-
公开(公告)号：CN113904846A
公开(公告)日：2022-01-07
申请号：CN202111174292.7
申请日：2021-10-09
Applicant: 北京理工大学
Abstract: 结合高斯混合模型与排序学习的多阶段入侵检测方法，S1获取恶意入侵流量数据得到网络流量特征数据集；S2将网络流量特征数据集进行划分并提取最优特征；S3对先验信息集进行预测得到错误分类样本和重叠样本分布情况；S4将错误样本与最优特征测试集进行特征值匹配，通过模型预测得到第一阶段预测结果；S5结合错误样本分布情况，得到重叠样本与非重叠样本，以重叠样本的先验信息为该重叠样本制定预测标签，得到第二阶段预测结果；S6对非重叠样进行分类预测得到第一拼接向量；S7将第一拼接向量通过排序学习模型预测，得到第三阶段预测结果；结合高斯混合模型以及排序学习解决同特征不同标签的样本以及类别易混淆样本分类效果差的问题。
-
公开(公告)号：CN115147656B
公开(公告)日：2025-04-29
申请号：CN202210819142.5
申请日：2022-07-12
Applicant: 北京理工大学
IPC: G06V10/764 , G06V10/82 , G06N3/08 , G06N3/0464 , G06N3/047 , G06N3/048
Abstract: 本发明公开了一种卷积神经网络图像识别分类决策的解释方法，首先将经特征图扰动的图像输入神经网络模型，通过分类输出层得到神经元激活值；然后，用所述神经元激活值除以所述特征图相对应的惩罚因子后，输入softmax层，得到目标类的分数，作为所述特征图的权重，最后，根据多张所述特征图的权重，得到解释图。本发明通过一个参数实现了根据需要放大/缩小特征图的平均值之间的差距，调节了softmax函数放大/缩小特征的重要程度，大大减少了计算量，并且该方法可根据使用者想要的标准生成热力图与解释图，具有非常好的适用性和非常高的解释可信度，此外，该方法可用于任何卷积神经网络，没有模型结构的限制。
-
公开(公告)号：CN119714851A
公开(公告)日：2025-03-28
申请号：CN202411937448.6
申请日：2024-12-26
Abstract: 本发明属于气缸盖热机耦合试验技术领域，提供了一种气缸盖模拟件热机耦合试验方法，包括：热机耦合疲劳试验台搭建、整机试验数据采集、预紧力确定、温度载荷循环曲线构建、机械载荷循环曲线构建、曲线融合、应力应变数据获取、确定耦合周期、收集裂纹数据、热机耦合疲劳寿命记录以及数据整合。本发明通过构建热机耦合疲劳试验台，缩短了加热时间，加快了试验进程；通过融合温度载荷循环曲线和机械载荷循环曲线，实现了气缸盖在实际工作环境下的热机耦合效应模拟；通过四种不同负荷工况，提供了更全面的分析和数据支持；通过设计带有冷却水道的气缸盖鼻梁区模拟件，更精确地模拟了气缸盖的实际工作状态，提高了试验结果的准确性和代表性。
-
公开(公告)号：CN119618600A
公开(公告)日：2025-03-14
申请号：CN202411761233.3
申请日：2024-12-03
Abstract: 本发明提供了一种气缸盖模拟件温度载荷施加方法，该方法包括：根据内燃机工况确定温度条件；根据温度条件得到温度场，并根据温度场确定气缸盖鼻梁区的观测点位；通过观测点位进行测量，得到观测数据，并根据观测数据确定感应线圈参数；根据感应线圈参数得到温度荷载施加方案。该方法通过气缸盖温度场的温度条件和感应线圈参数精确模拟气缸盖在实际工作中所承受的温度载荷，确定温度载荷施加方案。
-
公开(公告)号：CN114840772B
公开(公告)日：2025-03-14
申请号：CN202210414011.9
申请日：2022-04-14
Applicant: 北京理工大学
IPC: G06F16/9536 , G06F16/9538 , G06N3/042 , G06N3/045 , G06N3/0985 , G06Q50/00 , G06N3/048
Abstract: 本发明公开了一种基于同质超图注意力网络的个性化排序与推荐的方法；包括：获取当前所有用户与项目的交互图数据；根据该交互图数据以及项目阶数，计算当前所有用户与项目的最终超图邻接矩阵、结点度矩阵和超边度矩阵；基于此，结合项目表示矩阵，计算出用户表示传播序列；基于此，再通过注意力机制对序列加权计算并过滤得出用户表征矩阵；根据从用户表征矩阵中抽取的目标用户表示，同时结合目标用户的查询表示，对候选项目序列中的候选项进行评分并排序；按照排序之后的候选项目序列对目标用户进行推荐；通过该方法能够确保推荐系统在实现有效推荐的前提下，优化模型架构，减少参数数量，从而提高模型推荐效率。
-
Patent Agency Ranking
公开(公告)号：CN114743029B
公开(公告)日：2025-01-28
申请号：CN202210394752.5
申请日：2022-04-14
Applicant: 北京理工大学
IPC: G06V10/74 , G06V30/19 , G06V10/44 , G06V30/18 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/084
Abstract: 本发明提供了一种图像文本匹配的方法，包括：利用深度神经网络分别提取多尺度的图像特征和文本特征；利用自注意力机制方法计算多个尺度的全局相似性；进行节点级匹配和结构级匹配，利用结构级匹配结果计算多个尺度的局部相似性；根据计算出的多个尺度的全局相似性和局部相似性计算最终总相似性；进行监督学习模型训练，根据损失函数更新模型参数，得到训练后的模型；利用训练后的模型计算输入图像和文本的最终总相似性，根据最终总相似性大小得到匹配的文本或图像。本发明可以在网络训练完成的前提下更快速地找出匹配的图像或文本；利用原始数据的多尺度特征以及更全面的相似性度量方法得到更准确的结果。
-
公开(公告)号：CN119312630A
公开(公告)日：2025-01-14
申请号：CN202411374515.8
申请日：2024-09-29
Applicant: 北京理工大学
IPC: G06F30/23 , G06F119/14 , G06F111/10
Abstract: 本发明属于有限元模型生成及数值模拟技术领域，具体涉及一种基于梯度Voronoi泡沫结构模型设计方法。具体过程为：步骤一：在三维空间区域V0中连续随机生成N个控制点，所生成的控制点满足相邻两控制点之间欧式距离dist(Qi,Qj)大于最小距离Dmin，所述最小距离Dmin基于梯度函数Γ(X)确定；步骤二：依次计算出相邻两控制点之间连线的垂直平分面，将生成的垂直平分面分别延两控制点连线正负方向各偏移设定距离，偏移生成的两个新垂直平分面构成具有实际壁厚的Voronoi多面体；步骤三，基于所述具有实际壁厚的Voronoi多面体，生成梯度泡沫结构数值模型。
-
公开(公告)号：CN118509304A
公开(公告)日：2024-08-16
申请号：CN202410584137.X
申请日：2024-05-11
IPC: H04L41/0631 , H04L41/142 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F18/22 , G06F17/18 , G06F17/16
Abstract: 本发明公开了基于个性化PageRank和对比学习的属性网络异常节点检测方法，属于异常节点检测领域。提出基于PPR的自适应采样策略，根据属性网络中不同节点的中心性选择适配的子图规模并获得局部结构信息，以解决固定采样策略造成的上下文信息缺失或引入噪声进而导致降低检测准确度的问题。利用K最近邻算法单独从属性空间中寻找属性网络的节点最近邻居并获得全局属性信息，充分捕获节点的属性特征额外提供的异常信息。从局部结构和全局属性两个角度构建两个对比范式，并设计了直接针对异常节点检测的对比学习损失函数和异常值计算公式，既考虑子图蕴含的上下文信息与节点信息的一致性，还考虑了属性空间的一致性，提高了检测准确度。
-
公开(公告)号：CN118155095A
公开(公告)日：2024-06-07
申请号：CN202410271296.4
申请日：2024-03-11
Applicant: 北京理工大学
IPC: G06V20/17 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/776 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于卷积神经网络和因果注意力机制的无人机高可靠性探测方法，实现了高鲁棒性、高抗噪能力、低硬件要求、低计算复杂度的无人机探测效果。本发明所提供的架构通过卷积神经网络的局部性、特征提取能力以及因果效应的解释性、鲁棒性，建立了识别能力更强，决策可靠性更优的无人机高可靠性探测模型，相较于传统仅使用卷积神经网络的深度模型和传统的因果效应计算框架，本发明提出的结构有着更高的分类可靠度、更好的解释性和更低的硬件需求。因此本发明更易于实现无人机探测相关任务。
-
公开(公告)号：CN116680343A
公开(公告)日：2023-09-01
申请号：CN202310641906.0
申请日：2023-06-01
Applicant: 北京理工大学
IPC: G06F16/28 , G06N5/02 , G06F18/25 , G06F18/214 , G06V10/40 , G06V10/82 , G06V10/74 , G06F40/279 , G06N3/0499 , G06N3/0455
Abstract: 本发明涉及知识图谱知识推理技术领域，具体涉及一种基于融合多模态信息的实体和关系表示的链接预测方法，包括：收集与所要构建知识图谱主题相关的图像数据、文本数据和三元组数据；将预处理后的三元组数据进行知识抽取和实体对齐；对图像数据进行特征提取，生成视觉表示；对文本数据和三元组数据进行特征提取，生成文本表示；将生成的视觉表示、文本表示和三元组数据共同作为输入，对融合模块进行训练，学习包含多模态信息的实体和关系向量表示；通过解码部分对融合模块学习到的特征表示进行解码并进行链接预测，输出预测为正三元组的概率。本发明可提高链接预测任务的准确率，并能提高多模态知识表示学习的可解释性。
-
-
-
-
-
-
-
-
-
Search Results
77
records
(took 0.027 seconds)
