一种基于多模态生物特征的医疗图像安全传输方法

    公开(公告)号:CN119583726A

    公开(公告)日:2025-03-07

    申请号:CN202411653408.9

    申请日:2024-11-19

    Abstract: 本发明涉及一种基于多模态生物特征的医疗图像安全传输方法,属于图像安全保护技术领域。该方法首先通过深度神经网络将医疗图像分割为病灶像素和非病灶像素,随后采用时间戳和最低有效位替换方法将病灶像素嵌入到非病灶像素中。进一步地,该方法将标记后的非病灶部分与病灶部分结合,生成标记图像。其次,通过深度神经网络提取用户的多模态生物特征,采用用户自定义密钥和设备MAC地址编码提取后的特征作为密钥。最后,使用编码后的密钥和混沌系统对标记图像进行加密,增强了医疗图像数据的安全保护水平。

    一种基于双对抗神经网络的医疗图像加密系统及方法

    公开(公告)号:CN119583725A

    公开(公告)日:2025-03-07

    申请号:CN202411653407.4

    申请日:2024-11-19

    Abstract: 本发明涉及一种基于双对抗神经网络的医疗图像加密系统及方法,属于图像安全保护技术领域。该方法利用深度神经网络的非线性和不稳定性设计图像加密系统,首先采用两对相互对抗的神经网络作为加密系统的主要框架,随后构建具有理想特性的随机类噪声图像监督加密网络训练,并使用原始医疗图像数据指导解密网络训练。本发明提出的加密系统通过对抗训练动态生成强随机性和高灵敏度的密钥,最后结合加密网络架构和密钥参数对输入医疗图像数据加密。

    基于驾驶风格的自动驾驶轨迹预测方法

    公开(公告)号:CN119577968A

    公开(公告)日:2025-03-07

    申请号:CN202411653435.6

    申请日:2024-11-19

    Abstract: 本发明涉及一种基于驾驶风格的自动驾驶轨迹预测方法,属于自动驾驶技术领域。该方法包括:利用传感器和车载系统采集车辆的历史轨迹数据;对数据进预处理,以确保数据的连续性和精度;利用车辆轨迹信息构建时空交通图,构建驾驶风格特征提取模块从预处理后的轨迹数据中提取驾驶风格特征;构建空间子注意力子层和时间卷积子层对轨迹数据进行处理,得到车辆之间的交互特征;风格注意力模块动态生成注意力权重,根据不同驾驶风格引导解码模块预测未来轨迹;本发明适用于自动驾驶系统,能够有效提高轨迹预测精度和行车安全性。

    基于SDN的低轨卫星星座之间的链路负载均衡方法

    公开(公告)号:CN117040596A

    公开(公告)日:2023-11-10

    申请号:CN202311027350.2

    申请日:2023-08-15

    Abstract: 本发明涉及一种基于SDN的低轨卫星星座之间的链路负载均衡方法,属于卫星移动通信技术领域,包括以下步骤:S1:SDN控制器接收数据并确定数据源节点和目标节点;S2:SDN控制器计算每个卫星间链路的初始权重;S3:SDN控制器计算出K条最短路径;S4:SDN控制器计算K条最短路径中每条链路的初始权重、临界系数和稳定性系数,进行归一化处理,得到每条链路的链路选择概率系数;S5:SDN控制器根据每条链路的链路选择概率系数,选择最优传输路径,实现星间链路的负载平衡。

    基于机器学习的多波束卫星通信用户选择和频谱划分方法

    公开(公告)号:CN116886172A

    公开(公告)日:2023-10-13

    申请号:CN202311027357.4

    申请日:2023-08-15

    Abstract: 本发明涉及一种基于机器学习的多波束卫星通信用户选择和频谱划分方法,属于多波束卫星通信系统领域,包括以下步骤:S1:根据不同用户终端的服务需求,选择合适的信息速率和用户集;S2:发送服务传输请求到系统;在系统中,地面站通过卫星广播通知用户终端其所在波束的资源利用情况;S3:如果用户终端位于多波束重叠区域,则用户终端选择在可用波束中具有最多可用资源的光束,向地面网关站发送服务请求;否则用户终端直接提供唯一可见的光束向地面网关站发送服务需求;S4:地面网关站收到波束中各用户终端的服务请求后,通过基于深度强化学习的资源分配模型进行频带划分;S5:系统根据分配结果向用户分配资源,并更新系统的资源池。

    一种基于人工智能的移动边缘计算服务放置方法

    公开(公告)号:CN113163409B

    公开(公告)日:2022-09-20

    申请号:CN202110281364.1

    申请日:2021-03-16

    Abstract: 本发明涉及基于人工智能的移动边缘计算服务放置策略,包括以下步骤:首先对全网络系统进行建模,需要建立宏基站模型、小基站模型、用户模型;然后将用户的延迟模型分为切换延迟模型和非切换延迟模型,非切换延迟模型分为排队延迟模型、传输延迟模型、计算延迟模型;接着建立用户的排队模型;完成上述步骤后,计算出用户感知的总延迟。最后使用强化学习方法对问题进行建模,建立状态空间、动作空间、收益信号、贝尔曼方程,至此可以通过基于人工智能的算法解决问题。本发明所述策略基于人工智能的移动边缘计算服务放置策略能够提供基站选择和服务放置的决策,在成本可控的基础上实现网络选择与服务放置解耦合。

Patent Agency Ranking