-
公开(公告)号：CN119201642A
公开(公告)日：2024-12-27
申请号：CN202411190661.5
申请日：2024-08-28
Applicant: 电子科技大学
Abstract: 本发明公开了一种模拟置换指令的单核命中率提取方法，属于实时嵌入式系统应用技术领域，其特征在于，包括以下步骤：S1、对处理器缓存进行建模，得到缓存模型；S2、对待分析程序进行流分析，以确定指令流，并按类型分类每条指令，并预测每条指令在缓存模型中的位置；S3、确定核心访存频率用于LRU替换模拟，通过预设的频率插入空指令模拟其他核心访问共享缓存时的干扰，得到单核命中率模拟结果。本发明通过模拟处理器中的缓存干扰并模拟LRU置换，精确的分析共享缓存层级的指令命中率，从而能够为实时系统提供精确和可靠的性能评估。
-
公开(公告)号：CN118471201B
公开(公告)日：2024-09-20
申请号：CN202410910592.4
申请日：2024-07-09
Applicant: 电子科技大学
IPC: G10L15/06 , G10L15/01 , G10L15/18 , G10L15/183 , G10L15/26 , G10L15/16 , G06F40/117 , G06N3/0455 , G06N3/0464 , G06N3/0499 , G06N3/084 , G06N3/09
Abstract: 本发明提供了一种高效自适应面向语音识别引擎的热词纠错方法与系统，所述系统包括数据采集与分类模块、自适应数据扩增模块、热词纠错训练模块和热词纠错推理模块，数据采集与分类模块对实际应用中出现的误识别情况进行大规模的数据收集，并对收集的数据进行分类，自适应数据扩增模块针对特定的语音识别引擎，采集和增加热词相关的错误实例，构建用于热词纠错模型训练的训练数据集；热词纠错训练模块使用深度学习算法，构建一个针对语音识别引擎热词错误的纠错模型；热词纠错推理模块用于对语音识别引擎输出的文本信息进行错误检测和修正，并输出矫正正确的文本信息。通过本发明方案，提高了模型在热词纠错方面的整体性能和准确性。
-
公开(公告)号：CN117708577A
公开(公告)日：2024-03-15
申请号：CN202311710030.7
申请日：2023-12-13
Applicant: 电子科技大学
IPC: G06F18/2137 , G06N3/045 , G06N3/0455 , G06N3/084 , G06N3/088
Abstract: 本发明公开了一种基于深度学习的黎曼流形上离散化测地线计算方法，涉及测地线测量技术领域。本发明，通过无监督神经网络完全无监督的将一个高维空间下的待测数据样本映射到一个低维的黎曼流形中，并保证映射过程中的数据分布结构与低维的黎曼流形空间中的数据结构的等价性，还在模型中加入了对于离散化求解测地线过程的蒙特卡洛积分误差约束，作为模型训练过程中的正则化项，使得测地线的离散化求解过程更加准确。本发明的方法能够对任意的高维数据进行无监督地降维，并且保证高维数据和降维后的低维流形符合微分同坯和等距映射的黎曼特征约束，尽可能保证了数据样本之间的宏观拓扑结构以及微观局部距离度量关系在降维过程中不被改变。
-
公开(公告)号：CN117650935A
公开(公告)日：2024-03-05
申请号：CN202311677029.9
申请日：2023-12-08
Applicant: 电子科技大学
IPC: H04L9/40 , H04L43/0876 , H04L43/026 , H04L43/12 , G06N3/0895 , G06N20/00
Abstract: 本发明公开了一种基于业务应用分类模型的干扰流量识别方法，属于宽带网络技术领域，其特征在于，包括以下步骤：a、采集纯净数据集1并按流进行拆分，作特征统计形成一个54长的特征向量，将全部样本作为训练数据训练好初始化的模型A；b、搭建测试采集环境；c、通过训练样本对初始化的模型B进行训练，训练好的模型B再输入测试样本得到输出测试标签，通过机器学习评价指标对测试结果进行评价；d、将原始流量数据按会话流形成54长特征的模型输入数据，输入模型C得到大类应用标签或者干扰流量标签。本发明能够从加密流量中区分出干扰流量，准确识别正常业务应用以及干扰流量，提高分类准确率和模型泛化性能。
-
公开(公告)号：CN117640492A
公开(公告)日：2024-03-01
申请号：CN202311679094.5
申请日：2023-12-08
Applicant: 电子科技大学
IPC: H04L45/00 , H04L45/76 , H04L47/2475
Abstract: 本发明涉及网络通信技术领域，特别是涉及一种适用于时间确定性业务的网络传输方法，通过接收和分析时间确定性业务需求，并维护一个由时间窗口组成的软时分时间矩阵，实现对时间确定性业务的传输支持；全链路感知方法用于获取网络资源和链路状态，进而通过路由分配和时间片分配为业务分配合适的路由和发送时间片，并将有关策略下发到各转发节点，转发节点执行策略的结果即满足业务对时间确定性的要求。通过本网络传输方法，可满足确定性业务的可控传输，并保持最大的网络吞吐量。
-
Patent Agency Ranking
公开(公告)号：CN117596067A
公开(公告)日：2024-02-23
申请号：CN202311677031.6
申请日：2023-12-08
Applicant: 电子科技大学
IPC: H04L9/40
Abstract: 本发明公开了一种基于可控蜜罐的DDoS防御验证方法，属于网络安全技术领域，其特征在于，包括以下步骤：a、在真实的网络环境中部署一个或多个蜜罐，模拟真实的网络环境；b、将蜜罐采集到的流量进行整流和流量编辑，模拟真实的DDoS攻击环境；c、在蜜罐上捕获DDoS攻击流量并分析DDoS攻击流量，包括攻击来源、攻击类型和攻击模式；d、使用流量回放工具，将捕获的DDoS攻击流量进行回放，针对真实系统模拟DDoS攻击，验证DDoS防御策略的有效性，根据验证结果，对DDoS防御策略进行调整优化。本发明能够捕获、分析攻击行为，并验证防御策略的有效性，并通过回放流量来模拟真实的攻击，进而验证真实系统的防御能力。
-
公开(公告)号：CN117275569A
公开(公告)日：2023-12-22
申请号：CN202311203053.9
申请日：2023-09-18
Applicant: 电子科技大学长三角研究院(湖州)
Abstract: 本发明提供一种融合神经网络和最小二乘法的关键蛋白质识别方法及识别终端，涉及关键蛋白质的识别技术领域，包括：缺失生物数据处理，利用普通最小二乘法对生物数据进行线性回归，处理缺失数据；基于深度神经网络构建识别关键蛋白质的预测模型，整合生物数据的拓扑特征和序列特征作为DNN网络的特征输入，DNN可将网络节点映射为低维稠密向量，以此更加准确地捕捉生物数据中的复杂关系。本发明将最小二乘法和深度神经网络引入到生物信息学的关键蛋白质数据补足和预测过程中，通过最小二乘法解决生物数据库中元数据缺失的问题，提高模型的鲁棒性，通过深度神经网络捕捉生物数据中的复杂关系，增强模型的识别精度。
-
公开(公告)号：CN117218903A
公开(公告)日：2023-12-12
申请号：CN202311227297.0
申请日：2023-09-21
Applicant: 电子科技大学
Abstract: 本发明公开了时序飞行参数的进跑道高度对平飘距离影响的评估方法，该方法包括数据采集，数据筛选，数据分析，建立模型。针对飞机着陆阶段的场景，通过QAR采集飞机在各阶段的飞行数据，剔除最后进近阶段进跑道高度和到跑道头距离的异常数据，获取飞机进跑道高度、平飘距离，绘制进跑道高度与平飘距离的散点图，分析进跑道高度对平飘距离的影响，构建进跑道高度与平飘距离的关系模型，通过不同等级跑道长度算出进跑道高度阈值，当进跑道高度超过阈值时给出预警。
-
公开(公告)号：CN115102743B
公开(公告)日：2023-08-22
申请号：CN202210683320.6
申请日：2022-06-17
Applicant: 电子科技大学
IPC: H04L9/40 , G06F16/901 , G06F16/903 , G06F16/906
Abstract: 本发明公开了一种面向网络安全的多层攻击图生成方法，属于计算机网络与安全技术领域。将攻击图分为三个层次进行建模表示：第一层为抽象攻击目标和抽象攻击模式全图，包含主机信息与主机可达性信息；第二层为具体攻击目标和攻击动作子图，包含被攻击主机信息与协议信息，第三层为网络资源和攻击条件子图，包含多跳抽象边与多跳抽象节点。采用本方法面对网络攻防中随时出现可达性变化的情况，能很好地快速动态更新攻击图，攻击图生成过程时间复杂度低，展示度更好，有利于显示和检索分析，同时还具有动态更新的灵活度。
-
公开(公告)号：CN113657020B
公开(公告)日：2023-05-05
申请号：CN202110788390.3
申请日：2021-07-13
Applicant: 电子科技大学
IPC: G06F30/27 , G06F30/28 , G06F30/15 , G06N3/045 , G06N3/08 , G06F18/15 , G06F18/23213 , G06F18/241 , G06F18/27 , G06F113/08 , G06F119/14
Abstract: 本发明公开了一种用于气动数据处理的深度集群神经网络模型构建方法，涉及空气动力学数据处理领域中的深度集群神经网络模型构建技术领域。a、数据集的准备和预处理：首先通过计算流体动力学方法获得气动数据集，提取气动数据集中的主要设计参数和响应参数；然后将数据进行分类，划分为多个子集；对每个子集打上标签；最后将气动数据集划分为训练集、验证集和测试集；b、深度集群神经网络模型构建；c、深度集群神经网络模型训练；d、深度集群神经网络模型验证。采用此方法训练得到的集群神经网络在处理空气动力学数据时，能够弥补样本采样不均或样本分布不均而导致的样本质量不足的环境下传统神经网络模型的缺陷，从而提高了模型的预测精度。
-
-
-
-
-
-
-
-
-
Search Results
145
records
(took 0.033 seconds)
