-
公开(公告)号：CN107241358B
公开(公告)日：2020-04-07
申请号：CN201710651758.5
申请日：2017-08-02
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于深度学习的智能家居入侵检测方法，涉及在线系统涉及一种模糊神经网络和深度学习相结合的方法来判断网络是否存在入侵行为。该方法将深度学习和模糊神经网络有机结合在一起，了解决现有智能家居入侵检测技术难以处理大量高维数据、误报率高、漏报率高、检测率低的问题。本发明采用离线系统确定在线系统的运行参数，在线系统进行实时入侵检测，与现有技术相比，这是一个针对智能家居网络攻击行为的主动监测模型，具有较高的检测率、较低的漏报率和误报率，以及实时性强等特点。
-
公开(公告)号：CN110779724A
公开(公告)日：2020-02-11
申请号：CN201911142431.0
申请日：2019-11-20
Applicant: 重庆邮电大学
IPC: G01M13/045
Abstract: 本发明涉及一种基于频域组稀疏降噪的轴承故障诊断方法，属于机械系统信号处理分析与故障诊断领域，包括以下步骤：S1：采集轴承的时域振动信号，对所述时域振动信号采用高通滤波器滤波，滤除低频耦合信号成分干扰；S2：将信号归一化并估计噪音偏差，寻找最优正则化参数λ；S3：将所述信号转换到频域，采用Douglas-Rachford算法消除所述信号的频域噪音；S4：将处理过后信号转换到时域，通过包络谱分析进行轴承的故障诊断。本发明不需要先验知识，且能够快速实施，有利于实际工业故障诊断的应用。
-
公开(公告)号：CN109474905A
公开(公告)日：2019-03-15
申请号：CN201811595991.7
申请日：2018-12-25
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于角色层级化的无线传感网安全路由方法，将无线传感网节点划分为汇聚节点、安监节点、簇首节点、普通节点。利用Voronoi图对网络进行分簇，通过Dijkstra优化算法建立全网路由。簇首节点收集普通节点数据，融合并发送给汇聚节点，将普通节点数据和融合数据发送给邻近安监节点；安监节点对普通节点和簇首节点进行信誉评估，维护信誉集，将结果发送给汇聚节点，向汇聚节点进行报告异常节点；汇聚节点收集簇首节点感知数据和安监节点信誉报告、异常报告，核实报告真实性，处理异常行为节点、维护网络拓扑。该机制有助于补齐传统模式的安全短板，强化网络节点的不同角色和功能定位，保障无线传感网的路由安全和数据安全。
-
公开(公告)号：CN108712404A
公开(公告)日：2018-10-26
申请号：CN201810422160.3
申请日：2018-05-04
Applicant: 重庆邮电大学
CPC classification number: H04L63/1416 , G06K9/6247 , G06K9/6269 , G06K9/6287 , G06N3/0445 , G06N3/086 , H04L67/12
Abstract: 本发明公开了一种基于机器学习的物联网入侵检测方法，属于物联网安全领域，包括数据预处理、划分数据集及数据降维、构建最小二乘支持向量机、对最小二乘支持向量机进行稀疏化处理、形成基分类器、构建出基于神经网络的基分类器、进行入侵行为检测和进行预测实验。本发明采用最小二乘支持向量机算法以及剪枝技术等降低计算的复杂性；采用改进的进化策略优化模型以摆脱极值点，达到模型最优的效果，可提高判断的准确性。本发明具有计算量小、误报率低和检测准确性高的特点，适合物联网中的入侵检测。
-
公开(公告)号：CN108510006A
公开(公告)日：2018-09-07
申请号：CN201810307309.3
申请日：2018-04-08
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于数据挖掘的企业用电量分析与预测方法，结合温度、湿度和节假日等多影响因素，对企业用电量进行分析与预测。本方法首先利用牛顿插值法、归一化法和PAA算法对数据集进行预处理；再次，利用谱聚类算法对数据集进行聚类，判断异常数据并修正，得到与温度、湿度、节假日等相关性高的企业用电量分组；最后，选用同类企业用电量数据和其相关性高的影响因素作为模型的预测输入，利用循环神经网络(RNN)得出预测值。本发明根据不同的企业用电量类型，结合其用电量影响因数，构建不同的预测模型，可达到模型预测精度高，具有数据预处理能力的效果。
-
Patent Agency Ranking
公开(公告)号：CN108427670A
公开(公告)日：2018-08-21
申请号：CN201810307751.6
申请日：2018-04-08
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于语境词向量和深度学习的情感分析方法，属于自然语言处理领域。本发明公开了自然语言处理领域中一种情感分析方法，涉及使用语境词向量和深度学习结合的方法对电商平台的用户评论做情感倾向性分析，该方法通过训练语境词向量，结合深度学习解决目前情感分析问题中难以处理文本高维数据、无法提取情感特征、准确率低的问题。本发明采用语境词向量得到该语境下词语的语义信息和情感信息，与现有的技术相比，该方法能针对电商平台用户评论提取更有效的特征，对情感倾向分析具有较高的准确率和召回率。
-
公开(公告)号：CN106453351A
公开(公告)日：2017-02-22
申请号：CN201610933083.9
申请日：2016-10-31
Applicant: 重庆邮电大学
IPC: H04L29/06
CPC classification number: H04L63/1483 , H04L2463/102
Abstract: 本发明涉及一种基于Web页面特征的金融类钓鱼网页检测方法，基于预建立的金融类第一Title关键词库、第二Title关键词库、敏感关键词库及网页Logo图标特征点规则库；包括：使用爬虫获取待测网页HTML，提取Title标签文本信息，计算与第一、第二Title关键词库匹配度，若匹配度大于阈值，判定为钓鱼网页，否则转下一步检测；提取待测网页特定标签文本信息，统计与敏感关键词库匹配个数，计算敏感特征值，若特征值大于阈值，判定为钓鱼网页，否则转下一步检测；对待测网页进行定点截图，获取待测网页Logo图标，提取其特征点，并与图标特征点规则库对比，根据特征点匹配个数计算相似度，若相似度大于阈值，判定为钓鱼网页，否则为正常网页。本发明能够准确并快速地判断待测Web页面是否为金融类钓鱼网页。
-
公开(公告)号：CN118626929A
公开(公告)日：2024-09-10
申请号：CN202410744936.9
申请日：2024-06-11
Applicant: 重庆邮电大学
IPC: G06F18/241 , G06F18/214 , G06F18/21 , G06N3/0455 , G06N3/084 , G06N3/0985 , G01M13/04
Abstract: 本发明涉及一种基于时频增强与生成式学习的小样本滚动轴承故障诊断方法，属于智能制造与工业大数据技术领域，包括以下步骤：S1：收集滚动轴承故障数据并进行预处理，建立滚动轴承故障数据集；S2：采用GAF算法将一维振动故障信号转换成为GADF时频特征图并划分出训练样本数据、验证样本数据与测试样本数据；S3：采用CVAE模型对小样本训练数据进行生成式数据样本扩充；S4：构建GAF‑CVAE‑MobileNet‑v3滚动轴承故障诊断模型；利用训练集样本数据和验证集样本数据对模型进行训练和优化；S5：利用测试集样本数据检验滚动轴承故障诊断模型，若不满足要求，则返回步骤S4，直至结果满足要求。
-
公开(公告)号：CN117235596A
公开(公告)日：2023-12-15
申请号：CN202311165102.4
申请日：2023-09-11
Applicant: 重庆邮电大学
IPC: G06F18/241 , G06F18/15 , G06F18/2113 , G06F18/214 , G06N3/006 , G06N7/08 , G06Q50/06 , G06N3/047 , G06N3/086
Abstract: 本发明涉及一种基于改进概率神经网络的智能电网安全态势评估方法，属于互联网技术领域。该方法具体包括如下步骤：S1、收集智能电网安全数据信息和安全资产信息，建立智能电网安全数据库；S2、对数据库中的安全数据进行数据清洗、归一化预处理，得到智能电网安全数据集；S3、将数据集输入XGBOOST进行特征筛选，提取出其关键特征；S4、采用留出法构造样本集和测试集；S5、搭建XGBOOST‑ISSA‑PNN智能电网安全态势评估模型，并利用训练集样本集对模型进行分类训练并保留其最优参数；S6、利用训练好的XGBOOST‑ISSA‑PNN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，评估智能电网的安全状况。
-
公开(公告)号：CN115393291A
公开(公告)日：2022-11-25
申请号：CN202210950446.5
申请日：2022-08-09
Applicant: 重庆邮电大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种YOLOv5和EfficientNet的PCB焊点缺陷检测方法，属于PCB焊点缺陷检测领域，包括以下步骤：S1：采集PCB图像；S2：对含有缺陷的PCB图像进行标注，形成数据集，并划分数据集；S3：构建用于易识别缺陷类型检测但难识别缺陷类型定位的YOLOv5目标检测网络；再构建对难识别缺陷类型进行细粒度分类的EfficientNet图像分类网络；S4：分别对YOLOv5目标检测网络和EfficientNet图像分类网络进行训练和验证；S5：使用训练好的最优模型对测试集进行检测测试；S6：使用测试完成的模型进行PCB焊点缺陷检测；S7：对识别到的含有缺陷的PCB进行分拣。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.024 seconds)
