-
公开(公告)号：CN116916447A
公开(公告)日：2023-10-20
申请号：CN202310914633.2
申请日：2023-07-25
Applicant: 中国工程物理研究院计算机应用研究所
IPC: H04W64/00 , G06N3/0442 , G06N3/045 , G06N3/084 , G06N3/09
Abstract: 本申请公开了一种基于自注意力神经网络的5G无线定位方法与流程，属于无线定位领域。面向高精度无线定位需求，本方法基于5G基站信号，设计了一种基于自注意力神经网络的端对端的网络结构，以及鲁棒的训练方法与流程。本申请提出的方法与流程构建的模型即拥有高精度定位推理能力，又能在少量基站故障时拥有良好的定位鲁棒性，同时模型参数量少，定位速度快。
-
Patent Agency Ranking
公开(公告)号：CN113283545B
公开(公告)日：2021-11-02
申请号：CN202110797548.3
申请日：2021-07-14
Applicant: 中国工程物理研究院计算机应用研究所
Abstract: 本发明公开了一种针对视频识别场景的物理干扰方法及系统，属于信息安全测试技术领域，解决现有技术在网络层面对视频进行干扰，干扰效果差的问题。本发明基于获取的已授权的摄像设备的视频、白盒分类系统和对抗样本生成系统在网络层获取初始的视频对抗样本；基于初始化的视频对抗样本，利用白盒分类系统对干扰进行优化，生成网络层面最终的视频对抗样本，即视频的通用干扰值；获取视频前，基于最终的视频对抗样本调节摄像设备在RGB通道的可调节滤镜，形成物理干扰。本发明用于对视频识别场景的物理干扰。
-
公开(公告)号：CN113283545A
公开(公告)日：2021-08-20
申请号：CN202110797548.3
申请日：2021-07-14
Applicant: 中国工程物理研究院计算机应用研究所
Abstract: 本发明公开了一种针对视频识别场景的物理干扰方法及系统，属于信息安全测试技术领域，解决现有技术在网络层面对视频进行干扰，干扰效果差的问题。本发明基于获取的已授权的摄像设备的视频、白盒分类系统和对抗样本生成系统在网络层获取初始的视频对抗样本；基于初始化的视频对抗样本，利用白盒分类系统对干扰进行优化，生成网络层面最终的视频对抗样本，即视频的通用干扰值；获取视频前，基于最终的视频对抗样本调节摄像设备在RGB通道的可调节滤镜，形成物理干扰。本发明用于对视频识别场景的物理干扰。
-
公开(公告)号：CN113033747B
公开(公告)日：2021-07-27
申请号：CN202110578878.3
申请日：2021-05-26
Applicant: 中国工程物理研究院计算机应用研究所
Abstract: 本发明公开了一种用于人机识别的图形识别码生成方法，属于网络安全测试领域，解决现有验证码容易被基于机器学习技术训练的机器人自动识别并跳过，以及现有的图片对抗样本生成方式处理时间长和计算规模大的问题。本发明预设图片尺寸,基于图片尺寸选取图片集，将图片集和图片集的分类结果输入对抗样本生成系统生成扰动，再将扰动添加在图片集的图片边框上,得到初始化的图片对抗样本集；基于初始化的图片对抗样本集，利用白盒训练模型对干扰进行优化，生成最终的图片对抗样本，即图片干扰边框；将图片干扰边框加入待干扰图片上，形成图片识别码，即图片验证码，其中，待干扰图片的尺寸与图片集中的图片的尺寸大小相同。本发明用于生成干扰框架。
-
公开(公告)号：CN113033747A
公开(公告)日：2021-06-25
申请号：CN202110578878.3
申请日：2021-05-26
Applicant: 中国工程物理研究院计算机应用研究所
Abstract: 本发明公开了一种用于人机识别的图形识别码生成方法，属于网络安全测试领域，解决现有验证码容易被基于机器学习技术训练的机器人自动识别并跳过，以及现有的图片对抗样本生成方式处理时间长和计算规模大的问题。本发明预设图片尺寸,基于图片尺寸选取图片集，将图片集和图片集的分类结果输入对抗样本生成系统生成扰动，再将扰动添加在图片集的图片边框上,得到初始化的图片对抗样本集；基于初始化的图片对抗样本集，利用白盒训练模型对干扰进行优化，生成最终的图片对抗样本，即图片干扰边框；将图片干扰边框加入待干扰图片上，形成图片识别码，即图片验证码，其中，待干扰图片的尺寸与图片集中的图片的尺寸大小相同。本发明用于生成干扰框架。
-
公开(公告)号：CN117421519A
公开(公告)日：2024-01-19
申请号：CN202311584626.7
申请日：2023-11-26
Applicant: 中国工程物理研究院计算机应用研究所
IPC: G06F17/13 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于物理信息图神经网络和有限差分的偏微分方程求解算法，步骤如下：S10、物理信息图神经网络模型训练数据集的构建；S20、物理信息图神经网络模型的设计；S30、图上微分算子的计算；S40、损失函数的设计；S50、基于损失函数最小化的图神经网络模型的训练；S60、物理信息图神经网络模型的性能分析。本发明通过在图神经网络中融入物理方程，提出了一种新的物理信息图神经网络模型，并将深度学习端到端的学习方式和图结构的关系归纳推理理论进行高效融合，解决了基于全连接网络的模型因难以处理局部关系推理而导致模型泛化性差的问题。
-
-
-
-
-
Search Results
6
records
(took 0.026 seconds)
