-
公开(公告)号：CN119413786A
公开(公告)日：2025-02-11
申请号：CN202411778792.5
申请日：2024-12-05
Applicant: 东北大学秦皇岛分校
Abstract: 本发明公开了一种宽域pH响应的荧光光纤传感器制备方法和应用，主要涉及化学、传感科学领域。本发明旨在通过制备pH敏感的硅量子点，利用水凝胶聚合反应将硅量子点固定在光纤表面上，通过荧光强度的变化实现pH的灵敏检测。本发明结合了荧光硅量子点的pH响应特性和光纤的便捷性，具有尺寸小、操作简便、灵敏性和特异性高的优势，并且实现了宽域pH(3～12)的超宽检测。本发明为在线灵敏检测生物体液pH值提供了一种切实可行的方法，对复杂生物样品分析，疾病早期诊断和应急分析都具有重要的研究意义。
-
公开(公告)号：CN109447330B
公开(公告)日：2021-10-26
申请号：CN201811191660.7
申请日：2018-10-12
Applicant: 东北大学
Abstract: 本发明提供一种考虑电网弹性及适应能力的配电网风险预警方法。包括：对在线采集的历史灾害故障数据进行多维分析并形成立体灾害故障集合Ω，立体灾害故障集合分为a层、b层和c层；对多维数据进行分析，计算出单灾害下线路的故障率λ1，再对小概率高风险灾害事件的弹性恢复力进行评估计算出复合灾害下线路的综合故障率λ；对在线采集的线路区域气象信息数据进行多维分析，预测将出现的灾害天气场景，并与立体灾害故障集中的a层及b层进行对比得到将出现的灾害转移场景；计算出计及电网适应能力的灾害区配电网线路风险评估结果。将计及电网适应能力的灾害区配电网线路风险评估结果与立体灾害故障集合中的c层进行对比，进行在线预警。
-
公开(公告)号：CN110489968B
公开(公告)日：2021-02-05
申请号：CN201910751207.5
申请日：2019-08-15
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供了一种基于RNN和CNN的Android恶意软件检测方法及系统，检测方法包括：对训练样本的原始安装文件进行特征提取，获得操作码序列；利用操作码序列训练BLSTM网络；利用训练好的BLSTM网络将操作码序列提取为特征图片；利用特征图片训练卷积神经网络；对待检测Android应用，首先对其安装文件进行特征提取，获得其操作码序列；然后将该操作码序列输入训练好的BLSTM网络中，提取出特征图片；最后将该特征图片输入到训练好的卷积神经网络中，输出是否属于恶意软件的分类结果。本发明实现对Android平台下的善意软件和恶意软件的识别区分，提高Android软件平台的安全性。
-
公开(公告)号：CN108985055B
公开(公告)日：2020-08-28
申请号：CN201810670997.X
申请日：2018-06-26
Applicant: 东北大学秦皇岛分校
IPC: G06F21/56
Abstract: 本发明公开了一种恶意软件的检测方法及系统。该方法包括：获取训练样本，训练样本为已知类型的软件的执行程序；对训练样本反编译和编号处理，得到训练样本处理后的源代码；采用粒子群算法为处理后的源代码中的各代码分配权重；以加权后的源代码为输入矩阵，训练卷积神经网络，且在训练过程中，采用粒子群算法调整各代码的权重，得到输出为准确度的卷积神经网络；判断卷积神经网络的准确度是否达到设定值；如果是，则停止训练卷积神经网络，采用训练好的卷积神经网络对待检测软件进行检测；如果否，则继续采用粒子群算法调整各代码的权重，训练卷积神经网络。本发明提供的恶意软件的检测方法及系统具有检测准确度高的特点。
-
公开(公告)号：CN110458239A
公开(公告)日：2019-11-15
申请号：CN201910751343.4
申请日：2019-08-15
Applicant: 东北大学秦皇岛分校
Abstract: 本发明公开了一种基于双通道卷积神经网络的恶意软件分类方法及系统，系统包括：训练样本处理模块和操作码提取模块，用于对训练样本进行反编译，得到应用程序的操作码序列；API特征提取模块，用于获得训练样本的敏感API特征；双通道卷积神经网络训练模块，使用操作码序列和敏感API特征序列训练并得到输出为准确度的双通道卷积神经网络；准确度判断模块和检测模块，用于判断双通道卷积神经网络输出的准确度是否达到设定值，并在达到设定值时对待识别软件进行检测；概率输出模块，输出待识别软件为恶意软件的概率值。本发明结合了应用程序的操作码序列和敏感API特征检测的优势，在准确度以及数据处理方面都有很大的提升。
-
Patent Agency Ranking
公开(公告)号：CN103326375B
公开(公告)日：2015-04-15
申请号：CN201310237112.4
申请日：2013-06-13
IPC: H02J3/18
CPC classification number: Y02E40/30
Abstract: 一种基于10kV电网的直挂式无功功率补偿方法，该装置包括电流互感器、电压互感器、AD采样板、主控装置、电压过零检测电路、通信控制装置、脉冲发生器、脉冲分配板、SPWM信号传输电路、2H桥级联逆变电路、滤波器、PLC、触摸屏和IO板；本发明的基于10kV电网的直挂式无功功率补偿装置，其直挂式体现在这种拓扑结构的交流侧通过电网系统中的电抗器直接并网即可，而不需要通过变压器实现并网。采用改进ip-iq法的补偿指令电流检测算法，将系统电压跳变时的相角值φ加在无功电流检测过程中，这样可以对任意状态系统电压进行检测。同时，采用DSP+双FPGA组成结构，使装置在性能上达到了快速动态补偿的目的。
-
公开(公告)号：CN113378171B
公开(公告)日：2022-06-21
申请号：CN202110783769.5
申请日：2021-07-12
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种基于卷积神经网络的Android勒索软件检测方法，涉及检测技术领域。本发明对训练样本的原始安装文件进行特征提取，获得结构特征以及行为特征；利用特征构建特征向量，将权限和API、API和权限生成具有映射关系的图片特征形式，并读取dex文件生成具有dex文件结构特征的图片形式；利用特征图片转换成numpy数组形式训练卷积神经网络。对待检测Android勒索应用程序，首先对其安装文件进行特征提取，获得其权限和API、API和权限映射关系的两张特征图片，提取dex文件特征生成特征图片；然后将三张图片的numpy数组格式输入训练好的卷积神经网络中，输出是否属于勒索软件的分类结果。
-
公开(公告)号：CN109002715B
公开(公告)日：2020-09-15
申请号：CN201810730246.2
申请日：2018-07-05
Applicant: 东北大学秦皇岛分校
IPC: G06F21/56
Abstract: 本发明公开了一种基于卷积神经网络的恶意软件识别方法及系统。该方法包括：获取样本软件的操作码和权限信息；将操作码转换为十进制数；将转换后的操作码进行预处理；将预处理后的操作码与权限信息混合；将混合后的数据作为特征矩阵输入卷积神经网络，对卷积神经网络进行训练；判断卷积神经网络输出的恶意概率或非恶意概率的准确度是否达到设定值；如果是，则停止训练卷积神经网络，采用训练好的卷积神经网络对待识别软件进行识别；如果否，则根据卷积神经网络输出的恶意概率或非恶意概率的准确度调整训练过程中的权重参数，继续训练卷积神经网络。本发明提供的基于卷积神经网络的恶意软件识别方法及系统具有识别精度高、操作简便的特点。
-
公开(公告)号：CN109447330A
公开(公告)日：2019-03-08
申请号：CN201811191660.7
申请日：2018-10-12
Applicant: 东北大学
Abstract: 本发明提供一种考虑电网弹性及适应能力的配电网风险预警方法。包括：对在线采集的历史灾害故障数据进行多维分析并形成立体灾害故障集合Ω，立体灾害故障集合分为a层、b层和c层；对多维数据进行分析，计算出单灾害下线路的故障率λ1，再对小概率高风险灾害事件的弹性恢复力进行评估计算出复合灾害下线路的综合故障率λ；对在线采集的线路区域气象信息数据进行多维分析，预测将出现的灾害天气场景，并与立体灾害故障集中的a层及b层进行对比得到将出现的灾害转移场景；计算出计及电网适应能力的灾害区配电网线路风险评估结果。将计及电网适应能力的灾害区配电网线路风险评估结果与立体灾害故障集合中的c层进行对比，进行在线预警。
-
公开(公告)号：CN108985055A
公开(公告)日：2018-12-11
申请号：CN201810670997.X
申请日：2018-06-26
Applicant: 东北大学秦皇岛分校
IPC: G06F21/56
Abstract: 本发明公开了一种恶意软件的检测方法及系统。该方法包括：获取训练样本，训练样本为已知类型的软件的执行程序；对训练样本反编译和编号处理，得到训练样本处理后的源代码；采用粒子群算法为处理后的源代码中的各代码分配权重；以加权后的源代码为输入矩阵，训练卷积神经网络，且在训练过程中，采用粒子群算法调整各代码的权重，得到输出为准确度的卷积神经网络；判断卷积神经网络的准确度是否达到设定值；如果是，则停止训练卷积神经网络，采用训练好的卷积神经网络对待检测软件进行检测；如果否，则继续采用粒子群算法调整各代码的权重，训练卷积神经网络。本发明提供的恶意软件的检测方法及系统具有检测准确度高的特点。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.024 seconds)
