公开(公告)号：CN120034381A

公开(公告)日：2025-05-23

申请号：CN202510187567.2

申请日：2025-02-20

Applicant: 广东工业大学

Inventor： 柳毅 ,  梁孔森 ,  罗玉 ,  赵庆林 ,  黄超 ,  傅立宇

IPC: H04L9/40 ,  G06N3/094 ,  G06N3/092 ,  G06N3/0499

Abstract: 本发明公开了一种入侵检测方法及系统，该方法包括：获取流量数据，考虑数据集的代表性，对所述流量数据进行特征选择；构建对抗性网络，并对数据进行过采样；改进始Actor‑Critic算法模型，得到入侵检测模型；基于马尔可夫决策过程，利用过采样后的数据对入侵检测模型进行训练。该系统包括：数据预处理模块、过采样模块、模型构建模块和模型训练模块。通过使用本发明，能够提高入侵检测的准确率。本发明可广泛应用于网络安全领域。

公开(公告)号：CN118861938A

公开(公告)日：2024-10-29

申请号：CN202411122772.2

申请日：2024-08-15

Applicant: 广东工业大学

Inventor： 柳毅 ,  邱鸿锐 ,  罗玉 ,  赵庆林 ,  黄超

IPC: G06F18/2433 ,  G06N3/0895 ,  G06N3/0442 ,  G06F123/02

Abstract: 本发明提供一种基于时频域对比学习与重构的多维时序异常检测方法，本发明包括对比学习和时序重构两个过程；对比学习将时间序列进行频率混合、时序编码以及随机裁剪后，构建硬负样本，并根据正样本和硬负样本计算对比损失；时序重构过程通过将时间序列进行分割后计算片段间的依赖关系，并通过GRU解码器重构回时间序列；随后计算重构时间序列的重构损失；最后，将对比损失与重构损失作为联合优化目标来训练异常检测模型，并基于异常分数与预设的时序异常判断阈值输出判断结果。本发明通过结合对比学习和时序数据的重构，提高了对各种异常类型数据的检测能力，增强本发明的泛化性，能够适应更加复杂和多样化的异常检测任务。

公开(公告)号：CN119559484A

公开(公告)日：2025-03-04

申请号：CN202411642651.0

申请日：2024-11-18

Applicant: 广东工业大学

Inventor： 柳毅 ,  赵霄 ,  罗玉 ,  赵庆林 ,  黄超

IPC: G06V10/82 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/084

Abstract: 本发明公开了一种基于YOLOv9改进的高精度红外目标检测方法，该方法包括：以公开的热数据集作为目标检测图像数据，并将其转换为YOLO训练格式，得到训练集；基于YOLOv9基础框架，引入SDI模块、DySample动态采样器和MPDIoU损失函数，构建红外目标检测模型；将所述训练集输入至所述红外目标检测模型，对模型进行优化训练，得到训练完成的红外目标检测模型；将待测图像输入至所述训练完成的红外目标检测模型，输出红外目标检测结果。通过使用本发明，能够提高针对红外图像的目标检测精度。本发明可广泛应用于图像处理技术领域。