-
公开(公告)号：CN113473457B
公开(公告)日：2023-06-27
申请号：CN202110711353.2
申请日：2021-06-25
Applicant: 暨南大学
Abstract: 本发明公开了一种基于隐私保护的非正交安全编码方法，该方法包括以下步骤：信道估计和密钥分发步骤：将需加密目标用户的解密密钥需要嵌入到导频序列中，将导频和密钥一块发送给需加密目标用户；第一调制步骤：对多组信息比特进行第一加密处理得到第一加密数据，第一加密处理包括无冗余比特调制和加冗余比特调制；第二调制步骤：对第一加密数据进行高维调制得到第二加密数据；解调解密步骤：根据多用户联合检测进行处理第二加密数据，判断是否为当前终端的个人信息，若是，则进行解密处理，解密处理为结合第一加密处理、高稀疏码字映射以及第二加密处理的逆处理。该方法实现了高频谱效率和隐私保护的非正交传输。
-
公开(公告)号：CN115994352B
公开(公告)日：2023-06-02
申请号：CN202310280078.2
申请日：2023-03-22
Applicant: 暨南大学
IPC: G06F21/55 , G06N3/0442 , G06N3/09 , G06F16/35
Abstract: 本发明公开一种防御文本分类模型后门攻击的方法、设备及介质，该方法包括以下步骤：随机选取数据集中的部分样本进行数据投毒，被投毒后的数据集定义为有毒数据集；在BERT网络的输出层后接上全连接层构成文本分类模型；将有毒数据集输入文本分类模型，按照有监督的方式对文本分类模型进行训练，将有毒数据集中训练损失值在预设范围内的样本隔离出来，判定为有毒样本，有毒数据集剩余的样本判定为干净样本；将有毒样本和干净样本输入文本分类模型。本发明的有益效果是：通过隔离出数据集中的小部分有毒样本，然后利用有监督的混沌训练混淆文本分类模型在数据隔离步骤中被植入的后门，实现后门的去除。
-
公开(公告)号：CN113473457A
公开(公告)日：2021-10-01
申请号：CN202110711353.2
申请日：2021-06-25
Applicant: 暨南大学
Abstract: 本发明公开了一种基于隐私保护的非正交安全编码方法，该方法包括以下步骤：信道估计和密钥分发步骤：将需加密目标用户的解密密钥需要嵌入到导频序列中，将导频和密钥一块发送给需加密目标用户；第一调制步骤：对多组信息比特进行第一加密处理得到第一加密数据，第一加密处理包括无冗余比特调制和加冗余比特调制；第二调制步骤：对第一加密数据进行高维调制得到第二加密数据；解调解密步骤：根据多用户联合检测进行处理第二加密数据，判断是否为当前终端的个人信息，若是，则进行解密处理，解密处理为结合第一加密处理、高稀疏码字映射以及第二加密处理的逆处理。该方法实现了高频谱效率和隐私保护的非正交传输。
-
公开(公告)号：CN117153418A
公开(公告)日：2023-12-01
申请号：CN202311421223.0
申请日：2023-10-31
Applicant: 暨南大学
IPC: G16H50/70 , G06N3/094 , G06F18/2413
Abstract: 本发明公开一种抗后门攻击的智能早产儿视网膜病变分类预测方法，包括以下步骤：获取患儿电子病历文书数据，并对患儿电子病历文书进行预处理，得到样本数据；以带有诊断标签的样本数据作为输入，以及以早产儿视网膜病变类别作为输出，建立基于深度学习的分类预测模型；使用字符级别的触发器对分类预测模型注入权重后门攻击，形成被投毒模型，利用LoRA算法微调被投毒模型的权重，并根据被投毒模型输出的置信度识别中毒样本和干净样本，最后结合对抗训练进一步提升分类预测模型的抗攻击性。本发明的有益效果是：从数据层面和模型训练层面多维度的抵御后门攻击，保证分类预测模型的安全性。
-
公开(公告)号：CN111245941A
公开(公告)日：2020-06-05
申请号：CN202010033172.4
申请日：2020-01-13
Applicant: 暨南大学
Abstract: 本发明公开了一种面向大规模可充电物联网的监测系统及分布式协议，监测系统包括物联网节点和多个射频能源模块，其中，物联网节点包括用于采集环境数据的采集节点、中继节点和汇聚节点，采集节点连接中继节点，并根据自身的数据发送概率向中继节点传输节点数据，中继节点连接汇聚节点，并根据自身的数据发送概率向汇聚节点传输节点数据；每个射频能源模块用于采集能量，并基于能量的发送功率，通过射频波束赋形产生的射频信号向周围的采集节点和中继节点发送对应的能量。本发明能基于节点的本地信息公平采集节点数据和合理分配充电量，有利于提高节点能量利用效率，可应用在网络规模大、覆盖范围广以及部署环境差的可充电物联网中。
-
Patent Agency Ranking
公开(公告)号：CN117153418B
公开(公告)日：2024-03-19
申请号：CN202311421223.0
申请日：2023-10-31
Applicant: 暨南大学
IPC: G16H50/70 , G06N3/094 , G06F18/2413
Abstract: 本发明公开一种抗后门攻击的智能早产儿视网膜病变分类预测方法，包括以下步骤：获取患儿电子病历文书数据，并对患儿电子病历文书进行预处理，得到样本数据；以带有诊断标签的样本数据作为输入，以及以早产儿视网膜病变类别作为输出，建立基于深度学习的分类预测模型；使用字符级别的触发器对分类预测模型注入权重后门攻击，形成被投毒模型，利用LoRA算法微调被投毒模型的权重，并根据被投毒模型输出的置信度识别中毒样本和干净样本，最后结合对抗训练进一步提升分类预测模型的抗攻击性。本发明的有益效果是：从数据层面和模型训练层面多维度的抵御后门攻击，保证分类预测模型的安全性。
-
公开(公告)号：CN115994352A
公开(公告)日：2023-04-21
申请号：CN202310280078.2
申请日：2023-03-22
Applicant: 暨南大学
IPC: G06F21/55 , G06N3/0442 , G06N3/09 , G06F16/35
Abstract: 本发明公开一种防御文本分类模型后门攻击的方法、设备及介质，该方法包括以下步骤：随机选取数据集中的部分样本进行数据投毒，被投毒后的数据集定义为有毒数据集；在BERT网络的输出层后接上全连接层构成文本分类模型；将有毒数据集输入文本分类模型，按照有监督的方式对文本分类模型进行训练，将有毒数据集中训练损失值在预设范围内的样本隔离出来，判定为有毒样本，有毒数据集剩余的样本判定为干净样本；将有毒样本和干净样本输入文本分类模型。本发明的有益效果是：通过隔离出数据集中的小部分有毒样本，然后利用有监督的混沌训练混淆文本分类模型在数据隔离步骤中被植入的后门，实现后门的去除。
-
公开(公告)号：CN116975517B
公开(公告)日：2024-01-05
申请号：CN202311218518.8
申请日：2023-09-21
Applicant: 暨南大学
IPC: G06F17/16 , G06F16/174 , G06F17/18 , G06F18/10
Abstract: 本发明公开一种部分加权随机选取策略的稀疏恢复方法及系统，该方法包括以下步骤：S1，以欠定线性系统为目标，模拟生成大规模的稀疏信号和对应的感知矩阵，从稀疏信号中随机选取预设个数的元素保留原始值，并将其他元素的值归零，根据稀疏信号和感知矩阵计算观测信号；S2，采用部分加权随机选取策略代替OMP算法中原始选取索引的贪婪方法，计算得到稀疏信号估计值。本发明的有益效果是：通过采用部分加权随机选取策略减少迭代过程中因计算相关性而导致的大量计算消耗，利用随机方法寻找次优解，同时保证了算法的可靠性，并且能够实现加速压缩感知中稀疏信号恢复算法的目的。(56)对比文件Zhe Wang et.al.Compressed SensingMethod for Health Monitoring of PipelinesBased on Guided Wave Inspection《.IEEETRANSACTIONS ON INSTRUMENTATION ANDMEASUREMENT》.2020,第4722-4732页.
-
公开(公告)号：CN117076836A
公开(公告)日：2023-11-17
申请号：CN202310886031.0
申请日：2023-07-18
Applicant: 暨南大学
Abstract: 本发明公开了一种基于块Gauss‑Seidel算法的信号恢复方法、系统、介质及设备，该方法包括下述步骤：获取噪声观测向量和感知矩阵；初始化迭代次数、估计信号、残差向量和超参数；设置迭代相对误差，计算感知矩阵的列向量与本次迭代得到的估计向量的内积，计算残差向量，选出最大均质残差；确定目标块的控制索引集；从系数矩阵中随机抽取出对应的工作列得到子矩阵；将子矩阵的目标块代入无伪逆计算的块Gauss‑Seidel算法的迭代公式中，得到下一次迭代的估计值，重复循环迭代直到满足阈值条件停止迭代；输出最后一次迭代中获得的估计稀疏信号。本发明提高了信号恢复的收敛速率与恢复效果，提高了稀疏信号的恢复性能。
-
公开(公告)号：CN116975517A
公开(公告)日：2023-10-31
申请号：CN202311218518.8
申请日：2023-09-21
Applicant: 暨南大学
IPC: G06F17/16 , G06F16/174 , G06F17/18 , G06F18/10
Abstract: 本发明公开一种部分加权随机选取策略的稀疏恢复方法及系统，该方法包括以下步骤：S1，以欠定线性系统为目标，模拟生成大规模的稀疏信号和对应的感知矩阵，从稀疏信号中随机选取预设个数的元素保留原始值，并将其他元素的值归零，根据稀疏信号和感知矩阵计算观测信号；S2，采用部分加权随机选取策略代替OMP算法中原始选取索引的贪婪方法，计算得到稀疏信号估计值。本发明的有益效果是：通过采用部分加权随机选取策略减少迭代过程中因计算相关性而导致的大量计算消耗，利用随机方法寻找次优解，同时保证了算法的可靠性，并且能够实现加速压缩感知中稀疏信号恢复算法的目的。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.018 seconds)
