-
公开(公告)号：CN111885059A
公开(公告)日：2020-11-03
申请号：CN202010716056.2
申请日：2020-07-23
Applicant: 清华大学
Abstract: 本发明公开了一种工业网络异常检测算法，包括步骤1、在工业网络流量交换的节点部署交换机，步骤2、通过网络接口读取流量数据，将流量数据传递给协议解析算法进行实时分层协议剖析，提取网络行为特征；步骤3、对特征缺失的情况进行处理，将数据特征处理成数字形式，从数据特征中选取合适的特征组合进行模型训练；步骤4、对每种协议建立网络行为模型，以判断是否出现异常；步骤5、利用正常的流量数据对OSI网络模型的各层协议特征建立网络行为模型，将异常流量输入网络行为模型进行进一步的异常分析，输出流量的异常定位结果；步骤6、每隔一段时间，对网络行为模型进行训练数据的更新并替换原模型；该异常检测算法利用机器学习算法进行判别，完成对未知异常的检测，解决了传统方法无法对新型异常做出识别的弊端。
-
公开(公告)号：CN111882668A
公开(公告)日：2020-11-03
申请号：CN202010754650.0
申请日：2020-07-30
Applicant: 清华大学
Abstract: 本发明公开了一种利用多视角图像对三维物体进行重建的方法，包括：步骤1、特征点检测与匹配，步骤2、稀疏点云重建，步骤3、稠密点云重建，步骤4、表面重建，步骤5、表面清理，步骤6、纹理贴图。该发明还公开了一种利用多视角图像对三维物体进行重建的系统。该方法和系统可以利用物体的多视角图像，对该物体的立体对象进行重建，使得最终得到的带有纹理信息的三维模型可以用于零件定位和异常检测要求的复杂应用场景。
-
公开(公告)号：CN111695823A
公开(公告)日：2020-09-22
申请号：CN202010549545.3
申请日：2020-06-16
Applicant: 清华大学
Abstract: 本发明公开了一种基于工业网络流量的异常评估方法与系统，该方法包括如下步骤：异常校验步骤，通过已知的多源安全信息过滤被误报的异常信息；异常聚合步骤，通过聚合算法减少异常流量数量，实现工业网络异常信息标准化；异常关联步骤，通过异常关联分析、感知和预测安全事件。该异常评估系统有利于提高工控网络流量的解释性和可预测性，提升网络态势感知能力，及时规避工业网络中的安全风险。
-
公开(公告)号：CN109710691B
公开(公告)日：2020-08-28
申请号：CN201811562885.9
申请日：2018-12-20
Applicant: 清华大学 , 中车信息技术有限公司
IPC: G06F16/27
Abstract: 本申请公开了一种基于深度学习的混合区块链模型构建方法，该方法中的参与节点用于根据公链数据和/或私链数据构建运算模型，任务节点用于根据运算模型，构建混合区块链模型，该方法包括：任务节点向参与节点发送任务要求；参与节点根据任务要求、存储于区块链中的公链数据和/或自身存储的私链数据，利用深度学习方法，构建神经网络训练模型，记作运算模型；任务节点获取运算模型，并利用深度学习算法融合运算模型，记作混合区块链模型。通过本申请中的技术方案，有利于提高区块链中私链数据的利用率，提高了根据区块链数据处理过程中的准确性。
-
公开(公告)号：CN111586051A
公开(公告)日：2020-08-25
申请号：CN202010384710.4
申请日：2020-05-08
Applicant: 清华大学
IPC: H04L29/06
Abstract: 本发明公开了一种基于超图结构质量优化的异常检测方法，具体包括以下步骤：步骤1、利用无标签数据之间的关联构建超图模型，针对每一个参数构建多个超图模型，基于构建的超图模型利用标签传递来检测未知流量数据的标签，并且形成一组代价敏感的超图结构；步骤2、针对构建的一组代价敏感的超图异常流量检测器，对每一个检测流量得到检测数据的一组标签信息，将每个待检测数据的标签信息作为新的特征赋予待检测数据；步骤3、针对新生成流量数据的特征信息，对每个代价敏感超图的检测结果进行分析，得到针对流量数据的最优检测结果。本发明在超图结构中融入代价敏感信息，从而提高对异常数据的检测能力。
-
Patent Agency Ranking
公开(公告)号：CN109769014B
公开(公告)日：2020-08-04
申请号：CN201811565056.6
申请日：2018-12-20
Applicant: 清华大学
Abstract: 本发明提供一种混合临界系统的服务等级转换方法及装置，其中转换方法包括如下步骤：步骤一、按照系统服务的功能需求，将系统服务划分为多个服务板块；步骤二、根据多个所述服务板块的重要程度，确定多个所述服务板块的优先等级；步骤三、根据每个所述服务板块对环境状况的容忍极限，确定多个所述服务板块之间的转换条件；步骤四、根据多个所述服务板块的优先等级、多个所述服务板块之间的转换条件以及当前系统服务所处的环境条件，对系统服务当前的服务板块进行自动转换。本发明在严酷环境下，关闭部分重要性较低的服务板块，保障关键模块的正常运行，在系统级别增强设备对环境的适应性。
-
公开(公告)号：CN108334455B
公开(公告)日：2020-06-26
申请号：CN201810178494.0
申请日：2018-03-05
Applicant: 清华大学
IPC: G06F11/36
Abstract: 本发明提供了一种基于搜索的代价敏感超图学习的软件缺陷预测方法，所述方法包括：输入原始的训练和测试数据，获得软件模块的特征及相应的软件模块标签；对软件数据进行特征提取，将数据特征转换到新的特征空间；在新的特征空间中，基于测试数据选取与相应测试数据距离最近的训练数据；利用选取的训练数据和测试数据构建超图结构，超图的连接是根据软件模块在转换软件模块特征空间的距离来测算，不断优化错分代价敏感的测试数据总代价，并且优化超图结构；利用学习到的转换向量可以用来计算测试模块是否含有错误。
-
公开(公告)号：CN107563426B
公开(公告)日：2020-05-22
申请号：CN201710738298.X
申请日：2017-08-25
Applicant: 清华大学
Abstract: 本发明提供了一种机车运行时序特征学习方法，其首先完成数据的补全融合和特征选择，对源数据进行去冗余和降维得出初始特征集合；并从中找出关键特征子集；然后具备时序数据学习能力的目标应用模型，直接将这些关键特征子集作为输入并进行深度学习；针对不具备时序数据学习能力的目标应用模型，则提取出关键特征的时序特征信息，并针对这些时序特征信息进行深度学习，扩充该目标应用模型的学习能力。本发明能够根据应用场景的不同，为不同特征数据的输入提供相应的目标应用模型。
-
公开(公告)号：CN110990630A
公开(公告)日：2020-04-10
申请号：CN201911201018.7
申请日：2019-11-29
Applicant: 清华大学
IPC: G06F16/783 , G06F16/75 , G06F16/787 , G06F16/738 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本申请公开了一种基于图建模视觉信息的利用问题指导的视频问答方法，包括：步骤1，获取训练视频的视觉特征和训练问题的问题特征，利用逐项积算法，计算时序注意力特征；步骤2，利用物体检测框架，计算训练视频的物体特征，并确定显式图建模特征；步骤3，利用时序注意力特征和显式图建模特征，进行第0维点乘运算，生成全局视频特征向量；步骤4，根据问题特征和全局视频特征向量，确定全局特征值，并根据全局特征值和训练问题对应的问题答案，更新显式图模型；步骤5，根据更新后的显式图模型，确定视频问题的问题答案。通过本申请中的技术方案，在时间和空间两个维度更加有效地挖掘视频信息，以提高视频问答任务的性能。
-
公开(公告)号：CN106777809B
公开(公告)日：2020-02-18
申请号：CN201710025882.0
申请日：2017-01-13
Applicant: 清华大学 , 中车信息技术有限公司 , 中车大连机车研究所有限公司
Abstract: 本发明提供了一种基于实际运行数据的机车牵引计算模型校准方法。本发明基于从机车运行原始数据中离线获得的操纵档位、运行速度等序列，通过反向拟合的方法构建机车牵引计算模型，再通过正向验证的方式验证模型的准确性。在构建机车牵引计算模型中，首先基于机车日志记录得到机车牵引力和制动力，然后根据LKJ基础数据或线路建造数据获得加算阻力，在此基础上再按照推算公式获得速度和力之间的对应序列，再通过拟合的方式构建机车牵引计算模型。本发明基于实际运行数据拟合的机车牵引计算模型能更好的适应现场复杂的线路环境并减少统计误差，并将反向拟合和正向验证结合，能够更好的保证模型的适应性和准确性。
-
-
-
-
-
-
-
-
-
Search Results
206
records
(took 0.025 seconds)
