-
公开(公告)号：CN119479089A
公开(公告)日：2025-02-18
申请号：CN202411343814.5
申请日：2024-09-25
Applicant: 西南交通大学
Abstract: 本发明涉及生物识别技术领域，涉及一种基于局部编码的生物识别方法装置、设备及介质，所述方法包括获取第一信息和第二信息，所述第一信息包括目标对象的手指静脉图像，所述第二信息包括目标对象的掌纹图像；分别对所述第一信息和所述第二信息进行预处理，得到第一图像信息和第二图像信息；利用局部编码法分别对所述第一图像信息和所述第二图像信息进行特征提取，得到第一特征向量和第二特征向量，所述第一特征向量包括手指静脉局部编码特征，所述第二特征向量包括掌纹图像局部编码特征；根据所述第一特征向量和所述第二特征向量对目标对象进行识别，本发明有效的简化了多模态生物识别的实现过程，在确保识别精度的同时提高了识别效率。
-
公开(公告)号：CN116401588A
公开(公告)日：2023-07-07
申请号：CN202310675856.8
申请日：2023-06-08
Applicant: 西南交通大学
IPC: G06F18/24 , G06F18/213 , G06N3/0475 , G06N3/048
Abstract: 本发明提供了一种基于深层网络的辐射源个体分析方法及装置，涉及辐射源个体分析领域，所述方法包括：获取原始辐射源信号样本集；对原始辐射源信号样本集通过Grad‑CAM计算后进行样本特征标注，得到每个辐射源信号样本的高反应标注区域；对每个辐射源信号样本的高反应标注区域进行分析，得到正常样本集和未标签化问题样本集；对未标签化问题样本集进行标签化描述，得到标签化问题样本集；对正常样本集和标签化问题样本集进行扩展，得到扩展样本集；将扩展样本集放入于原始辐射源信号样本集内，得到新辐射源信号样本集。本方法一方面对个体样本的特征位置进行可视化呈现，另一方面能够对辐射源个体进行可解释表达。
-
公开(公告)号：CN109561041A
公开(公告)日：2019-04-02
申请号：CN201811528492.6
申请日：2018-12-13
Applicant: 西南交通大学
IPC: H04L27/26
Abstract: 本申请公开了一种通信序列构造方法、系统、设备及计算机存储介质，应用于OFDMA系统，该方法包括：构造序列长度值为目标长度值的初始GDJ序列，目标长度值为大于等于4的偶数值；将初始GDJ序列均分为四个子序列；获取进行数据传输的客户端的目标数量，目标数量的数值小于等于4；在初始GDJ序列中选取连续的目标数量的子序列作为目标子序列，分配各个目标子序列至各个客户端；将初始GDJ序列中目标子序列之外的其他子序列的值置为0，得到复用GDJ序列。本申请提供的一种通信序列构造方法，降低了OFDMA系统的PAPR值。本申请提供的一种通信序列构造系统、设备及计算机可读存储介质也解决了相应技术问题。
-
公开(公告)号：CN109375188A
公开(公告)日：2019-02-22
申请号：CN201811527127.3
申请日：2018-12-13
Applicant: 西南交通大学
IPC: G01S7/41
Abstract: 本发明公开一种获得类图钉型模糊函数的方法及系统，以预设时间间隔依次交替发送波形x(t)和波形y(t)，接收波形而输出第一结果，以预设时间间隔依次交替发送波形y(t)和波形x(t)，接收波形而输出第二结果，发送在频域以预设频率间隔以波形x(ω)和波形y(ω)依次交替调制的第一信号波形，输出第三结果，发送在频域以预设频率间隔以波形y(ω)和波形x(ω)依次交替调制的第二信号波形，输出第四结果，将第一结果和第二结果相加得到第一模糊函数，将第三结果和第四结果相加得到第二模糊函数，逐点取第一模糊函数绝对值和第二模糊函数绝对值中的最小值得到最终的模糊函数。本方法及系统能够获得类图钉型模糊函数，能够发送较少的波形而节省时间资源。
-
公开(公告)号：CN118378690B
公开(公告)日：2025-01-21
申请号：CN202410449195.1
申请日：2024-04-15
Applicant: 西南交通大学
IPC: G06N3/094 , G06N3/0475 , G06N5/045 , G06F18/241 , G06F18/214
Abstract: 本发明提供了一种网电数据识别模型的攻防对抗方法、装置、设备及介质，涉及人工智能安全技术领域，包括提取网电数据的关键特征以构建原始数据样本集；利用所述原始数据样本集对初始模型进行训练和测试；对原始样本数据集进行扰动后生成对抗特征数据样本集，对网电数据识别模型进行梯度对抗攻击，得到可解释性对比呈现结果；对原始样本数据集进行针对性修改，生成针对性对抗数据样本集，将针对性对抗数据样本集和原始数据样本集随机拼接为防御模型数据样本集；利用防御模型数据样本集对网电数据识别模型进行训练，得到具有防御能力的网电数据识别防御模型，本发明可提升识别模型在对抗场景下的鲁棒性，得到更加有效的防御模型。
-
Patent Agency Ranking
公开(公告)号：CN118966273A
公开(公告)日：2024-11-15
申请号：CN202411443001.3
申请日：2024-10-16
Applicant: 西南交通大学
Abstract: 本发明涉及自动推理技术领域，提供一种面向前提选择的图神经网络与逻辑融合方法，包括：步骤1、将一阶逻辑公式表示成逻辑公式图；步骤2、通过图神经网络逻辑融合模型进行信息传递、信息聚合与池化，最终将逻辑公式图转化为图特征表示；步骤3、基于直通估计的逻辑公式改进损失编码；步骤4、建立基于直通估计改进损失的前提选择模型，使用二元分类器结合逻辑公式图、图特征表示和逻辑公式损失进行分类和预测。本发明能较佳地实现图神经网络与逻辑融合。
-
公开(公告)号：CN115277317A
公开(公告)日：2022-11-01
申请号：CN202210905867.6
申请日：2022-07-29
Applicant: 西南交通大学
IPC: H04L25/02
Abstract: 本申请公开了一种信道估计方法、系统、设备及计算机可读存储介质，获取待估计的目标大时延信道，目标大时延信道表征为h＝(h0,…,hL‑1)T，其中，h0和hL‑m～hL‑1的值不为零，h1～hL‑m‑1的值为零；生成满足非周期自相关和在时延1≤τ≤m‑1和时延L‑m≤τ≤L‑1时为零的第一目标序列和第二目标序列；获取第一目标序列和第二目标序列经目标大时延信道传输后的目标接收序列；基于第一目标序列、第二目标序列和目标接收序列对目标大时延信道进行信道估计，得到信道估计结果。本申请中，可以基于目标大时延信道的信道向量长度L及值为零的信道数量m的值生成第一目标序列和第二目标序列，之后可以基于第二目标序列和第二目标序列来以较小的代价完成大时延信道的最优估计。
-
公开(公告)号：CN109561041B
公开(公告)日：2021-08-13
申请号：CN201811528492.6
申请日：2018-12-13
Applicant: 西南交通大学
IPC: H04L27/26
Abstract: 本申请公开了一种通信序列构造方法、系统、设备及计算机存储介质，应用于OFDMA系统，该方法包括：构造序列长度值为目标长度值的初始GDJ序列，目标长度值为大于等于4的偶数值；将初始GDJ序列均分为四个子序列；获取进行数据传输的客户端的目标数量，目标数量的数值小于等于4；在初始GDJ序列中选取连续的目标数量的子序列作为目标子序列，分配各个目标子序列至各个客户端；将初始GDJ序列中目标子序列之外的其他子序列的值置为0，得到复用GDJ序列。本申请提供的一种通信序列构造方法，降低了OFDMA系统的PAPR值。本申请提供的一种通信序列构造系统、设备及计算机可读存储介质也解决了相应技术问题。
-
公开(公告)号：CN117808084A
公开(公告)日：2024-04-02
申请号：CN202311490926.9
申请日：2023-11-09
Applicant: 西南交通大学
IPC: G06N5/01 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/09 , G06F18/241
Abstract: 本发明涉及人工智能技术领域，涉及一种基于图约简表示与图神经网络的前提选择方法，包括以下步骤：步骤一：通过判断并删除连续重复的量词得到简化的一阶逻辑公式图；步骤二：基于简化的逻辑公式图，提出一种具有注意力机制的项游走图神经网络模型，模型按照项游走模式聚合位于项游走三元组上部、中部和下部的节点信息，引入注意力机制计算节点的项游走特征权重，并将权重与节点信息结合生成新的节点嵌入向量，再通过全局平均池化得到最终的公式图特征向量；步骤三，将候选前提和给定猜想的图特征向量输入到二元分类器，进而实现对候选前提的分类。本发明能较佳地进行前提选择。
-
公开(公告)号：CN116962083A
公开(公告)日：2023-10-27
申请号：CN202311212184.3
申请日：2023-09-20
Applicant: 西南交通大学
IPC: H04L9/40
Abstract: 本发明提供了一种网络异常行为的检测方法、装置、设备及可读存储介质，涉及网络安全异常检测技术领域，包括获取网络流量数据包，由网络特征时间序列构成第一数据集；利用所述第一数据集对第一双向长短期记忆模型进行训练和测试得到网络特征检测模型；提取物理侧信道数据中的物理特征序列以构建第二数据集；利用所述第二数据集对第二双向长短期记忆模型进行训练和测试，得到物理特征检测模型；利用所述网络特征检测模型检测网络中的异常流量以定位至异常电子设备；利用所述物理特征检测模型检测异常电子设备以确定异常电子设备的网络行为是否异常，本发明通过从网络流量侧和电子设备侧同时对网络进行异常检测，提升了网络异常行为识别准确率。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.019 seconds)
