-
公开(公告)号：CN119094801A
公开(公告)日：2024-12-06
申请号：CN202411250688.9
申请日：2024-09-06
Applicant: 郑州轻工业大学
IPC: H04N21/218 , H04N21/2187 , H04N21/44 , H04N21/647 , H04L65/75 , H04L65/80 , G06N3/0442 , G06N3/0455 , G06N3/092
Abstract: 本发明提出了一种基于改进PPO和深度强化学习的自适应码率视频流方法，包括以下步骤：S1：收集数据集，将数据集划分为训练集和测试集；S2：定义策略，并构建环境，基于策略构建IPPO‑DRL‑ABR模型，初始化模型参数并输入训练集到IPPO‑DRL‑ABR模型；S3：基于IPPO‑DRL‑ABR模型利用策略在环境中多次采样，记录轨迹数据；S4：基于轨迹数据，利用采用双重裁剪机制的PPO方法进行策略更新；S5：重复步骤S3到S4直到达到预定的训练周期或性能标准，得到训练好的IPPO‑DRL‑ABR模型；S6：利用测试集对训练好的IPPO‑DRL‑ABR模型进行验证并输出最优码率。本发明方法显著提升自适应码率方法的训练效率、稳定性和泛化能力。
-
公开(公告)号：CN117376971A
公开(公告)日：2024-01-09
申请号：CN202311312075.9
申请日：2023-10-11
Applicant: 郑州轻工业大学
IPC: H04W24/08 , H04L43/0876 , G06F18/25 , G06F18/2323 , G06N3/0442 , G06N3/045 , G06N3/088 , G06F123/02
Abstract: 本发明提出一种基于互信息聚类的联邦学习无线流量预测方法，包括构建客户端模型、模型聚类和模型聚合；首先，使用滑动窗口机制将本地的原始流量数据构造为临近型流量序列和周期型流量序列；然后，使用双LSTM模型分别学习这两个流量序列对应的临近性特征和周期性特征，并融合这两种特征，再通过一个线性层映射得到预测值；增强客户端模型学习能力以提高预测准确度。其次，使用基于互信息的谱聚类算法将客户端流量预测模型进行聚类，得到聚类集群；以捕获每个集群模型的个性化特征。最后，使用基于注意力机制的模型聚合算法对模型进行分层聚合得到用于流量预测的全局模型，提高了全局模型的泛化能力。本发明预测误差小，具有优秀的流量预测性能。
-
公开(公告)号：CN117034045A
公开(公告)日：2023-11-10
申请号：CN202310622817.1
申请日：2023-05-26
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种基于差分隐私的时空轨迹聚类方法及系统，所述方法包括：通过调整隐私级别，将已有的位置隐私保护机制转化为时空活动隐私保护机制；将扰动后的位置点通过一天内的时间顺序连接，生成扰动轨迹序列；将扰动后的轨迹序列上传至第三方服务器，第三方服务器根据轨迹之间的语义距离，将轨迹聚类为不同的簇。本发明可以实现轨迹聚类过程中的时空活动保护，解决了将真实轨迹数据上传至第三方服务器时可能产生的敏感信息泄露的问题，同时位置隐私提供了针对未知风险的一般保护，而时空活动保护提供了灵活的、可定制的保护，提高系统对用户偏好的考虑，为未来基于位置的社交网络中基于隐私保护的个性化服务提供有益的解决思路。
-
公开(公告)号：CN114715093B
公开(公告)日：2023-02-21
申请号：CN202210434143.8
申请日：2022-04-24
Applicant: 郑州轻工业大学
IPC: B60T8/171 , B60T8/172 , B60T8/1761 , B60T8/32
Abstract: 本发明公开了一种基于神经网络自适应估计的汽车防抱死制动方法。通过测量车辆行驶速度与车辆转动角速度计算滑移率，并设定期望滑移率与滑移率中心点，通过比较得到车辆滑移率误差信号以及车辆滑移率中心点指数偏差信号；采用RBF神经网络自适应方法，求解RBF神经网络的权值与风阻力系数估计值，得到风阻力与摩檫力RBF网络估计力矩；最后叠加车辆滑移率中心点指数偏差比例放大信号与积分信号，综合形成制动力矩，实现车辆防抱死制动控制。该方法能有效利用神经网络的自适应能力，从而减少对路面模型精确参数的依赖，具有良好的制动效果。
-
公开(公告)号：CN115544306A
公开(公告)日：2022-12-30
申请号：CN202210307291.3
申请日：2022-03-25
Applicant: 郑州轻工业大学
IPC: G06F16/901
Abstract: 本发明提出了一种基于特征融合哈希算法的多模态检索方法，其步骤为：首先，获取多模态训练集，并分别提取每个模态的特征；再通过PCA分别计算每个模态的特征的低维特定模态特征；其次，通过稀疏投影学习各个模态的特征的联合特征；并分别计算低维特定模态特征和联合特征的正交旋转矩阵和融合系数；然后，根据正交旋转矩阵和融合系数计算查询样本的哈希码；最后，计算查询样本的哈希码与数据库实例间的哈希码的汉明距离，并将汉明距离小于阈值的数据作为检索结果。本发明能够挖掘多模态数据信息之间共享的语义信息和特定模态内结构信息，以学习判别性的哈希码；在无因松弛而产生较大的量化误差的情况下，有效地解决了离散优化问题。
-
Patent Agency Ranking
公开(公告)号：CN113346993B
公开(公告)日：2022-07-15
申请号：CN202110641379.4
申请日：2021-06-09
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种基于隐私保护的分层动态群组密钥协商方法，步骤为：对群组密钥协商网络域内的协议参数进行初始化，生成认证中心和终端成员的公/私钥对，终端成员进行隐藏属性的身份认证，认证成功后，终端成员根据自己属性权值计算加密密钥和解密密钥，对密钥的一致性进行验证，终端成员还可以向认证中心申请变更属性以参与高层或者低层的群组密钥协商。本发明采用隐藏属性的身份认证技术，在身份认证的同时能够避免个人隐私信息的泄露，同时根据属性权值设置阈值权限，以不同的保密性参与群组通信，提高了数据通信的可靠性，采用身份认证和属性权值匹配的双认证机制，很大程度上提高了系统的安全性，使得群组密钥协商更加灵活、高效和实用。
-
公开(公告)号：CN113489733A
公开(公告)日：2021-10-08
申请号：CN202110788755.2
申请日：2021-07-13
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种基于区块链的内容中心网络隐私保护方法，其步骤为：可信属性授权中心执行初始化算法生成公共参数和主密钥；每个消费者和出版者生成其公钥和私钥；可信属性授权中心随机生成自己的公钥和私钥；互相通信计算出公钥；生成密文并上传给云服务提供商；交易上链阶段；解密阶段：当消费者想要获取感兴趣的内容时，在联盟链上找到内容的交易信息；消费者根据交易信息发送兴趣包，通过交易信息中的存储地址获取密文；联盟链根据消费者的访问信息生成访问交易，并以数据包发送给消费者，消费者在本地进行解密并在联盟链上验证。本发明实现了内容共享的机密性、抗合谋攻击和抗CSP攻击；实现了分布式访问控制且访问策略安全。
-
公开(公告)号：CN111625783A
公开(公告)日：2020-09-04
申请号：CN202010453390.3
申请日：2020-05-26
Applicant: 郑州轻工业大学
IPC: G06F21/12
Abstract: 本发明提供了一种基于多级加密的软件授权管理系统，包括：软件授权客户端以及软件授权管理服务器；所述软件授权客户端在获取到用户对目标软件的注册请求时，基于对用户主机硬件指纹信息的收集和加密形成申请文件，并将所述申请文件发送至所述软件授权管理服务器，所述软件授权管理服务器对所述申请文件进行加密和签名形成注册文件，并将其反馈至所述软件授权客户端，所述软件授权客户端对接收到的所述注册文件进行验证签名。通过本发明的技术方案，对目标软件进行多级加密，以对软件形成有效防护，防止未经授权用户使用软件。
-
公开(公告)号：CN120050096A
公开(公告)日：2025-05-27
申请号：CN202510200525.8
申请日：2025-02-24
Applicant: 郑州轻工业大学
IPC: H04L9/40 , H04L43/02 , H04L43/04 , G06F18/15 , G06F18/214 , G06F18/2433 , G06F18/25 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/08
Abstract: 本发明提出了一种基于扩散模型的工业互联网入侵检测方法，步骤为：对原始工业互联网流量数据进行清洗和标准化；以标准化后的工业互联网流量数据为输入，对少数类样本采用多层扩散模型生成合成样本，并对合成样本依次进行反标准化与格式调整处理以及数据平衡采样，获取平衡样本数据；对平衡样本进行特征提取和降维；通过多头注意力机制对局部时序特征进行处理，获取加权关键特征的全局依赖特征；以加权关键特征的全局依赖特征为输入，通过多层双向SRU模块提取包含长期时间依赖特征的多维时序特征；根据多维时序特征进行入侵检测的分类。本发明在面对高维、时序性强的网络流量数据以及数据类别不平衡时，能够高效、精准的进行攻击识别。
-
公开(公告)号：CN119939036A
公开(公告)日：2025-05-06
申请号：CN202510118935.8
申请日：2025-01-24
Applicant: 郑州轻工业大学
IPC: G06F16/9535 , G06F18/2131 , G06F18/213 , G06F18/214 , G06N3/0455 , G06N3/047 , G06N3/0475 , G06N3/045 , G06N3/0895
Abstract: 本发明公开一种基于对比学习与变分自编码器的序列推荐方法，其包括以下步骤：根据用户的历史交互序列生成序列嵌入；对原始数据分支进行时频域转换；对数据增强分支进行数据滑动增强；根据随机深度增强策略对数据进行模型层面增强处理；根据Transformer编码器，分别对原始数据分支与增强数据分支的数据进行编码处理，获取各自数据流分支数据的均值与方差；根据对比学习策略，最大化正、负样本损失；根据共享的Transformer解码器生成新的项目序列；构建基于对比学习和变分自编码器序列化推荐模型。本发明以用户的历史交互序列作为输入，经过融合对比学习范式与变分自编码器的模型处理，生成用户感兴趣的项目，具有更好的推荐质量，提升推荐准确性。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.032 seconds)
