-
公开(公告)号：CN110334904A
公开(公告)日：2019-10-15
申请号：CN201910459822.9
申请日：2019-05-30
Applicant: 北京理工大学
Abstract: 本发明涉及基于LightGBM的关键信息基础设施类型单位归属判定方法，属于网络空间安全与机器学习领域。主要为了解决传统的依赖人力对关键信息基础设施类型进行标注的效率低、可扩展性差的问题。本发明提出一种基于机器学习算法，结合多类型、多截面数据采集及特征表达的关键信息基础设施资产特征优化表达与多目标分类技术研究方法，在此基础上构建关键信息基础设施类型归属判别应用系统，根据设施资产数据判定其属于哪一类的关键信息基础设施(如政府机关、国防科工、广播电台、运营商等等)，实现对关键信息基础设施类型归属的识别认定。实验结果表明，本发明提出的算法的准确率和查全率较好，与规则匹配方法相比，具有很好的判定效果。
-
公开(公告)号：CN110334904B
公开(公告)日：2023-03-03
申请号：CN201910459822.9
申请日：2019-05-30
Applicant: 北京理工大学
IPC: G06F16/84
Abstract: 本发明涉及基于LightGBM的关键信息基础设施类型单位归属判定方法，属于网络空间安全与机器学习领域。主要为了解决传统的依赖人力对关键信息基础设施类型进行标注的效率低、可扩展性差的问题。本发明提出一种基于机器学习算法，结合多类型、多截面数据采集及特征表达的关键信息基础设施资产特征优化表达与多目标分类技术研究方法，在此基础上构建关键信息基础设施类型归属判别应用系统，根据设施资产数据判定其属于哪一类的关键信息基础设施(如政府机关、国防科工、广播电台、运营商等等)，实现对关键信息基础设施类型归属的识别认定。实验结果表明，本发明提出的算法的准确率和查全率较好，与规则匹配方法相比，具有很好的判定效果。
-
公开(公告)号：CN113221872B
公开(公告)日：2022-09-20
申请号：CN202110607067.1
申请日：2021-05-28
Applicant: 北京理工大学
Abstract: 本发明涉及生成对抗网络与多模态融合的假新闻检测方法，属于机器学习领域。主要为了解决单模态假新闻检测特征不足，多模态假新闻检测中不同模态特征之间异质性较大且拼接方式简单，模型训练过程局限于单一数据集，导致假新闻检测准确率和模型泛化性低下的问题。本发明首先需要训练条件生成对抗网络，该网络可以根据输入图片输出描述图片的文本特征；然后提取新闻的文本特征和图片特征，使用条件生成对抗网络将新闻图片特征转化为文本特征，将新闻文本特征、描述新闻图片的文本特征和新闻的图片特征进行张量融合；最后，将融合的特征输入神经网络得到新闻真实性的分类结果。
-
公开(公告)号：CN110245693A
公开(公告)日：2019-09-17
申请号：CN201910459868.0
申请日：2019-05-30
Applicant: 北京理工大学
Abstract: 本发明公开了一种结合混合随机森林的关键信息基础设施资产识别方法，属于计算机与信息科学技术领域。该方法包括：对采集到的设施资产数据进行结构化处理并进行特征优化表达，得到扩展的特征向量；结合德尔菲专家咨询法和主成分分析法，进行资产设施的关键影响因素分析，提取关键特征向量；将多个随机森林判别模型与一个门控函数相结合，获得混合随机森林判决模型；基于构建的混合随机森林模型实现对流量是否为关键资产基础设施的识别。由于本发明提供的关键信息基础设施资产识别方法，在大数据下通过结合机器学习方法实现资产的特征构建和关键因素提取，通过分区构建各自的专家模型，提升识别的准确性和效率，并提高了模型的泛化能力和可扩展性。
-
公开(公告)号：CN110245693B
公开(公告)日：2023-04-07
申请号：CN201910459868.0
申请日：2019-05-30
Applicant: 北京理工大学
IPC: G06F18/2431 , G06F18/2411 , G06Q10/0639 , G06Q50/26
Abstract: 本发明公开了一种结合混合随机森林的关键信息基础设施资产识别方法，属于计算机与信息科学技术领域。该方法包括：对采集到的设施资产数据进行结构化处理并进行特征优化表达，得到扩展的特征向量；结合德尔菲专家咨询法和主成分分析法，进行资产设施的关键影响因素分析，提取关键特征向量；将多个随机森林判别模型与一个门控函数相结合，获得混合随机森林判决模型；基于构建的混合随机森林模型实现对流量是否为关键资产基础设施的识别。由于本发明提供的关键信息基础设施资产识别方法，在大数据下通过结合机器学习方法实现资产的特征构建和关键因素提取，通过分区构建各自的专家模型，提升识别的准确性和效率，并提高了模型的泛化能力和可扩展性。
-
Patent Agency Ranking
公开(公告)号：CN113222059B
公开(公告)日：2023-01-03
申请号：CN202110594262.5
申请日：2021-05-28
Applicant: 北京理工大学
IPC: G06F18/24 , G06F18/25 , G06N3/04 , G06N3/08 , G06F40/211 , G06F40/279 , G06F40/30
Abstract: 本发明公开了利用协作式神经网络链的多标签情感分类方法，属于自然语言处理与机器学习领域。该方法包括：通过文本嵌入拼接词向量与实体类别向量，得到句子级情感向量表示；基于多级特征编码，采用多级门限注意力，通过双向LSTM对文档中所有句子的语义及句子间的语义关系进行编码，有效获取单个词语的上下文语义信息，再对句子级和文档级语义信息进行特征融合；依据情感数量构建多个协作式神经网络和一个对抗式神经网络，考虑标签的局部分布特征，形成局部顺序协作式神经网络链。由于本发明提供的利用协作式神经网络链的多标签情感分类方法，减少文档级冗余特征，使提取的特征更加准确，从而提升多标签情感分类效果。
-
公开(公告)号：CN113222059A
公开(公告)日：2021-08-06
申请号：CN202110594262.5
申请日：2021-05-28
Applicant: 北京理工大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G06F40/211 , G06F40/279 , G06F40/30
Abstract: 本发明公开了利用协作式神经网络链的多标签情感分类方法，属于自然语言处理与机器学习领域。该方法包括：通过文本嵌入拼接词向量与实体类别向量，得到句子级情感向量表示；基于多级特征编码，采用多级门限注意力，通过双向LSTM对文档中所有句子的语义及句子间的语义关系进行编码，有效获取单个词语的上下文语义信息，再对句子级和文档级语义信息进行特征融合；依据情感数量构建多个协作式神经网络和一个对抗式神经网络，考虑标签的局部分布特征，形成局部顺序协作式神经网络链。由于本发明提供的利用协作式神经网络链的多标签情感分类方法，减少文档级冗余特征，使提取的特征更加准确，从而提升多标签情感分类效果。
-
公开(公告)号：CN112733448B
公开(公告)日：2023-03-03
申请号：CN202110019417.2
申请日：2021-01-07
Applicant: 北京理工大学 , 通号城市轨道交通技术有限公司
Abstract: 本发明涉及一种可用于实现列车自动驾驶系统参数自学习的双Q表联合代理的建立方法，属于自动驾驶与强化学习领域。主要用于节省现有自动驾驶系统中关键转换参数需要专家逐车调整所消耗的大量人工工作成本，同时实现转换参数随车辆性能变化实时适应。本发明首先建立可正确响应转换参数改变所引发运行效果变化的运行仿真环境；其次，基于Q‑Learning方法，以舒适度和停准率两个条件为训练目标，建立两个参数调整代理分别给出向好的参数调整动作；最后，建立联合策略，协调两个参数调整代理相互配合工作，实现对参数的优化。在某地铁线路实车上实验，结果表明，本发明能达到良好的参数自学习效果，实现了列车参数的自动优化。
-
公开(公告)号：CN113221872A
公开(公告)日：2021-08-06
申请号：CN202110607067.1
申请日：2021-05-28
Applicant: 北京理工大学
Abstract: 本发明涉及生成对抗网络与多模态融合的假新闻检测方法，属于机器学习领域。主要为了解决单模态假新闻检测特征不足，多模态假新闻检测中不同模态特征之间异质性较大且拼接方式简单，模型训练过程局限于单一数据集，导致假新闻检测准确率和模型泛化性低下的问题。本发明首先需要训练条件生成对抗网络，该网络可以根据输入图片输出描述图片的文本特征；然后提取新闻的文本特征和图片特征，使用条件生成对抗网络将新闻图片特征转化为文本特征，将新闻文本特征、描述新闻图片的文本特征和新闻的图片特征进行张量融合；最后，将融合的特征输入神经网络得到新闻真实性的分类结果。
-
公开(公告)号：CN112733448A
公开(公告)日：2021-04-30
申请号：CN202110019417.2
申请日：2021-01-07
Applicant: 北京理工大学 , 通号城市轨道交通技术有限公司
Abstract: 本发明涉及一种可用于实现列车自动驾驶系统参数自学习的双Q表联合代理的建立方法，属于自动驾驶与强化学习领域。主要用于节省现有自动驾驶系统中关键转换参数需要专家逐车调整所消耗的大量人工工作成本，同时实现转换参数随车辆性能变化实时适应。本发明首先建立可正确响应转换参数改变所引发运行效果变化的运行仿真环境；其次，基于Q‑Learning方法，以舒适度和停准率两个条件为训练目标，建立两个参数调整代理分别给出向好的参数调整动作；最后，建立联合策略，协调两个参数调整代理相互配合工作，实现对参数的优化。在某地铁线路实车上实验，结果表明，本发明能达到良好的参数自学习效果，实现了列车参数的自动优化。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.015 seconds)
