-
公开(公告)号:CN110763660A
公开(公告)日:2020-02-07
申请号:CN201911008476.9
申请日:2019-10-22
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于集成学习的LIBS定量分析方法。所述方法包括如下步骤:目标元素原始特征提取;使用遗传算法筛选原始特征;使用前向序列选择算法筛选特征;合并各基学习器筛选特征;训练筛选基学习器;使用Stacking集成选择的基学习器;训练筛选元学习器,并用效果最佳的学习器作为集成模型元学习器构成集成模型。本发明具有预测精度高、抗干扰能力强、减小基体效应、可在不同数据集中通用等优点。
-
公开(公告)号:CN114757975B
公开(公告)日:2024-04-16
申请号:CN202210464974.X
申请日:2022-04-29
Applicant: 华南理工大学
IPC: G06T7/246 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于transformer与图卷积网络的行人轨迹预测方法,提取出若干个时间戳内所有包含坐标的行人轨迹数据;对每一个样本的每个时间戳做一个行人关系图;把总样本集分为测试集,训练集与验证集;再用行人关系图对时序数据进行图卷积学习,让轨迹数据附有行人关系;transformer用时序数据提取出每个时间戳的时序特征向量,利用每个时间戳的时序特征向量来生成遵循双变量高斯分布的具体轨迹分布;用损失函数对预测轨迹与真实未来轨迹作对比,得出损失值,再用损失值对预测模型优化,取出最优预测模型,把测试集输入到最优预测模型,得出预测轨迹数据。本发明可准确预测出未来行人的轨迹。
-
公开(公告)号:CN114372116B
公开(公告)日:2023-03-21
申请号:CN202111659088.4
申请日:2021-12-30
Applicant: 华南理工大学
IPC: G06F16/29 , G06F16/2458 , G06N3/0442 , G06N3/08 , G06N3/049
Abstract: 本发明公开了一种基于LSTM和时空注意力机制的车辆轨迹预测方法,是基于LSTM编码模块、LSTM解码模块、空间注意力机制和时序注意力机制进行车辆轨迹的精准预测,首先对路网进行栅格化处理,并划分输入到LSTM编码模块中的历史轨迹数据段,然后提取车辆自身移动特征和全局空间特征,LSTM编码模块和LSTM解码模块主要用于实现对历史时间内的特征向量进行学习,并预测车辆未来一段时间的轨迹。本发明基于LSTM和时空注意力机制进行车辆轨迹预测,能够提取车辆移动中的局部和全局特征,尽可能真实的模拟车辆在路网环境中的移动情况,提高了车辆轨迹预测的准确性。
-
公开(公告)号:CN112948872A
公开(公告)日:2021-06-11
申请号:CN202110141538.4
申请日:2021-02-02
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于分段聚类的路网轨迹语义隐私保护方法,包括步骤:1)预处理初始轨迹数据集,对轨迹进行重采样操作;2)基于MDL(最小描述长度)原则,对轨迹进行分段划分,获得轨迹分段数据集;3)基于路网距离对轨迹分段数据集中的轨迹分段进行聚类,形成分段类;4)确定分段类的路网领域,统计分段类的语义位置分布;5)基于分段类的语义位置分布,启发式生成匿名分段集,用匿名分段集代替单个轨迹进行数据发布,实现路网轨迹语义隐私保护。本发明用匿名分段集合替代单个轨迹进行数据发布,保护轨迹的语义隐私,将轨迹分段、聚类和启发式算法结合起来,提高匿名成功率和语义隐私保护效果,改善匿名数据质量。
-
公开(公告)号:CN103716404A
公开(公告)日:2014-04-09
申请号:CN201310754002.5
申请日:2013-12-31
Applicant: 华南理工大学
Abstract: 本发明公开了一种云环境下远程数据完整性认证数据结构的实现方法,其包括:利用认证数据结构来认证存放于云端数据的完整性包括是否被修改,是否有数据丢失;在云端服务器不可信的情况下,利用认证数据结构来认证存放于云端数据的下标正确性;利用认证数据结构来支持云端数据的动态更新,所述动态更新包括修改操作、插入操作和删除操作。本发明还公开了一种云环境下远程数据完整性认证数据结构,包括:认证二叉树的生成的伪代码模块;证明路径的生成和验证的伪代码模块;节点的修改操作的伪代码模块;节点的插入操作的伪代码模块;节点删除三种情形的操作的伪代码模块。具有降低了在用户端和云端的计算在时间复杂度和存储空间的消耗等优点。
-
公开(公告)号:CN112818402A
公开(公告)日:2021-05-18
申请号:CN202110213797.3
申请日:2021-02-26
Applicant: 华南理工大学
IPC: G06F21/62 , G06F16/906 , G06F16/29
Abstract: 本发明公开了一种基于点密度分割轨迹实现轨迹数据发布k匿名的方法,包括步骤:1)获取基础轨迹数据,建立轨迹数据集模型;2)建立轨迹损失模型DGH树;3)在轨迹数据集模型中添加虚拟点,生成包含虚拟点的轨迹数据集模型和虚拟点标记数据集模型;4)对包含虚拟点的轨迹数据集模型进行聚类,标记每个点所属的聚类中心,生成标记数据集模型;5)遍历轨迹数据集模型,通过标记数据集模型对轨迹进行分割,生成分割后的轨迹数据集模型;6)对于分割后的数据集模型采用动态序列对齐算法计算损失,再使用迭代式轨迹k匿名聚类算法进行基于信息损失的聚类。本发明基于轨迹数据集的点密度对轨迹进行分割,减少了k匿名过程中造成的信息损失。
-
公开(公告)号:CN106953876A
公开(公告)日:2017-07-14
申请号:CN201710285679.7
申请日:2017-04-27
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于语义上下文的位置隐私保护方法,包括如下步骤:(1)中心匿名服务器初始化地图数据,将地图数据模型化为公路网络;(2)用户根据需求发起查询,将定位信息,查询内容,隐私需求及身份信息封装成消息Q发送给中心匿名服务器;(3)中心匿名服务器根据Q,分析确定用户在路网上的位置Loc,初始化匿名集S={Loc},初始化缓冲匿名集ES={}和ES’={S}。本发明具有在匿名成功率及降低匿名集大小两方面具有良好的效果等优点。
-
公开(公告)号:CN119545361A
公开(公告)日:2025-02-28
申请号:CN202411668738.5
申请日:2024-11-21
Applicant: 华南理工大学
IPC: H04W12/60 , H04W12/63 , H04W4/44 , H04L67/12 , H04L67/08 , G06N3/0442 , G06N3/0985
Abstract: 本发明公开了一种基于改进LSTM神经网络的车联网信任管理方法,利用交通仿真模拟器SUMO和离散事件仿真平台OMNet++进行城市交通仿真,收集仿真过程中车辆之间发送的消息数据以此构建数据集,再划分训练集和测试集;利用训练集和测试集训练和测试改进LSTM神经网络,并将性能最优的神经网络部署到车辆服务器中;使用改进LSTM神经网络对接收到的消息进行真实性判断,并对车辆的信任值进行更新,以实现车联网环境中的信任管理。本发明基于深度学习技术,可以有效应用于车联网环境中车辆的可信度评估并建立长期的信任管理,从而实现全局范围内的恶意或不可信车辆的检测,具有广阔的应用前景。
-
公开(公告)号:CN112948872B
公开(公告)日:2023-03-24
申请号:CN202110141538.4
申请日:2021-02-02
Applicant: 华南理工大学
IPC: G06F21/62 , G06F18/23213 , G06F16/29
Abstract: 本发明公开了一种基于分段聚类的路网轨迹语义隐私保护方法,包括步骤:1)预处理初始轨迹数据集,对轨迹进行重采样操作;2)基于MDL(最小描述长度)原则,对轨迹进行分段划分,获得轨迹分段数据集;3)基于路网距离对轨迹分段数据集中的轨迹分段进行聚类,形成分段类;4)确定分段类的路网领域,统计分段类的语义位置分布;5)基于分段类的语义位置分布,启发式生成匿名分段集,用匿名分段集代替单个轨迹进行数据发布,实现路网轨迹语义隐私保护。本发明用匿名分段集合替代单个轨迹进行数据发布,保护轨迹的语义隐私,将轨迹分段、聚类和启发式算法结合起来,提高匿名成功率和语义隐私保护效果,改善匿名数据质量。
-
公开(公告)号:CN112818402B
公开(公告)日:2022-07-26
申请号:CN202110213797.3
申请日:2021-02-26
Applicant: 华南理工大学
IPC: G06F21/62 , G06F16/906 , G06F16/29
Abstract: 本发明公开了一种基于点密度分割轨迹实现轨迹数据发布k匿名的方法,包括步骤:1)获取基础轨迹数据,建立轨迹数据集模型;2)建立轨迹损失模型DGH树;3)在轨迹数据集模型中添加虚拟点,生成包含虚拟点的轨迹数据集模型和虚拟点标记数据集模型;4)对包含虚拟点的轨迹数据集模型进行聚类,标记每个点所属的聚类中心,生成标记数据集模型;5)遍历轨迹数据集模型,通过标记数据集模型对轨迹进行分割,生成分割后的轨迹数据集模型;6)对于分割后的数据集模型采用动态序列对齐算法计算损失,再使用迭代式轨迹k匿名聚类算法进行基于信息损失的聚类。本发明基于轨迹数据集的点密度对轨迹进行分割,减少了k匿名过程中造成的信息损失。
-
-
-
-
-
-
-
-
-