-
公开(公告)号：CN114238854A
公开(公告)日：2022-03-25
申请号：CN202111509423.2
申请日：2021-12-10
Applicant: 重庆邮电大学
Abstract: 本发明提供一种基于图正则增量非负矩阵分解的采矿场景异常检测方法，属于异常检测与诊断技术领域和智能安全领域。该方法首先使用两套设备采集正常状态下的采矿环境信息，两套设备获得的数据均分别做以下处理；将数据进行预处理获得训练集X'；然后通过图正则增量非负矩阵分解得到最优基矩阵Wnew和系数矩阵Hnew；由此建立监控统计量N2和SPE,计算两套设备训练集的控制限；再重新采集数据(测试集X”)进行检测，计算测试集X”的统计量，最后将该统计量与两套控制限进行对比，从而判断采矿场景是否异常；当场景异常时，将最大的或较大的几个贡献值作为异常原因上传至控制接口以展示。该方法解决传统采矿场景异常检测不及时、不准确等弊端，打造数字化矿业。
-
公开(公告)号：CN112488321A
公开(公告)日：2021-03-12
申请号：CN202011417784.X
申请日：2020-12-07
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种面向广义非负矩阵分解算法的对抗性机器学习防御方法，属于机器学习安全领域。目前，该领域亟待解决的关键技术问题是抵御对抗样本攻击和提高机器学习模型的鲁棒性。本发明首先利用特征压缩的检测方法筛选出部分对抗样本，然后，对比扰动消减前后图像样本通过机器学习模型后的输出结果对对抗样本进一步筛选，从而形成级联融合的广度对抗样本检测方案，提高了图像对抗样本的检测效率，同时在非负矩阵分解算法中引入异常点惩罚机制，提出了基于误差阈值的可屏蔽鲁棒性广义非负矩阵分解算法，消除了异常点数据的影响，提高了机器学习模型的鲁棒性。
-
公开(公告)号：CN112465019A
公开(公告)日：2021-03-09
申请号：CN202011351688.X
申请日：2020-11-26
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种基于扰动的对抗样本生成与对抗性防御方法，属于深度学习技术领域。目前对抗样本生成的方法多样化，关于何种扰动更易形成对抗样本是所要解决的重要问题。本发明通过在图像数据中添加扰动生成对抗样本，基于深度神经网络模型，挖掘测试样本的高影响扰动，研究扰动对于对抗样本生成的相关影响，将无维数匹配约束的广义非负矩阵分解算法的降维功能应用在基于扰动的对抗样本的防御过程中，提出基于无维数匹配约束降维的对抗样本扰动消减方法，能够降低深度神经网络模型的识别出错率。
-
公开(公告)号：CN112465015A
公开(公告)日：2021-03-09
申请号：CN202011346295.X
申请日：2020-11-26
Applicant: 重庆邮电大学
Abstract: 本发明公开了一种面向广义非负矩阵分解算法的自适应梯度集成对抗性攻击方法，属于对抗性机器学习技术领域。目前对抗性机器学习技术领域所要解决的关键技术问题是提高机器学习模型抵御对抗性攻击的能力。基于静态广义非负矩阵分解算法(General Non‑negative Matrix Factorization，GNMF)的机器学习功能，提出基于大批量的自适应梯度攻击算法；基于动态增量广义非负矩阵分解算法(Incremental GNMF，IGNMF)的机器学习功能，提出基于动量迭代的自适应梯度攻击算法；在黑盒攻击环境下，构建与基于广义非负矩阵分解算法的机器学习模型近似相同的替代模型训练对抗样本；最后对提出的黑盒攻击策略进一步优化，N次迭代集成多个预训练的GNMF替代模型以构造对抗样本，进而探究性能较优的黑盒攻击方法。
-
-
-
Search Results
54
records
(took 0.019 seconds)
