-
公开(公告)号：CN118869356A
公开(公告)日：2024-10-29
申请号：CN202411327886.0
申请日：2024-09-24
Applicant: 烟台大学
IPC: H04L9/40 , G06F18/214 , G06F18/213 , G06F18/2415 , G06F18/2433 , G06N3/0442 , G06N3/047 , G06N3/0464 , G06N3/045
Abstract: 本发明涉及数据处理技术领域，尤其是涉及一种基于深度学习的司法大数据网络入侵检测方法及系统。方法，包括获取司法大数据中的多源数据；对获取的多源数据进行数据预处理；将预处理后的多源数据进行数据集划分，得到训练集和测试集；建立基于深度学习的司法大数据入侵检测模型；利用司法大数据入侵检测模型对多源数据进行特征提取和特征降维；利用长短时记忆网络和贝叶斯线性层对降维后的特征进行预测，得到预测结果；本发明采用深度学习模型中的CNN组件自动学习司法大数据中的复杂模式和异常行为，无需依赖传统的、可能被APT规避的预定义规则，使模型能够捕捉到APT攻击的微妙迹象，从而提高检测的准确性和全面性。
-
公开(公告)号：CN118865394A
公开(公告)日：2024-10-29
申请号：CN202411345342.7
申请日：2024-09-26
Applicant: 烟台大学
Abstract: 本发明涉及模型优化技术领域，尤其是涉及一种基于多目标优化的文生图大模型优化方法及系统。方法包括：获取文本数据；构建基于扩散模型的文生图大模型；基于优化变量构建多目标优化问题，基于多目标优化问题并利用NSGA‑II算法对文生图大模型进行参数优化；基于参数优化，利用文生图大模型进行反向扩散生成最终的用户需求图像。本发明提出的文生图优化微调方法能够同时优化多个互相冲突的目标。对于文生图模型的微调，可以同时提高图像的清晰度、色彩逼真度和细节表现。同时，确保生成的图像与输入文本在语义上保持高度一致。
-
公开(公告)号：CN118861961A
公开(公告)日：2024-10-29
申请号：CN202411354085.3
申请日：2024-09-27
Applicant: 烟台大学
IPC: G06F18/2433 , G06F18/2131 , G06F18/2135 , G06F18/213 , G06N3/0455 , G06N3/0442 , G06N3/048 , G06N3/084
Abstract: 本发明涉及数据处理技术领域，尤其是涉及一种基于LSTM‑VAE网络的电网数据异常检测方法及系统。方法包括获取智能电网数据；构建长短时记忆网络和VAE的LSTM‑VAE网络模型；利用智能电网数据对LSTM‑VAE网络模型进行网络训练；利用训练好的模型进行电网异常检测。本发明结合LSTM和VAE的优势，LSTM能够有效处理电网数据的时序性，捕捉故障前后不同时间点数据的变化趋势和规律；VAE则通过学习数据的潜在分布，更好地重构数据和检测异常。两者结合可以更准确地识别电网数据中的异常情况。
-
公开(公告)号：CN118861956A
公开(公告)日：2024-10-29
申请号：CN202411345345.0
申请日：2024-09-26
Applicant: 烟台大学
IPC: G06F18/2433 , G06F18/213 , G06F18/241 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/088
Abstract: 本发明涉及数据处理技术领域，尤其是涉及一种基于图神经网络的电力系统数据异常检测方法及系统。方法，包括获取电力系统数据；根据获取的电力系统数据，生成图结构；利用图卷积神经网络对图结构的节点特征进行初步特征提取，得到特征序列；使用基于异常注意机制的编码器从特征序列中进一步提取特征，得到注意力分数；使用基于多头注意力机制的解码器重构编码器提取的特征，并计算重构误差；根据重构误差计算异常得分，基于异常得分判断是否存在异常。本发明通过引入基于图结构的深度学习技术，结合图卷积神经网络和异常注意机制，有效提升了电力系统中异常检测的精度和效率。
-
公开(公告)号：CN118134606B
公开(公告)日：2024-07-23
申请号：CN202410544307.1
申请日：2024-05-06
Applicant: 烟台大学 , 哈尔滨工业大学(威海)
IPC: G06Q30/0601 , G06Q30/0251 , G06N3/0442 , G06N3/08 , G06Q30/0202
Abstract: 本申请涉及商业领域数据预测推荐技术领域，具体为基于用户偏好的服务推荐方法、系统、设备和存储介质；为解决现有技术当中服务推荐准确度较低的问题，本申请首先将基于交互结构图得到的目标用户和服务信息，分别进行门控图神经网络处理和双向门控循环单元处理，获得目标用户长期偏好向量和目标用户短期偏好向量后，进行融合，得到目标用户个性化偏好向量；最后，将每个服务与目标用户个性化偏好向量的概率映射值作为推荐值，并将推荐值大于推荐阈值的服务，作为推荐服务推荐给目标用户，实现快捷准确的服务推荐，应用在商业领域数据预测中，能增加用户体验，提升商业内容消费。
-
Patent Agency Ranking
公开(公告)号：CN118035565B
公开(公告)日：2024-06-11
申请号：CN202410430460.1
申请日：2024-04-11
Applicant: 烟台大学 , 哈尔滨工业大学(威海)
IPC: G06F16/9535 , G06N3/0464 , G06N3/08 , G06F18/241 , G06F18/25 , G06F18/22
Abstract: 本发明涉及商业领域数据预测推荐技术领域，具体为基于多模态情绪感知的主动服务推荐方法、系统和设备；该服务推荐方法，首先针对不同模态特点进行不同特征提取方式，得到文本特征向量、图像特征向量和音频特征向量；然后，将片段融合向量与视频总融合向量均值进行处理后分类，得到用户情绪向量；最后，基于用户地址、属性和情绪、服务地址和属性、场景等信息，构建用户‑服务‑情景的图结构，基于图卷积处理的方式，得到的目标用户节点传播特征向量，服务节点传播特征向量，情景节点传播特征向量，经推荐值计算，将推荐值大于阈值对应的服务推荐给目标用户，实现对目标用户丰富且准确的服务推荐，提升用户的体验感。
-
公开(公告)号：CN118134606A
公开(公告)日：2024-06-04
申请号：CN202410544307.1
申请日：2024-05-06
Applicant: 烟台大学 , 哈尔滨工业大学(威海)
IPC: G06Q30/0601 , G06Q30/0251 , G06N3/0442 , G06N3/08 , G06Q30/0202
Abstract: 本申请涉及商业领域数据预测推荐技术领域，具体为基于用户偏好的服务推荐方法、系统、设备和存储介质；为解决现有技术当中服务推荐准确度较低的问题，本申请首先将基于交互结构图得到的目标用户和服务信息，分别进行门控图神经网络处理和双向门控循环单元处理，获得目标用户长期偏好向量和目标用户短期偏好向量后，进行融合，得到目标用户个性化偏好向量；最后，将每个服务与目标用户个性化偏好向量的概率映射值作为推荐值，并将推荐值大于推荐阈值的服务，作为推荐服务推荐给目标用户，实现快捷准确的服务推荐，应用在商业领域数据预测中，能增加用户体验，提升商业内容消费。
-
公开(公告)号：CN117349532B
公开(公告)日：2024-05-24
申请号：CN202311388437.2
申请日：2023-10-24
Applicant: 烟台大学
IPC: G06F16/9535 , G06Q10/0637 , G06Q10/04 , G06Q50/10 , G06F30/20 , G06F111/06
Abstract: 本公开涉及服务推荐技术领域，提出了一种动态多目标服务组合优化推荐方法及系统，包括如下步骤：针对动态多目标服务优化组合问题，构建动态多目标服务优化组合问题模型；针对环境的动态性设计环境变化检测算子和环境变化响应策略；将环境变化检测算子与环境变化响应策略嵌入至社会学习优化算法中，基于嵌入改进的社会学习优化算法对动态多目标服务优化组合问题模型求解，得到最优的服务组合推荐方案。本公开能够实时感知环境的变化，得到与对应环境相匹配的最优并且最有效的服务组合推荐方案。
-
公开(公告)号：CN117422266A
公开(公告)日：2024-01-19
申请号：CN202311441041.X
申请日：2023-11-01
Applicant: 烟台大学
IPC: G06Q10/0631 , G06F18/22
Abstract: 本发明属于资源或任务分配技术领域，具体涉及基于工人偏好的任务分配方法、系统、装置、存储介质；通过挖掘工人之间执行任务的属性相似性、工人与任务之间的属性相似性、任务之间的属性相似性，并对相似性分别设置相应的权重后，进行加权，预测工人偏好；基于工人偏好预测结果，获得每个任务相对应属性的最大收益，得到收益最大的任务工人对，对工人和任务进行匹配，从而提高工人的满意度，保证任务的服务质量，实现满足多方需求的任务分配结果。
-
公开(公告)号：CN117313972A
公开(公告)日：2023-12-29
申请号：CN202311271113.0
申请日：2023-09-28
Applicant: 烟台大学
IPC: G06Q10/047 , B63B35/00 , G06Q10/0631
Abstract: 本发明属于无人艇控制技术领域，具体涉及一种无人艇集群的攻击方法、系统、装置及存储介质。基于获取的敌我双方无人艇信息，获取我方每艘无人艇采取动作所获得的收益，对我方每艘无人艇采取动作所获得的收益进行优势处理后，进行收益梯度处理，经动作损失处理后，预测下一步动作，对预测的下一步动作经策略损失处理后，得到我方每艘无人艇的最佳下一步动作，获得我方每艘无人艇的最佳攻击路线；结合混合策略及纳什均衡处理，获得混合策略的纳什均衡点，得到我方无人艇集群的协同攻击策略，既能保证我方每艘无人艇精准高效完成攻击任务，又能实现我方无人艇集群协同攻击收益最大化。
-
-
-
-
-
-
-
-
-
Search Results
100
records
(took 0.023 seconds)
