公开(公告)号：CN117931127A

公开(公告)日：2024-04-26

申请号：CN202311388791.5

申请日：2023-10-25

Applicant: 北京邮电大学

Inventor： 王翔宇 ,  游梓欣 ,  陈子扬 ,  徐兵杰 ,  喻松

IPC: G06F7/58 ,  G06F18/214 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0499 ,  G06N3/08

Abstract: 本发明提供了一种基于神经网络的深度学习检验随机性的方法，特别使用到了加入了Attention机制的LSTM神经网络，对比相关工作，本方法提供了的神经网络模型可检验的随机性算法更加丰富，对随机序列的建模能力更加强大。本方法中使用到的加入了Attention机制的LSTM神经网络，其不仅利用了LSTM神经网络模型可对随机序列的时间特征进行建模处理并解决了梯度消失以及梯度爆炸的问题，同时引入Attention机制解决了LSTM神经网络模型存在的长时间依赖问题，加强了LSTM对历史信息的记忆能力，对随机序列的建模更加准确。

公开(公告)号：CN116719507A

公开(公告)日：2023-09-08

申请号：CN202310685029.7

申请日：2023-06-09

Applicant: 北京邮电大学

Inventor： 王翔宇 ,  晋志远 ,  陈子扬 ,  徐兵杰 ,  喻松

IPC: G06F7/58 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供了一种改进的利用深度神经网络量子随机数随机性检验方法，特别使用到了Bi‑RCNN神经网络和针对随机数序列不平稳等性质做的数据增强预处理，对比相关工作本方法提供了一个更严格的随机数随机性检验基准。本方法中的Bi‑RCNN网络，其不仅可以在空间和时间上挖掘随机数序列潜在的信息，还可以利用随机数序列的历史和未来信息，对随机数序列的建模更加准确。本发明还提供了一种通用的数据增强手段，通过对原随机数序列进行差分和外加一个强自相关性辅助信号的手段，可以降低随机数序列的时间不平稳性，使其更容易被网络捕获序列的内部模式。