-
公开(公告)号：CN110022542B
公开(公告)日：2022-02-15
申请号：CN201910434025.5
申请日：2019-05-23
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种改进型基于条件隐私保护的匿名认证方法，其特征在于，包括如下步骤：1）系统的初始化：2）车辆登记；3）RSU登记；4）短时密钥生成；5）匿名证书的生成；6）消息签名；7）匿名证书及消息的认证；8）条件追踪。这种方法实现了OBU和RSU之间的相互认证，而且车辆匿名证书中的身份信息是变化的，攻击者无法对车辆的身份信息进行监控和跟踪，还可以快速的查找出恶意车辆的真实身份信息，以及判定出非法车辆的无效性，同时具有身份认证、匿名性、不可链接性、隐私保护性和可追溯性，并且提高了认证效率。
-
公开(公告)号：CN113987012A
公开(公告)日：2022-01-28
申请号：CN202111208564.0
申请日：2021-10-18
Applicant: 桂林电子科技大学
IPC: G06F16/2458 , G06F16/29 , G06F16/901
Abstract: 本发明公开了一种基于知识的多层次同位模式挖掘方法，首先结合本体表示的领域知识与空间数据获取所述空间数据的语义关系，再依据距离阈值获取空间数据集的星型邻居关系，根据星型邻居获取团实例，通过团实例发现同位模式的方法，既避免了生成表实例的大量连接操作，也缓解了发现极大团的困难，解决了现有技术中的同位模式发现方法在生成表实例时需要大量的连接操作且难以发现极大团的技术问题，同时缓解了现有同位模式挖掘方法只能发现细粒度特征的单层次的同位模式的局限性。
-
公开(公告)号：CN109408619B
公开(公告)日：2021-09-07
申请号：CN201811177400.4
申请日：2018-10-10
Applicant: 桂林电子科技大学
IPC: G06F16/332 , G06F16/36 , G06K9/62
Abstract: 本发明提出一种面向问答领域动态计算问句与答案相似性的方法，所述问句包括答案问句部和问句答案部分，所述计算问句与答案相似性的方法包括：计算答案问句部分答案各方面向量与加权问句向量的相似性得分，其中所述答案各方面向量包括答案实体向量、答案类型向量和答案内容向量；计算问句向量与答案向量的最终相似性得分。
-
公开(公告)号：CN108446562B
公开(公告)日：2021-08-03
申请号：CN201810258288.0
申请日：2018-03-27
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于禁忌与人工蜂群双向优化支持向量机的入侵检测方法，首先对原始的人工蜂群算法进行重新构造，总体思想为将蜜源与支持向量机待优化参数进行同步编码，利用随机生成方式生成蜜源的初始解，执行基于禁忌‑人工蜂群搜索策略寻找最优特征子集。具体包括在初期雇佣蜂搜索阶段引入第一个禁忌表，对找到的局部最优解进行存储记忆，在以后的预定次迭代中避开这些局部最优解；在观察蜂阶段引入第二个禁忌表，同时加入奖惩机制改进蜜源的适应度函数，提高解的多样性；最后在侦查蜂阶段引入第三个禁忌表存储达到最大开发次数但适应值仍没有提高的解。本发明具有较强可行性和良好的实用性。
-
公开(公告)号：CN107729444B
公开(公告)日：2021-01-12
申请号：CN201710917772.5
申请日：2017-09-30
Applicant: 桂林电子科技大学
IPC: G06F16/9535 , G06F16/36
Abstract: 本发明公开一种基于知识图谱的个性化旅游景点推荐方法，通过互联网上海量的数据构建旅游领域知识图谱，利用改进的TransE模型对知识图谱中的信息进行编码，将景点以及用户结点依据链接属性的个数训练为一个n维的向量(假设有n个属性)，将用户与景点之间的关系也表示为n维向量，得到用户以及景点的向量表示之后计算用户与用户以及景点与景点之间的相似度，将相似度代入预测评分公式得到两个预测评分，然后将f(h,r,t)所计算得到的向量之间的差值归一化到评分阈值之间，得到第三个预测评分，最后对三个预测评分进行加权平均得到最后的评分列表为用户做出推荐。本发明解决了现有技术中的语义差、推荐准确度低以及冷启动问题，具有良好的实用性。
-
Patent Agency Ranking
公开(公告)号：CN106227696B
公开(公告)日：2020-01-07
申请号：CN201610628003.9
申请日：2016-08-03
Applicant: 桂林电子科技大学
IPC: G06F15/78
Abstract: 本发明公开了一种快速重构高性能目标阵列的方法，包括如下步骤：模型介绍、引入规则、约束定义、逻辑列和目标阵列最大化定义、处理器阵列重构算法和实验分析等，该快速重构高性能目标阵列的方法，而对于HPTA的构建，其等价于在网络中寻找节点不相交路径的最大数目，使得这些节点不相交路径具有上述偏序关系且路径的总花费最小，且具有相同的位置，当重构过程结束后，高性能目标阵列的重构问题可在多项式时间内得到最优解，可以将原宿主阵列中所有相邻集为空的处理单元视为故障处理单元，不仅实现了算法NMHP，同时也实现了算法ALG06和ALG14作为对比实验。对比现有技术的缺点，本发明优势明显，花费较小，其而更加准确，值得以后推广使用。
-
公开(公告)号：CN110532464A
公开(公告)日：2019-12-03
申请号：CN201910743597.1
申请日：2019-08-13
Applicant: 桂林电子科技大学
IPC: G06F16/9535 , G06F16/951 , G06F16/36 , G06Q50/14
Abstract: 本发明公开了一种基于多旅游上下文建模的旅游推荐方法，包括：采集数据并进行预处理，对用户、景点及其属性数据进行编号；构建旅游序列轨迹和景点知识图谱；通过深度学习模型训练得到游客访问行为序列上下文和景点旅游属性上下文的特征表示；融合多旅游上下文信息得到最终的用户向量和景点向量；计算用户向量与各景点向量的空间距离相似度，得到Top-K旅游景点推荐。本发明利用向量融合的方法将由游客访问行为序列上下文和景点旅游属性上下文分别得到的用户向量和景点向量合并为最终的用户向量和景点向量，该特征表示有效地融合了多旅游上下文，提高了特征表示中的高级旅游语义，确保了推荐的有效性。
-
公开(公告)号：CN109993668A
公开(公告)日：2019-07-09
申请号：CN201910279794.2
申请日：2019-04-09
Applicant: 桂林电子科技大学
IPC: G06Q50/14 , G06F16/9535
Abstract: 本发明涉及一种基于门控循环单元神经网络的景点推荐方法，解决的是启动困难问题，数据稀疏性问题，以及忽略旅游轨迹中的隐含语义问题的技术问题，通过采用步骤一，采集旅游数据＜uj1，sj2，vj3＞，对旅游数据进行预处理，按照第j个游客的所有旅游数据按照时间顺序生成表征旅游轨迹的旅游序列T；步骤二，将步骤一的旅游序列输入到门控循环单元神经网络中，通过门控循环神经网络对旅游数据进行建模，建立门控循环单元神经网络学习模型；步骤三，将步骤一的旅游序列T作为数据集同时输入步骤二的门控循环单元神经网络学习模型，将同批次的其他景点作为负例进行训练；步骤四，定义损失函数，更新推荐列表，完成景点推荐的技术方案，较好的解决了该问题，可用于景点推荐中。
-
公开(公告)号：CN106203696B
公开(公告)日：2019-04-16
申请号：CN201610536636.7
申请日：2016-07-08
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于符号的混合装配序列生成方法，包括先根据装配体的联接矩阵和干涉矩阵创建联接矩阵和干涉矩阵的ZBDD表示；再根据装配体的干涉矩阵，求解优先关系矩阵；再搜索出所有可行的装配，并创建文件存放可行装配序列和装配过程中生成的子装配体，创建动态数组存放生成每个子装配体的路径数；后对生成的存放可行装配序列和子装配体的文件进行精化，删除装配过程中的死状态。本发明能够在较高的时间和空间效率下，通过分析所有可能的装配操作保证装配序列的完备性，通过判断局部装配几何可行性保证装配序列的可靠性，通过判断优先关系的可满足性保证算法的高效性，最终完成对装配体的所有可行装配序列的生成。
-
公开(公告)号：CN106649124B
公开(公告)日：2019-04-02
申请号：CN201611237624.0
申请日：2016-12-28
Applicant: 桂林电子科技大学
IPC: G06F11/36
Abstract: 本发明涉及一种基于Actor模型的并行动态符号执行方法和系统，方法包括将配置后的Actor模型的并行框架合并到修改后的动态符号执行工具中；Actor模型的多个工作节点通过通讯节点从预先构造的待求解路径栈中取出任务，并根据任务探索器获取所述任务的任务路径约束值；利用约束求解器对所述任务路径约束值进行求解，得到求解值Valuation；将求解值Valuation采用递归方式来代入所述待求解路径栈中的路径，生成待探索路径，将待探索路径存入预先构造的待探索路径栈中。本发明的提出一种并行动态符号执行方法，实现了两个层面上的并行，可以在多个节点上并行分析程序路径，可同次进行约束求解和路径探索，降低程序耗时，还可以加强测试大规模程序的能力。
-
-
-
-
-
-
-
-
-
Search Results
213
records
(took 0.059 seconds)
