-
公开(公告)号：CN117631652A
公开(公告)日：2024-03-01
申请号：CN202311635378.4
申请日：2023-12-01
申请人： 四川大学
IPC分类号： G05B23/02
摘要： 本发明公开了一种针对实时工控系统数据流的异常检测方法。本发明涉及到工业控制系统异常检测领域。本发明针对传统窗口划分仅基于数据点数及数据长度进行会导致漏检的问题，提出一种使用时间作为窗口大小的滑动窗口划分方法，达到兼具时效和精度的要求。本发明提出了一种增强双向生成对抗网络模型，引入了控循环单元(GRU)将时序数据映射到到潜空间，集重建、鉴别、逆映射功能为一体。本发明为了进一步提高模型的检测精度，提出了基于判定重建数据的异常得分计算方法，同时使用了重建数据和原始数据计算异常来降低漏检率。本发明能进行设备实时异常检测，通过有效的潜空间逆映射和高精度异常得分计算方法达到高精度异常判断目标。
-
公开(公告)号：CN117610642A
公开(公告)日：2024-02-27
申请号：CN202311354663.9
申请日：2023-10-18
申请人： 四川大学
IPC分类号： G06N3/098 , G06N3/09 , G06N3/0464
摘要： 本发明提供一种基于增强对抗学习的自编码器算法，该方法通过引入改进的增强自编码器和对抗的解码器结构，以提高模型对有效特征的提取能力和异常检测性能。在训练过程中，使用集成学习的思想，通过多个编码器的组合和自适应权重分配，实现对异常样本和正常样本的同时关注。此外，通过引入噪声层和深层生成器，增强模型对真实数据和重构生成数据的区分能力。通过合并增强编码器和对抗训练的训练步骤，减少迭代次数，提高训练效率和模型稳定性。
-
公开(公告)号：CN117475193A
公开(公告)日：2024-01-30
申请号：CN202311042645.7
申请日：2023-08-18
申请人： 四川大学
IPC分类号： G06V10/764 , G06V10/44 , G06V10/774 , G06N3/0475 , G06N3/045 , G06N3/0464 , G06N3/094 , G06N3/09
摘要： 本发明设计了一种基于自生成对抗和卷积神经网络的恶意代码分类方法。具体包括：恶意代码转换RGB图像：介绍了如何使用恶意代码可视化技术将恶意二进制文件转换为RGB图像；基于自生成对抗网络的SAGR模块进行数据增强：详细介绍了自生成对抗网络如何通过训练生成更多的高质量数据；基于SRDN的轻量级卷积神经网络对图像进行分类：详细描述了改进的轻量级卷积神经网络及其相应的参数设置，使用“Concat”连接，批量归一化层，残差连接以及无参注意力机制对轻量级卷积神经网络做了改进。该方法具有较高的恶意代码分类能力且优于近年优秀恶意代码分类算法的分类效果。
-
公开(公告)号：CN117237983A
公开(公告)日：2023-12-15
申请号：CN202311031292.0
申请日：2023-08-16
申请人： 四川大学
IPC分类号： G06V40/10 , G06V10/764 , G06V10/44
摘要： 本发明针对现实场景中一些行为识别任务需要短时或实时地给出结果，提出了以RGB和骨骼双模态为输入的在线人体行为检测算法SRLSTR(Skeleton‑RGB LSTR)。针对先前研究使用LSTM难以实现并行化的问题，本发明使用长短期Transformer(Long Short‑Term Transformer，LSTR)对输入序列进行建模。针对现阶段大部分在线行为检测研究使用光流法捕捉动态信息极为耗时的问题，本发明提出了三种骨骼特征提取方式代替光流法用以动态信息捕捉。同时，本发明针对监控系统中的异常行为检测需求创建了异常行为数据集。最后，在自建数据集上，以RGB和骨骼为输入的SRLSTR与以光流为输入的LSTR相比，平均精度均值提升了3.09\％，且用时仅占据LSTR的三分之一。
-
公开(公告)号：CN116168206A
公开(公告)日：2023-05-26
申请号：CN202111405971.0
申请日：2021-11-24
申请人： 四川大学
摘要： 本发明公开了一种基于图像边缘监督的语义分割算法。该方法提取出图像的边缘信息，下采样后，融合图像边缘信息，弥补在下采样过程中损失的图像信息，提升网络的语义分割效果。先获得待识别图片的边缘轮廓图，输入到语义分割网络，网络将边缘轮廓图作为目标，基于边缘信息提取网络EdgeUNet待识别图片的边缘信息。主网络通过ResNet‑50网络完成图像语义信息提取，然后利用双线性插值方法对图像特征进行上采样，在上采样的过程中，利用跨层连接的方法融合语义分割网络中的底层细粒度信息和高级语义信息，通过EdgeUNet提取出的待识别图片中的边缘信息。上采样的次数与下采样一致，最后在生成的图片中，分割出检测到的目标。
-
公开(公告)号：CN116152346A
公开(公告)日：2023-05-23
申请号：CN202111395368.9
申请日：2021-11-23
申请人： 四川大学
摘要： 本发明公开了一种基于跟踪和区域相似性的标记匹配方法。本发明涉及到手术器械定位技术领域。该方法采用相关滤波跟踪器对标记球进行实时跟踪以将圆心坐标与其正确对应，并使用基于视差方差的匹配区域划定方法以缩小同名点匹配的搜索范围并避免错误匹配，最后基于改进的AD‑Census匹配代价计算函数匹配同名点。该方法在连续定位过程中能正确地将标记圆心坐标与标记球正确对应，准确地匹配标记的同名点，并且不对标记的几何关系做任何限制。
-
公开(公告)号：CN113420414B
公开(公告)日：2022-08-30
申请号：CN202110584457.1
申请日：2021-05-27
申请人： 四川大学
IPC分类号： G06F30/20 , G06Q10/04 , G06F16/2458 , G06F16/215 , G06F17/15 , G06F17/16 , G06F17/18 , G06K9/62
摘要： 本发明涉及一种基于动态时空分析的短时交通流预测方法，具体包括：系统建模：提出用于表征区域路网各路段交通状态的动态的交通流时空状态矩阵，精准化地定量表征了路段的交通状态；提出用于计算交通流时空状态矩阵之间相似度的交通流动态时空权重矩阵，动态地为时空状态矩阵的每个数据元素分配权值，以构建动态时空加权欧氏距离，优化K近邻模型的近邻搜索机制；提出基于相似度占比的加权预测法，使用美国加州公路管理系统PeMS的真实交通流量数据集进行实证研究。讨论了包含均值预测、反距离加权预测、等级加权预测三种预测函数的精度表现。与现有的统计理论和人工神经网络模型对比，验证了本发明所提模型在短时交通流预测中具有更好的预测精度。
-
公开(公告)号：CN113064665B
公开(公告)日：2022-08-30
申请号：CN202110291023.2
申请日：2021-03-18
申请人： 四川大学
摘要： 本发明涉及一种基于李雅普诺夫优化多服务器计算卸载方法，具体包括：系统建模：多用户边缘计算系统由N个移动设备和M个小基站组成，所有移动设备都随机分布在这M个小基站共同的覆盖范围内，小基站的计算和通信资源受限，移动设备可以通过5G等无线通信技术与边缘服务器通信；构建计算模型，得到任务在本地计算和传输至边缘服务器所需的能耗和能耗，构建能量模型，得到能量队列；得到移动设备在单个时隙下的执行成本，构建移动设备平均执行成本最小化问题；通过李雅普诺夫方法消除能量因果约束，利用交替优化思想和拉格朗日对偶法得到计算卸载决策和资源分配策略的最优解。本发明不仅可以减少移动设备的执行成本，还能减少任务抛弃率。
-
公开(公告)号：CN114386843A
公开(公告)日：2022-04-22
申请号：CN202210035975.2
申请日：2022-01-10
申请人： 四川大学 , 四川长城计算机系统有限公司
摘要： 本发明公开了一种基于改进深度强化学习算法的柔性车间调度方法。本发明涉及到工业系统生产调度领域。本发明提出的基于改进深度强化学习算法的柔性车间调度方法具有调度效果好、能够对机器利用率进行提高的优点。与传统的基于深度强化学习的柔性车间调度算法相比，本发明将邻域搜索算法应用到了深度Q学习算法当中，提出了一种新型的同时具备邻域搜索算法局部搜索能力以及深度Q学习算法全局搜索能力的结合了邻域搜索算法的深度Q学习算法。最后通过一系列标准数据集上的实验，成功证明了结合了邻域搜索算法的深度Q学习算法在解决柔性车间调度问题上的优越性。
-
公开(公告)号：CN113553350A
公开(公告)日：2021-10-26
申请号：CN202110587211.X
申请日：2021-05-27
申请人： 四川大学
IPC分类号： G06F16/2458 , G06K9/62 , G08G1/01
摘要： 本发明提出了基于相似演化模式聚类及动态时区划分的交通流时间序列分区模型，首次尝试挖掘交通流随时间变化的动态时空特征，解决交通流时间非平稳性在短时交通流预测中的挑战。具体的工作包括：首先使用亲和力传播聚类算法(APC)，自动识别出路网内具有相似交通流演化模式的路段。其次针对交通流的日内演化差异，用曲度K‑Means算法，对相似演化模式中的交通流进行动态时区划分，更深层次地挖掘路网交通流的时空状态特征。然后在相似模式识别和自动时区划分后，对不同模式下的不同时区内的交通流分别建模，对交通流的状态信息进行量化，使模型的预测精度更加准确。最后使用真实数据集对所提模型的有效性进行验证。
-
-
-
-
-
-
-
-
-
搜索结果
70 条记录 (耗时 0.03 秒)