公开(公告)号：CN119583062A

公开(公告)日：2025-03-07

申请号：CN202411799505.9

申请日：2024-12-09

Applicant: 哈尔滨理工大学

Inventor： 黄海 ,  郑集文 ,  王柄淳 ,  李为康 ,  王迪 ,  宋佳峰 ,  赵石磊

IPC: H04L9/30 ,  H04L9/06

Abstract: 基于恒定几何结构的基‑4NTT硬件架构及其访存方法，属于格密码技术领域。为提高NTT运算单元在格密码中的计算速度，本发明包括控制单元、地址发生器、旋转因子存储器、系数存储器、多路选择器、PE运算单元；所述控制单元连接地址发生器，所述地址发生器分别连接旋转因子存储器、系数存储器，所述旋转因子存储器连接PE运算单元，所述系数存储器通过多路选择器连接PE运算单元；所述系数存储器内设置有存储体；所述PE运算单元内设置有基‑4蝶形运算单元。本发明设计了一种高效存储方案，实现在一个周期内能够读取8个系数，提高了NTT运算单元在格密码中的计算速度。

公开(公告)号：CN119540887A

公开(公告)日：2025-02-28

申请号：CN202411604505.9

申请日：2024-11-12

Applicant: 哈尔滨理工大学

Inventor： 郑集文 ,  黄海 ,  鲍方博 ,  叶津麟 ,  安兴 ,  邵友信

IPC: G06V20/54 ,  G08G1/065 ,  G08G1/01 ,  G06V20/40 ,  G06V10/25 ,  G06V10/28 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提出一种基于长短周期Transformer融合趋势与季节特征的高速交通流预测方法，属于数据无监督预测领域。针对交通流数据中变量间存在的时空关联性，以及传统方法在处理数据时未能充分结合近期与远期信息的问题，提出一种基于长短周期Transformer融合趋势与季节特征的高速交通流预测方法。本发明创新性地将Transformer注意力机制与扩散卷积相结合，深入挖掘短周期数据的时空相关性，同时将Transformer的趋势与季节特征相融合，有效捕获不同周期内的长期依赖关系。最后，通过利用3个权重矩对不同周期数据的预测结果进行融合，该方法充分考虑了短期数据与长期数据的特点。将所提的网络模型应用于高速交通流预测，能够提高预测准确度，实验结果验证了该方法的有效性。

公开(公告)号：CN119312253A

公开(公告)日：2025-01-14

申请号：CN202411454835.4

申请日：2024-10-17

Applicant: 哈尔滨理工大学

Inventor： 安兴 ,  张凤斌 ,  郑集文 ,  张郑 ,  叶津麟

IPC: G06F18/2433 ,  G06F18/10 ,  G06F18/2131 ,  G06N3/042 ,  G06N3/045 ,  G06N3/049 ,  G06F18/22 ,  G06F18/21 ,  G06N3/084

Abstract: 本发明提出一种基于时频融合的时序异常检测方法，属于时序数据异常检测领域。针对多变量时序数据中变量之间存在潜在关联以及传统方法未考虑到频域特征的问题，提出一种基于时频融合的时序异常检测方法。本发明创新性地将时域数据和频域数据两种不同模态的数据通过斯皮尔曼相关系数分别计算得到时域相似度矩阵和频域相似度矩阵，然后通过点乘的方式进行融合，使用图神经网络挖掘不同变量之间的潜在关系，使用时序图神经网络同时捕获时间依赖性和空间关系，能更好地提取时序数据的特征。将所提的网络模型应用于多变量时序数据的异常检测，能达到提升精确率的目的，实验结果验证了所提方法的有效性。