公开(公告)号：CN115208755A

公开(公告)日：2022-10-18

申请号：CN202210821641.8

申请日：2022-07-13

Applicant: 北京交通大学

Inventor： 丁春涛 ,  李浥东 ,  曹子卓 ,  金一 ,  张慧 ,  陈乃月

IPC: H04L41/0803 ,  H04L67/60 ,  H04L67/12 ,  H04L67/10 ,  G06K9/62

Abstract: 本发明提供一种面向物联网设备资源友好的特征提取器部署方法及系统，属于物联网技术领域，调取存储的数据集信息和特征提取器生成算法生成特征提取器；生成了单容量非冗余多功能特征提取器；将生成的单容量多功能特征提取器发送至物联网设备；当物联网设备收集到数据进行预处理数据，根据其当前可用资源选择一个特征提取器提取数据的主成分特征，然后将提取的主成分特征数据上传至边缘服务器。本发明减少物联网设备存储资源消耗，提高特征提取器切换效率；去除了冗余特征提取器，并以参数共享的方式将非冗余特征提取器嵌套在一起，减少了部署多个特征提取器消耗的存储资源；减少了无效的特征提取器切换，提高了特征提取器切换效率。

公开(公告)号：CN114529762A

公开(公告)日：2022-05-24

申请号：CN202210118942.4

申请日：2022-02-08

Applicant: 北京交通大学

Inventor： 李浥东 ,  曹子卓 ,  陈乃月 ,  金一 ,  王涛

IPC: G06V10/764 ,  G06K9/62 ,  G06V10/80

Abstract: 本发明提供了一种基于DS证据理论融合的社交网络异常用户检测方法。该方法包括：构建并训练卷积神经网络分类模型和K近邻算法分类模型，得到两种分类模型对异常用户检测的准确率；分别使用两种分类模型对被检测用户的博文文本进行识别，得到两种分类模型对被检测用户的检测结果；通过D‑S融合规则基于两种分类模型对异常用户检测的准确率，对卷积神经网络分类模型和所述K近邻算法分类模型对被检测用户的检测结果进行融合，获取被检测用户的异常用户检测结果。本发明通过结合被检测内容在每种分类器上的识别结果和分类准确率，通过DS证据理论融合规则对分类器融合后对被测用户进行识别，均衡有效的实现了对微博异常用户的检测。