-
公开(公告)号：CN109962915B
公开(公告)日：2021-09-28
申请号：CN201910188286.3
申请日：2019-03-13
Applicant: 杭州电子科技大学
IPC: H04L29/06
Abstract: 本发明属于深度学习技术领域，具体涉及一种基于BQP网络的异常检测方法，包括以下步骤：S1，预设异常检测图像训练数据集；S2，搭建BQP网络，设定参数；S3，对于每一批次送入BQP网络的训练批次，利用BQP网络中的特征抽取网络抽取图像中的特征，其输出为批次特征向量X，大小为B×n；S4，在BQP网络中的QP输出层中构建特征超球，QP输出层输出最优对偶变量；S5，通过分类损失函数和一致性损失函数，分别对特征抽取网络输出的特征向量X和QP输出层的最优对偶变量计算损失函数，并通过反向传播算法对BQP网络进行参数优化；S6，检测时，使用特征抽取网络输出的特征向量模长与设定的阈值进行比较，实现异常检测。
-
公开(公告)号：CN109063730A
公开(公告)日：2018-12-21
申请号：CN201810649092.4
申请日：2018-06-22
Applicant: 杭州电子科技大学
CPC classification number: G06K9/6218 , G06K9/6256 , G06Q50/06
Abstract: 本发明提供一种凸规划聚类水污染溯源方法，包括：基于Siamese网络的邻近点相似度描述样本；利用所述邻近节点相似度抽取水污染溯源特征；将所述水污染溯源特征结合监测网络节点的地理分布信息，构造图模型；将水污染溯源等价于所述图模型的全局优化分割，将所述图模型的全局优化分割转换为最小传导率；最大化特征基内接椭球体的凸规划，实现多类水污染的同时溯源。本发明在水污染检测网络中对水污染进行溯源，利用全光谱指纹图谱的相似度，并结合江河湖泊水流的连通性和单向性构建图模型，将水污染溯源等价于网络图模型上的全局优化分割问题，既有效地规避的类别数多或类别样本数量不足的问题，又能够充分利用全光谱指纹图谱的丰富信息。
-
公开(公告)号：CN109063589A
公开(公告)日：2018-12-21
申请号：CN201810762360.3
申请日：2018-07-12
Applicant: 杭州电子科技大学
CPC classification number: G06K9/00744 , G06K9/6256 , G06N3/084
Abstract: 本发明公开了一种基于神经网络的仪器设备在线监测方法及系统，方法包含以下步骤：S1制作数据集，用于训练深度神经网络；S2采用深度神经网络模型，通过大量数据训练，使神经网络从数据中学习一个相似性度量方法；S3使用视频采集设备获取视频数据，送入服务器中的深度神经网络进行计算，通过神经网络输出的特征向量计算相似度，根据相似度是否符合预设条件来判别仪器设备是否在线。本发明具有训练效率高、收敛性强、建模精度高、检测效果好等优点，可以完成准确、高效的设备在线检查工作。
-
Patent Agency Ranking
-
公开(公告)号：CN108960169A
公开(公告)日：2018-12-07
申请号：CN201810762312.4
申请日：2018-07-12
Applicant: 杭州电子科技大学
CPC classification number: G06K9/00711 , G06K9/4604 , G06K9/6201
Abstract: 本发明公开了一种基于计算机视觉的仪器设备在线监测方法及系统。方法包含以下步骤：步骤一，利用视频采集设备实时采集仪器设备的视频数据，并将采集到的视频数据传输给服务器；步骤二，服务器将视频采集设备传送来的视频数据进行预处理得到视频帧；步骤三，利用计算机视觉处理技术将视频帧与预设标准图像进行相似度比较，如相似度不符合预设条件，则判断仪器设备在线。本发明利用计算机视觉技术能准确判断仪器设备是否在线，降低人工管理监测的成本。
-
公开(公告)号：CN109063730B
公开(公告)日：2022-01-07
申请号：CN201810649092.4
申请日：2018-06-22
Applicant: 杭州电子科技大学
Abstract: 本发明提供一种凸规划聚类水污染溯源方法，包括：基于Siamese网络的邻近点相似度描述样本；利用所述邻近节点相似度抽取水污染溯源特征；将所述水污染溯源特征结合监测网络节点的地理分布信息，构造图模型；将水污染溯源等价于所述图模型的全局优化分割，将所述图模型的全局优化分割转换为最小传导率；最大化特征基内接椭球体的凸规划，实现多类水污染的同时溯源。本发明在水污染检测网络中对水污染进行溯源，利用全光谱指纹图谱的相似度，并结合江河湖泊水流的连通性和单向性构建图模型，将水污染溯源等价于网络图模型上的全局优化分割问题，既有效地规避的类别数多或类别样本数量不足的问题，又能够充分利用全光谱指纹图谱的丰富信息。
-
公开(公告)号：CN109962915A
公开(公告)日：2019-07-02
申请号：CN201910188286.3
申请日：2019-03-13
Applicant: 杭州电子科技大学
IPC: H04L29/06
Abstract: 本发明属于深度学习技术领域，具体涉及一种基于BQP网络的异常检测方法，包括以下步骤：S1，预设异常检测图像训练数据集；S2，搭建BQP网络，设定参数；S3，对于每一批次送入BQP网络的训练批次，利用BQP网络中的特征抽取网络抽取图像中的特征，其输出为批次特征向量X，大小为B×n；S4，在BQP网络中的QP输出层中构建特征超球，QP输出层输出最优对偶变量；S5，通过分类损失函数和一致性损失函数，分别对特征抽取网络输出的特征向量X和QP输出层的最优对偶变量计算损失函数，并通过反向传播算法对BQP网络进行参数优化；S6，检测时，使用特征抽取网络输出的特征向量模长与设定的阈值进行比较，实现异常检测。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.02 seconds)
