模块以不同的膨胀率和多尺度密集连接方式学习多尺度上下文信息。本申请具有低内存的占用、高计算效率的特点，同时获得了不错的分割结果。
-
公开(公告)号：CN108900556B
公开(公告)日：2021-02-02
申请号：CN201810972690.5
申请日：2018-08-24
Applicant: 海南大学
Abstract: 本发明实施例提供一种基于HMM和混沌模型的DDoS攻击检测方法，包括：采集网络流量信息作为HMM训练集；计算得到网络流量加权特征观测序列和网络流平均速率序列；根据HMM训练集，计算HMM的最佳隐层状态数N；采用层次聚类算法将所述HMM训练集分为N类，得到隐层状态序列；利用所述网络流量加权特征观测序列和所述隐层状态序列，对HMM进行监督学习，得到状态转移矩阵和混淆矩阵；根据所述状态转移矩阵和所述混淆矩阵，计算后续的网络流量加权特征，得到后续网络流量加权特征预测序列；通过混沌模型计算所述后续网络流量加权特征预测序列的预测误差序列；通过所述预测误差序列和所述网络流平均速率序列来识别DDoS攻击。
-
公开(公告)号：CN110351303A
公开(公告)日：2019-10-18
申请号：CN201910688231.9
申请日：2019-07-29
Applicant: 海南大学
Abstract: 本发明公开了一种DDoS特征提取方法，所述方法包括：在预设时间段内对网络数据流进行采样，并计算所述网络数据流的每个属性的种类，构成训练集；基于所述训练集通过无监督训练方法训练深度信念网络，并基于所述训练集通过有监督训练方法训练前馈神经网络，其中，所述深度信念网络具有瓶颈层；基于所述前馈神经网络调整所述深度信念网络的权重和偏差，生成特征提取模型，以通过所述特征提取模型提取DDoS特征。采用本发明可以有效提高提取的DDoS特征的稳定性和准确性。
-
公开(公告)号：CN106951537A
公开(公告)日：2017-07-14
申请号：CN201710175946.5
申请日：2017-03-23
Applicant: 海南大学
CPC classification number: G06F16/583 , G06T1/005 , G06T7/0014 , G06T2207/30004
Abstract: 本发明公开了一种基于三维DFT的加密医学体数据检索方法，属于多媒体信号处理领域。本发明的步骤是：首先利用Logistic Map的性质在频域对体数据进行加密；然后通过对加密体数据进行3D‑DFT变换,提取其特征向量，将特征向量作为检索的“关键字”，存于第三方；再对待测加密医学体数据进行3D‑DFT变换，提取其特征向量，并与存于第三方的“关键字”进行相似度匹配来检索加密图像。本发明是基于三维DFT的加密医学体数据检索技术，有较好的鲁棒性。
-
公开(公告)号：CN114511078B
公开(公告)日：2024-11-12
申请号：CN202111518413.5
申请日：2021-12-10
Applicant: 海南大学
IPC: G06N3/084 , G06N3/0442 , G06N3/006
Abstract: 本申请公开了一种基于多策略麻雀搜索算法的BP神经网络预测方法及装置。所述方法包括：设置初始参数，并初始化种群；通过适配函数计算所述种群中每只麻雀的适配值fi，然后对所述适配值fi进行排序，选择当前最优适配值fg及fg的对应位置Xb，以及当前最差适配值fw及fw的对应位置Xw；根据迭代次数调整发现者比例PD值，确定发现者及跟随者，并更新发现者和追随者的位置；根据更新后的发现者和追随者的位置，更新每只麻雀的最佳位置Xb和Xb的适配值fg，以及最差位置Xw和Xw的适配值fw；将所述最佳位置Xb和Xb的适配值fg分配给BP神经网络进行训练和学习。本申请可以提高预测性能。
-
-
-
-
-
-
-
-
-
Search Results
62
records
(took 0.023 seconds)
