-
公开(公告)号：CN1301033C
公开(公告)日：2007-02-14
申请号：CN200310109500.0
申请日：2003-12-14
Applicant: 杭州电子科技大学
Abstract: 一种蜂窝网络和无线局域网松融合的移动通信网络，其特征在于：外地无线局域网(2n″)由无线接入点(2a)、与外部连接的路由器(2b)、松耦合服务器(2c)组成，其中路由器(2b)的一个网口与无线接入点(2a)的网口连接，其另一个网口与松耦合服务器(2c)的网口连接。同现有技术比较，本发明的突出优点是：建立一个新的蜂窝网络和无线局域网松融合的移动通信方案，对不同的移动用户实现虚拟家乡代理和家乡代理的实体功能，使切换时延显著缩短，並解决三角路由问题。
-
公开(公告)号：CN113542241B
公开(公告)日：2023-05-09
申请号：CN202110736553.3
申请日：2021-06-30
Applicant: 杭州电子科技大学
IPC: H04L9/40 , G06F18/23213 , G06N3/084 , G06F18/2415 , G06N3/048 , G06N3/047 , G06N3/0464 , G06N3/0442
Abstract: 本发明公开了一种基于CNN‑BiGRU混合模型的网络入侵检测方法及装置，对网络流量样本数据进行预处理，所述预处理包括数字标准化处理、归一化处理、不平衡处理，构建CNN‑BiGRU混合模型，所述CNN‑BiGRU混合模型包括卷积层、池化层、BiGRU层、全连接层和分类层，采用预处理后的网络流量样本数据训练所述CNN‑BiGRU混合模型，然后将待检测网络流量数据输入到训练好的CNN‑BiGRU混合模型，检测得到检测结果。本发明的解决了数据样本不平衡的问题，提高了模型对少数样本的检测率，提高了对网络入侵的检测准确率。
-
公开(公告)号：CN115035298A
公开(公告)日：2022-09-09
申请号：CN202210692153.1
申请日：2022-06-17
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于多维注意力机制的城市街景语义分割增强方法，获取城市街景图像，提取低层特征图和高层特征图，将提取的高层特征图分别输入到空洞空间卷积池化金字塔模块和多维注意力融合模块，将所述空洞空间卷积池化金字塔模块和多维注意力融合模块的输出进行元素相加，得到第一特征图；将低层特征图与所述第一特征连接后，再次输入到多维注意力融合模块，得到第二特征；将低层特征图与所述第一特征连接后的特征输入到解码模块的第一个卷积层，与所述第二特征进行元素相加，在经过解码模块第二个卷积层，输出语义分割增强后的图像。本发明所构建的多维注意力融合模块，模型简单，其运用可以对远程上下文依赖性较大的物体产生更好的预测结果。
-
公开(公告)号：CN114881092A
公开(公告)日：2022-08-09
申请号：CN202210685893.2
申请日：2022-06-16
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于特征融合的信号调制识别方法，包括：获取调制信号样本数据集；对调制信号样本进行预处理，包括提取调制信号样本的频谱图和星座图；对频谱图和星座图进行归一化处理，并将归一化处理后的频谱图和星座图串联拼接获得对应的融合特征图，划分融合特征图为训练集和测试集；建立深度神经网络模型，深度神经网络模型包括依次连接的CNN网络、LSTM网络、注意力机制模块和分类器；将训练集中的融合特征图输入深度神经网络模型进行训练，获得训练好的深度神经网络模型；将实际接收信号的融合特征图输入训练好的深度神经网络模型进行识别，获取调制识别结果。该方法增强了特征多样性，具有较高的识别准确率和泛化能力。
-
公开(公告)号：CN113556319A
公开(公告)日：2021-10-26
申请号：CN202110652571.3
申请日：2021-06-11
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种物联网下基于长短期记忆自编码分类器的入侵检测方法，深度学习是实现入侵检测的一种有效的方式，但是传统的简单单一的深度学习模型如CNN和RNN在面对日益复杂的网络数据和网络攻击时检测能力十分有限。因此为了进一步提高模型的检测精度和效率，我们将无监督学习自编码器加入其中，利用其强悍的特征提取能力对数据非线性降维，再将长短期记忆模型和自编码器相结合，充分结合了这两个模型基于时间序列和非线性降维的特点，对网络流量进行检测。经过对比试验证明，长短期记忆自编码分类器在检测精度上优于BGRU、BLSTM和门控循环单元自编码分类器。
-
Patent Agency Ranking
公开(公告)号：CN113542241A
公开(公告)日：2021-10-22
申请号：CN202110736553.3
申请日：2021-06-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于CNN‑BiGRU混合模型的网络入侵检测方法及装置，对网络流量样本数据进行预处理，所述预处理包括数字标准化处理、归一化处理、不平衡处理，构建CNN‑BiGRU混合模型，所述CNN‑BiGRU混合模型包括卷积层、池化层、BiGRU层、全连接层和分类层，采用预处理后的网络流量样本数据训练所述CNN‑BiGRU混合模型，然后将待检测网络流量数据输入到训练好的CNN‑BiGRU混合模型，检测得到检测结果。本发明的解决了数据样本不平衡的问题，提高了模型对少数样本的检测率，提高了对网络入侵的检测准确率。
-
公开(公告)号：CN109962915B
公开(公告)日：2021-09-28
申请号：CN201910188286.3
申请日：2019-03-13
Applicant: 杭州电子科技大学
IPC: H04L29/06
Abstract: 本发明属于深度学习技术领域，具体涉及一种基于BQP网络的异常检测方法，包括以下步骤：S1，预设异常检测图像训练数据集；S2，搭建BQP网络，设定参数；S3，对于每一批次送入BQP网络的训练批次，利用BQP网络中的特征抽取网络抽取图像中的特征，其输出为批次特征向量X，大小为B×n；S4，在BQP网络中的QP输出层中构建特征超球，QP输出层输出最优对偶变量；S5，通过分类损失函数和一致性损失函数，分别对特征抽取网络输出的特征向量X和QP输出层的最优对偶变量计算损失函数，并通过反向传播算法对BQP网络进行参数优化；S6，检测时，使用特征抽取网络输出的特征向量模长与设定的阈值进行比较，实现异常检测。
-
公开(公告)号：CN112653751A
公开(公告)日：2021-04-13
申请号：CN202011503520.6
申请日：2020-12-18
Applicant: 杭州电子科技大学 , 中国电子科技集团公司第五十四研究所
Abstract: 本发明公开了一种物联网环境下基于多层极限学习机的分布式入侵检测方法，由于相关设备的资源受约束的特性，用于实现自动攻击检测的这类计算较重的任务，都要移到边界设备上，以便让处理功能靠近数据源。这些边界设备能运行预置的分类模型。但当面对大量的训练数据时，却没有足够的存储和处理能力来构造和升级这类模型。为解决这一问题，本发明将计算密集和存储量大的训练运算移到云服务器中进行，构建并在云服务器中训练单隐藏层极限学习机和多隐藏层极限学习机模型，以让边界设备基于云服务器中预置的深度学习模型来执行流量分类，从而分类出是正常流量还是网络攻击，并通过实验分析得出多隐藏层极限学习机拥有更好的性能。
-
公开(公告)号：CN107332606B
公开(公告)日：2021-01-26
申请号：CN201710498400.3
申请日：2017-06-27
Applicant: 杭州电子科技大学
Abstract: 本发明公布一种基于双采样的LEO系统差分空时正交频分复用编码方法，本发明先构建LEO卫星信道下异步双中继网络模型；然后进行差分DTSC‑OFDM编码；构造双采样接收机，最后接收端进行差分解码；本发明中的基于差分DSTC‑OFDM编码条件下的双采样方法，可以克服由频率选择性衰落带来的符号间干扰，同时收发两端省去复杂的信道估计；接收端通过采用一种双采样的方式，来提高接收端平均接收信噪比，从而抵消因小数部分时延差存在而带来的系统性能下降。相较于以往的方法，本发明使系统在小数部分时延差存在时，能够较好的提高误码性能。
-
公开(公告)号：CN111507199A
公开(公告)日：2020-08-07
申请号：CN202010220690.7
申请日：2020-03-25
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种佩戴口罩行为检测方法及装置，采用训练样本对构建的目标检测模型进行训练，在训练时，所述目标检测模型对深度残差网络的残差学习单元中残差模块输出的特征信号进行挤压和激活操作，得到特征信号对应的权重，并通过乘法运算将所述权重与残差模块输出的特征信号进行融合，然后将残差学习单元的输出通过特征金字塔网络获取特征图金字塔；最后对每层特征图金字塔分别进行目标分类和检测框位置回归。本发明在智能监督员工需佩戴口罩才能进入管控区域的基础上有效地达到了小范围内疫情防控的效果，提高了检测精度。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.027 seconds)
