-
公开(公告)号：CN116204793A
公开(公告)日：2023-06-02
申请号：CN202310473318.0
申请日：2023-04-28
申请人： 北京航空航天大学 , 中国信息通信研究院 , 中国科学院数学与系统科学研究院
IPC分类号： G06F18/214 , G06F18/23 , G06F18/22 , G06F21/62
摘要： 本发明涉及一种基于联邦学习的工业互联网云边模型聚合方法，属于隐私保护的技术领域。本发明基于联邦学习的工业互联网云边模型聚合方法，联邦学习模型包括云端服务器模型和多个边缘端服务器模型，具体包括以下步骤：步骤1、基于当前云端服务器模型参数更新每个边缘端服务器模型参数；步骤2、对每个边缘端模型更新后模型参数进行筛选，云端服务器模型筛选出满足条件的聚合边缘端模型；步骤3、基于聚合边缘端模型更新云端服务器模型参数；步骤4、基于更新后的云端服务器模型参数进行下一次云端服务器模型的更新直至云端服务器模型的最大更新次数获得全局模型。该方法在训练过程中对客户端节点进行筛选，提高了模型的稳定性。
-
公开(公告)号：CN115309736B
公开(公告)日：2023-03-24
申请号：CN202211230797.5
申请日：2022-10-10
申请人： 北京航空航天大学 , 中国信息通信研究院 , 中国科学院数学与系统科学研究院
IPC分类号： G06F16/215 , G06F16/2455 , G06F16/2458 , G06F18/2431 , G06F18/214 , G06N3/0464 , G06N3/0442 , G06N3/08 , G01D21/02
摘要： 本发明涉及工业数据的异常检测领域，公开了一种基于自监督学习多头注意力网络的时序数据异常检测方法，包括S1：针对多个工业传感器采集到的所有时序数据，归一化后得到时序数据xnorm；S2：对时序数据xnorm采用两种方式增强，得到时序数据xaug1和xaug2；S3：通过时序数据对特征提取网络进行预训练；S4：对特征提取网络fξ与fθ，以及网络gθ，qθ和gξ进行更新；S5：在预训练以及网络更新结束后，进一步增强训练，完成后将整体网络应用于异常检测。通过本发明的检测方法在预训练阶段已经完成了特征提取的工作，因此在应用于异常检测任务时，只需要进行较少轮训练即可以实现较高的检测精度。
-
公开(公告)号：CN116204793B
公开(公告)日：2023-07-04
申请号：CN202310473318.0
申请日：2023-04-28
申请人： 北京航空航天大学 , 中国信息通信研究院 , 中国科学院数学与系统科学研究院
IPC分类号： G06F18/214 , G06F18/23 , G06F18/22 , G06F21/62
摘要： 本发明涉及一种基于联邦学习的工业互联网云边模型聚合方法，属于隐私保护的技术领域。本发明基于联邦学习的工业互联网云边模型聚合方法，联邦学习模型包括云端服务器模型和多个边缘端服务器模型，具体包括以下步骤：步骤1、基于当前云端服务器模型参数更新每个边缘端服务器模型参数；步骤2、对每个边缘端模型更新后模型参数进行筛选，云端服务器模型筛选出满足条件的聚合边缘端模型；步骤3、基于聚合边缘端模型更新云端服务器模型参数；步骤4、基于更新后的云端服务器模型参数进行下一次云端服务器模型的更新直至云端服务器模型的最大更新次数获得全局模型。该方法在训练过程中对客户端节点进行筛选，提高了模型的稳定性。
-
公开(公告)号：CN115309736A
公开(公告)日：2022-11-08
申请号：CN202211230797.5
申请日：2022-10-10
申请人： 北京航空航天大学 , 中国信息通信研究院 , 中国科学院数学与系统科学研究院
IPC分类号： G06F16/215 , G06F16/2455 , G06F16/2458 , G06K9/62 , G06N3/04 , G06N3/08 , G01D21/02
摘要： 本发明涉及工业数据的异常检测领域，公开了一种基于自监督学习多头注意力网络的时序数据异常检测方法，包括S1：针对多个工业传感器采集到的所有时序数据，归一化后得到时序数据xnorm；S2：对时序数据xnorm采用两种方式增强，得到时序数据xaug1和xaug2；S3：通过时序数据对特征提取网络进行预训练；S4：对特征提取网络fξ与fθ，以及网络gθ，qθ和gξ进行更新；S5：在预训练以及网络更新结束后，进一步增强训练，完成后将整体网络应用于异常检测。通过本发明的检测方法在预训练阶段已经完成了特征提取的工作，因此在应用于异常检测任务时，只需要进行较少轮训练即可以实现较高的检测精度。
-
公开(公告)号：CN118282775B
公开(公告)日：2024-08-06
申请号：CN202410692082.4
申请日：2024-05-31
申请人： 北京航空航天大学 , 航天云网科技发展有限责任公司 , 中国科学院数学与系统科学研究院
IPC分类号： H04L9/40 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06N3/047 , G06N3/08
摘要： 本发明涉及工业互联网的安全防控技术领域，提出了一种基于多头注意力机制的工业互联网网络攻击检测系统。所示工业互联网网络攻击检测系统包括数据信息采集模块和工业互联网异常检测模块，可以实现对常见网络攻击手段的有效检测，且在工业互联网异常检测模块中使用高斯混合模型，有效提升了检测的准确性。另外，针对所述工业互联网异常检测模块，本发明针对性设计了损失函数，从而可以有效地对其进行训练。
-
公开(公告)号：CN118282775A
公开(公告)日：2024-07-02
申请号：CN202410692082.4
申请日：2024-05-31
申请人： 北京航空航天大学 , 航天云网科技发展有限责任公司 , 中国科学院数学与系统科学研究院
IPC分类号： H04L9/40 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06N3/047 , G06N3/08
摘要： 本发明涉及工业互联网的安全防控技术领域，提出了一种基于多头注意力机制的工业互联网网络攻击检测系统。所示工业互联网网络攻击检测系统包括数据信息采集模块和工业互联网异常检测模块，可以实现对常见网络攻击手段的有效检测，且在工业互联网异常检测模块中使用高斯混合模型，有效提升了检测的准确性。另外，针对所述工业互联网异常检测模块，本发明针对性设计了损失函数，从而可以有效地对其进行训练。
-
公开(公告)号：CN118214619B
公开(公告)日：2024-07-16
申请号：CN202410636060.6
申请日：2024-05-22
申请人： 北京航空航天大学 , 中国科学院数学与系统科学研究院
IPC分类号： H04L9/40 , G06F18/241 , G06N3/0464 , G06N3/08
摘要： 发明涉及一种基于残差块的高斯混合工业互联网网络攻击检测系统，属于工业互联网的安全防控技术领域。解决了现有技术中的检测系统不能对各类工业互联网网络攻击实现快速有效的精准检测的问题。本发明基于残差块的高斯混合自编码器工业攻击检测系统，该系统的残差块模型轻量化，可以很容易部署在工业领域中；同时，还提出了一种损失函数，可以对残差块进行有效的训练；通过仿真验证，可以以较高的准确率检测出大部分的攻击状态。
-
公开(公告)号：CN118214619A
公开(公告)日：2024-06-18
申请号：CN202410636060.6
申请日：2024-05-22
申请人： 北京航空航天大学 , 中国科学院数学与系统科学研究院
IPC分类号： H04L9/40 , G06F18/241 , G06N3/0464 , G06N3/08
摘要： 发明涉及一种基于残差块的高斯混合工业互联网网络攻击检测系统，属于工业互联网的安全防控技术领域。解决了现有技术中的检测系统不能对各类工业互联网网络攻击实现快速有效的精准检测的问题。本发明基于残差块的高斯混合自编码器工业攻击检测系统，该系统的残差块模型轻量化，可以很容易部署在工业领域中；同时，还提出了一种损失函数，可以对残差块进行有效的训练；通过仿真验证，可以以较高的准确率检测出大部分的攻击状态。
-
公开(公告)号：CN110579784B
公开(公告)日：2021-10-01
申请号：CN201910730756.4
申请日：2019-08-08
申请人： 北京航空航天大学
IPC分类号： G01S19/45
摘要： 本发明提供了一种基于卫星组合导航系统的卫星自主导航方法，包括步骤：针对卫星组合导航系统的状态变量建立所述卫星组合导航系统在连续时间下的非线性状态方程和量测方程；利用SDC策略分别对所述非线性状态方程和量测方程进行线性化得到连续的线性方程，进而得到状态转移矩阵和测量矩阵；基于所述状态转移矩阵和测量矩阵构建离散化后的系统模型；利用所述系统模型对自主导航中经过SDREF滤波处理的状态变量进行时间更新；利用所述系统模型对所述时间更新后的状态变量预测值进行SDREF滤波的测量更新。本发明减少了计算量，提高了导航的实时性，同时还能提高滤波精度，减小导航误差。
-
公开(公告)号：CN110579784A
公开(公告)日：2019-12-17
申请号：CN201910730756.4
申请日：2019-08-08
申请人： 北京航空航天大学
IPC分类号： G01S19/45
摘要： 本发明提供了一种基于卫星组合导航系统的卫星自主导航方法，包括步骤：针对卫星组合导航系统的状态变量建立所述卫星组合导航系统在连续时间下的非线性状态方程和量测方程；利用SDC策略分别对所述非线性状态方程和量测方程进行线性化得到连续的线性方程，进而得到状态转移矩阵和测量矩阵；基于所述状态转移矩阵和测量矩阵构建离散化后的系统模型；利用所述系统模型对自主导航中经过SDREF滤波处理的状态变量进行时间更新；利用所述系统模型对所述时间更新后的状态变量预测值进行SDREF滤波的测量更新。本发明减少了计算量，提高了导航的实时性，同时还能提高滤波精度，减小导航误差。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.052 秒)
