-
公开(公告)号：CN119339739A
公开(公告)日：2025-01-21
申请号：CN202411394677.8
申请日：2024-10-08
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本发明提供了一种基于域泛化的机械设备无监督异常声音检测方法及系统，本发明通过构建基于全局上下文的SE‑ECA融合注意力机制模块，分别构建MFCC分支网络架构和Log‑Mel分支网络架构，将所述模块添加至各分支网络架构中，分别对MFCC谱图特征和Log‑Mel谱图特征进行音频特征提取；将两个分支网络架构提取的音频特征嵌入在通道维度上进行合并，形成综合特征向量，对综合特征向量进行分类；构建并训练异常检测模型，异常检测模型利用高斯混合模型计算全局异常分数，在利用局部异常因子检测局部异常，再进行加权平均，本发明可以自动学习正常声音特征并检测异常，提升设备的异常检测性能。
-
公开(公告)号：CN119274014A
公开(公告)日：2025-01-07
申请号：CN202411292960.X
申请日：2024-09-14
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06V10/774 , G06V10/20 , G06V10/764
Abstract: 本发明提出了基于AMAdam的对抗样本生成方法及系统，涉及对抗样本生成领域，具体方案包括：将获取的源图像预处理成被攻击的图像，创建与被攻击的图像形状相同的全零张量；将全零张量作为初始扰动，采用循环迭代的方式，基于当前扰动的梯度，采用AMAdam集合动量项的方法计算梯度的无偏一阶矩和无偏二阶矩，通过无偏一阶矩和无偏二阶矩生成新的扰动，直到达到最大迭代次数，得到最终的扰动；将最终的扰动添加到被攻击的图像上，生成对抗样本；本发明将AMAdam算法集成到基于梯度的迭代攻击中，使用梯度的无偏一阶矩和无偏二阶矩，为被攻击图像生成并更新扰动，构建对抗样本，提升基于迁移的对抗样本生成方法的整体性能。
-
Patent Agency Ranking
公开(公告)号：CN116884441A
公开(公告)日：2023-10-13
申请号：CN202310911528.3
申请日：2023-07-24
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本发明提供了一种基于时频特征双重融合的语音情感识别方法及系统，涉及语音情感识别领域，包括：获取待识别的语音信号并进行预处理，得到语音信号的梅尔频率倒谱系数；提取梅尔频率倒谱系数的深度时间特征和深度频率特征；将深度时间特征和深度频率特征进行自适应融合和全局融合，得到时频特征；对得到的时频特征进行再整形，馈入全连接网络中进行分类，根据分类结果确定语音信号对应的情感。本发明能够充分利用语音信号所包含的情感信息特征，提高语音情感识别的准确率。
-
公开(公告)号：CN118447880A
公开(公告)日：2024-08-06
申请号：CN202410640457.2
申请日：2024-05-22
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本发明提供了一种基于多特征注意力融合的语音情感识别方法及系统，包括：基于获取的待识别语音信号,通过预处理获得语音信号的语谱图和梅尔频率倒谱系数；基于所述语谱图，通过时频特征提取获得语谱图特征；基于所述梅尔频率倒谱系数，利用预先训练的神经网络模型进行特征提取，获得梅尔频率倒谱系数特征；基于待识别语音信号，利用自动语音识别的预训练模型进行特征提取，获得W2E特征；分别将语谱图特征和W2E特征以及梅尔频率倒谱系数特征和W2E特征进行特征融合，获得第一融合特征和第二融合特征；基于所述第一融合特征和第二融合特征，通过全局融合获得最终的融合特征；基于获得的融合特征，利用预先训练的情感分类器，获得情感分类结果。
-
公开(公告)号：CN117934914A
公开(公告)日：2024-04-26
申请号：CN202311830648.7
申请日：2023-12-27
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06V10/764 , G06V10/82 , G06N3/0475 , G06N3/094 , G06N3/084 , G06N3/09 , G06N3/096
Abstract: 本发明公开一种基于数据增强和最大绝对差异的对抗样本生成方法及系统，该方法包括：预处理原始图像，得到被攻击图像；创建初始扰动图像，开始迭代；基于被攻击图像，获得并调整多张局部图像，结合扰动图像，对被攻击图像和多张局部图像进行数据增强处理；将数据增强处理后的图像输入至分类网络模型中，计算全局特征与多个局部特征之间的最大绝对差异损失值，并计算分类器损失值，综合得到总损失值，通过反向传播获取损失函数梯度信息；计算得到最终的图像梯度信息，生成并更新扰动图像；判断是否达到最大迭代次数，若是，则对被攻击图像叠加更新后的扰动图像，生成对抗样本；反之则迭代更新扰动图像。本发明能够有效提高生成对抗样本的迁移率。
-
公开(公告)号：CN117877521A
公开(公告)日：2024-04-12
申请号：CN202410021090.6
申请日：2024-01-04
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本发明提出了基于数据增强的无监督机械声音异常识别方法及系统，通过对采集的正常音频数据提取对数梅尔谱图，并对对数梅尔谱图进行数据增强处理，用于识别模型的训练，增强了识别模型对于复杂故障模式的识别能力，并提高了其对于未知故障类型的泛化能力；在识别模型中通过添加自注意力机制捕捉长距离依赖，能够关注到输入特征图中相距较远的区域间的关系，提高特征提取和特征表达能力。
-
公开(公告)号：CN119519945A
公开(公告)日：2025-02-25
申请号：CN202411542748.4
申请日：2024-10-31
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: H04L9/08 , H04L41/149 , H04L41/147 , H04L41/0823 , H04L41/16 , G06N7/01
Abstract: 本发明提出了一种基于贝叶斯的量子密钥分发的参数优化方法及系统，涉及量子信息处理技术领域，针对的问题是：现有技术计算量大、效率低，难以实现高速量子密钥分发系统的实时参数优化及大型量子通信网络资源的最优配置需求。方法包括：获取系统参数以及在MDI‑QKD协议中的发送概率、信号态和诱骗态的强度；对获取的数据进行预处理；根据预处理后的数据，构建基于贝叶斯优化的参数最优模型，并进行训练和测试，得到训练好的模型；将待预测的系统参数以及在MDI‑QKD协议中的发送概率、信号态和诱骗态的强度数据输入到训练好的模型，输出最优参数。本发明能够准确预测待优化的系统参数，提高了系统参数优化的效率，降低了时间成本，大大提高了密钥生成率。
-
-
-
-
-
-
Search Results
7
records
(took 0.058 seconds)
