-
公开(公告)号：CN108092771A
公开(公告)日：2018-05-29
申请号：CN201810142676.2
申请日：2018-02-11
Applicant: 成都信息工程大学
Abstract: 本发明属于安全通信技术领域，公开了一种防篡改的受控的量子安全直接通信方法及系统，为控制接收端获得发送端的秘密信息，发送端发送SC*给控制端；控制端打乱SC*中光子的顺序；然后控制端发送顺序重排后的SC*给接收端；如果控制端不告诉接收端光子的正确顺序，接收端就不能恢复SC并解密秘密信息；控制端也无法得知用K(k1,k2,…,kN)加密的秘密信息等。本发明不需要诚实控制者的前提；即使在控制者不诚实的情况下，本发明提出的协议仍然是安全的，任何对秘密信息的篡改都很容易被发现。本发明可以抵御基于隐形传态的伪光子攻击，同时也可以验证两个参与者(发送者和接收者)的身份。
-
公开(公告)号：CN106685654A
公开(公告)日：2017-05-17
申请号：CN201710021254.5
申请日：2017-01-12
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种具有双向身份认证的量子密钥分发方法，基于Bell态纠缠特性进行窃听检测、身份认证和密钥分发，随后经一次量子序列传输完成身份认证和密钥分发；首先检测信道安全，再进行身份认证，最后进行密钥分发。本发明首先基于Bell态纠缠特性进行窃听检测、身份认证和密钥分发，随后经一次量子序列传输完成身份认证和密钥分发，提高了粒子的使用效率和通信效率，同时也让协议更加简洁；协议在身份认证时还具有零知识性的特点，即使用户被冒充，冒充者也不能在通信中获得任何有价值的信息，从而进一步确保了用户的信息安全；当双方需要进行密钥分发时，本协议首先检测信道安全，再进行身份认证，最后进行密钥分发。
-
公开(公告)号：CN106506566A
公开(公告)日：2017-03-15
申请号：CN201710021573.6
申请日：2017-01-12
Applicant: 成都信息工程大学
IPC: H04L29/06
CPC classification number: H04L63/1441 , H04L63/145
Abstract: 本发明公开了一种基于脉冲免疫的隐蔽式网络攻击主动防御模型及构建方法，通过移动互联网自身的局限性、漏洞、安全隐患等问题，拟引入传染病学理论及脉冲微分方程模型理论，建立移动互联网环境下基于脉冲免疫作用的隐蔽式网络攻击主动防御模型，提出针对隐蔽式网络攻击防御的脉冲免疫策略，有效防御可能存在隐蔽式网络攻击的发生，从而提高移动互联网应用的安全性和可控可管性等问题；建立移动互联网环境下基于脉冲免疫作用的隐蔽式网络攻击主动防御模型，有效防止可能存在的隐蔽式网络攻击的发生；从而提高移动互联网应用的安全性和可控可管性。
-
公开(公告)号：CN119782861A
公开(公告)日：2025-04-08
申请号：CN202411861898.1
申请日：2024-12-17
Applicant: 成都信息工程大学
IPC: G06F18/2321 , G06F16/22
Abstract: 本发明提供了一种面向海量数据的聚类方法及系统，涉及数据技术领域，该方法包括将空间进行网格划分，并将所有数据点分配至对应的网格内，并创建边长为网格结构一半的子网格结构；构建网格索引并检索网格的邻居；在子网格结构中，通过对每个数据点的邻域进行遍历并计算距离，对海量数据的核心点进行识别；根据海量数据的核心点识别结果，进行核心网格的合并以及分配非核心点，完成面向海量数据的快速聚类。本发明解决了传统基于密度的聚类算法无法实现对海量规模数据集进行处理(特别是在参数MinPts较大时)的问题。
-
公开(公告)号：CN117743475B
公开(公告)日：2025-02-11
申请号：CN202311545712.7
申请日：2023-11-17
Applicant: 成都信息工程大学
IPC: G06F16/28 , G06F40/295 , G06F40/30 , G06N3/0464 , G06N3/045 , G06N3/0442 , G06F18/213 , G06F18/25
Abstract: 本发明属于自然语言处理技术领域，公开了一种基于多粒度混合注意力的数据发现的实体关系联合抽取方法及系统，包括：以表格空间的形式标记实体和关系的位置，将文本送入预训练模型Bert中，得到文本的语义信息；通过CNN模块得到语义信息中的局部特征信息；通过多头注意力模块得到全局和局部注意力信息；通过门控单元得到实体特征信息；利用多头注意力模块，得到融合了实体特征的实体注意力信息；通过门控单元得到实体关系联合特征信息，将其输入到双仿射模型，完成实体和关系的联合抽取。本发明更好地融合了上下文信息来处理多义性，更准确地识别实体和关系，提高了联合抽取的精度。
-
Patent Agency Ranking
公开(公告)号：CN119152226A
公开(公告)日：2024-12-17
申请号：CN202411596020.X
申请日：2024-11-11
Applicant: 成都信息工程大学
Abstract: 本发明涉及心电图解读技术领域，公开了一种可信自动化心电图解读方法、装置、设备及存储介质，包括：将待解读的心电图样本输入构建的多层卷积网络，提取出心电图特征；估计狄利克雷分布参数，确定损失值并进行参数更新，对心电图样本进行类别概率预测；基于主观逻辑框架，计算获得类别概率预测结果的不确定性估计结果。本发明通过构建多层卷积网络结合最大池化的快捷链接，从ECG数据中提取高层次抽象特征并估计狄利克雷分布的参数，引入主观逻辑评估分类中的整体不确定性，使得利用狄利克雷分布参数得出的预测概率不受放大效应的影响，考虑整体不确定性有助于避免低置信度却有高预测概率的情况（如随机猜测），降低过度自信的风险。
-
公开(公告)号：CN116523063B
公开(公告)日：2024-07-30
申请号：CN202310176733.X
申请日：2023-02-24
Abstract: 本发明设计了一种量子典型相关性分析方法。该方法将典型主成分分解问题转化为矩阵乘积的特征值分解问题。考虑到高维变量矩阵乘积及特征值分解的困难性，方法首先将问题涉及的两组变量转化为约化密度矩阵,并基于相位估计、受控旋转、测量等量子操作设计了密度矩阵乘积操作来实现变量矩阵乘积操作。最后，设计了量子特征值分解方法实现了典型主成分的提取。相比经典典型相关性分析方法，本发明在数据维度上实现了指数级加速，为进一步实现量子分类、回归等算法奠定了基础。
-
公开(公告)号：CN117689005A
公开(公告)日：2024-03-12
申请号：CN202311725099.7
申请日：2023-12-15
Applicant: 成都信息工程大学
IPC: G06N3/094 , G06N3/045 , G06N3/0475 , G06V10/82
Abstract: 本发明属于对抗机器学习技术领域，公开了一种基于样本预处理的低成本对抗样本防御方法及系统，包括：接收输入样本，调整样本大小；对样本进行切割处理，剔除部分干扰区域；使用图像放缩模块来处理切割模块处理完的样本；对放缩后的样本进行像素值统一化操作；对处理完的样本进行图像放缩操作，将尺寸放缩到模型识别干净样本时可获得的最佳样本准确率的样本尺寸；将处理后的样本输入目标模型，通过评价指标来评价算法防御能力。本发明的核心是图像中非重要信息切割、部分像素值统一化和图像放缩三个模块，均是简单的图像处理操作，满足低成本的要求，通过这三个模块的组合式使用可以达到满足不同防御需求所需的动态防御效果。
-
公开(公告)号：CN117521656A
公开(公告)日：2024-02-06
申请号：CN202311629250.7
申请日：2023-11-30
Applicant: 成都信息工程大学
IPC: G06F40/295 , G06F40/30 , G06N3/0455 , G06N3/0442 , G06N3/047 , G06N3/088 , G06N3/0464 , G06N3/0985
Abstract: 本发明公开了一种面向中文文本的端到端中文实体关系联合抽取方法，包括优化中文预训练模型，对输入的中文文本进行编码处理，生成中文文本的文本表示；对中文文本的文本表示进行实体解码处理，得到实体BIO标注序列和上下文表示向量；采用上下文注意力机制确定上下文注意力向量；将上下文注意力向量与中文文本的文本表示拼接后进行关系编码处理，得到关系编码表示；采用双仿射注意力机制进行关系解码处理，得到实体关系抽取结果。本发明能够捕捉到词级别的交叉依赖信息，能有效提升模型准确性和鲁棒性。
-
公开(公告)号：CN115688883A
公开(公告)日：2023-02-03
申请号：CN202211360816.6
申请日：2022-11-02
Applicant: 成都信息工程大学
IPC: G06N3/0464 , G06N3/09 , G06N10/20 , G06F18/25 , G06F18/24
Abstract: 本发明属于对抗样本检测领域，公开了一种基于量子模糊卷积神经网络的对抗样本检测方法及系统，方法包括：将输入模型中的数据分别传入量子卷积神经网络和模糊神经网络中，将两种网络提取到的特征图通过融合层进行融合，融合层中的融合数据作为预测器输入，最后由预测器输出结果。本发明采用量子模型和模糊系统结合训练量子模糊卷积神经网络训练作为对抗样本检测方法，利用量子卷积神经网络特有的捕获数据全局属性和模糊系统处理不确定性的优势，一定程度上提高了检测率。不仅可以识别原有攻击方法生成的对抗样本，而且对采用同一攻击手段中不同超参数生成的对抗样本以及不同方法生成的对抗样本也有一定的预测和防御作用，模型泛化性优于一般模型。
-
-
-
-
-
-
-
-
-
Search Results
174
records
(took 0.049 seconds)
