-
公开(公告)号:CN118313668A
公开(公告)日:2024-07-09
申请号:CN202410581520.X
申请日:2024-05-11
申请人: 成都理工大学
IPC分类号: G06Q10/0635 , G06N3/042 , G06N3/0442 , G06N3/045 , G06N3/08 , G06F18/241 , G06F18/25
摘要: 本发明公开了一种结合层次图神经网络与长短期记忆的产业链风险评估系统,涉及深度学习技术领域,包括:层次图构建模块,用于构建产业链‑投资层次图;财务特征提取模块,用于利用LSTM自编码器,从公司多个季度的财务数据中提取财务特征;投资特征提取模块,用于基于图同构网络模型对产业链‑投资层次图进行结构编码,提取投资关系特征;产业链风险评估预警模块,用于利用注意力机制融合财务特征和投资关系特征,基于融合后的特征通过图表示学习方法对产业链中的公司进行风险分类,得到并输出风险评估结果。本发明能精确地捕捉并分析产业链中公司的风险信息,能对产业链中企业风险及时感知,更好地捕获传染效应,识别出具有潜在风险的公司。
-
公开(公告)号:CN117792625A
公开(公告)日:2024-03-29
申请号:CN202311750112.4
申请日:2023-12-19
申请人: 成都理工大学
IPC分类号: H04L9/08
摘要: 本发明公开了一种五比特量子态的量子隐形传态及远程量子态制备的方法,涉及量子通信技术领域,包括:发送端通过量子计算机构建九比特纠缠传输信道;发送端执行U门操作,初始化要传输的量子态;经过受控的远程量子态制备和量子隐形传态实现量子态制备,接收端、制备端和控制端依次按照测量基执行对应的测量;制备端和接收端采用对应的幺正操作得到发送端Alice所传输的量子态。本发明为一种多接收方的多方通信方法,采用的九量子比特信道进行通信,双向传输共计五量子比特的量子态,缩减了经典比特的用量,且是受控的量子隐形传态,提高了传输效率。
-
公开(公告)号:CN118337383A
公开(公告)日:2024-07-12
申请号:CN202410581522.9
申请日:2024-05-11
申请人: 成都理工大学
IPC分类号: H04L9/08
摘要: 本发明公开了一种基于量子信道的八量子比特受控双向通信方法,包括以下步骤:S1,构建一个三方共享的八比特纠缠态信道,用于对信息粒子的传输;S2,发送方Alice和Bob分别制备所要传输的量子态,并纠缠到量子信道进行测量;S3,接收双方在得到控制者Charlie的同意通信的条件下,Charlie对其粒子进行测量,通信双方在各自的量子位进行幺正操作还原。本发明利用Alice发送任意的两量子比特给Bob,Bob发送一个任意两比特给Alice,二者在Charlie的许可下完成发送粒子的重建。该方案与现有技术相比,具有较高的效率,执行的操作简单,测量,还原等操作较少,资源利用率较高,传输相同粒子的情况下量子资源消耗较少,与先前协议有较大优势。
-
公开(公告)号:CN118300869A
公开(公告)日:2024-07-05
申请号:CN202410482565.1
申请日:2024-04-22
摘要: 本发明公开了一种基于边缘计算的普适智能联邦学习隐私保护方法,该方法设计了一种轻量级的掩码添加方案,嵌入式设备完成部分模型训练后,将掩码添加到模型中并传输到边缘服务器,保证了模型的完整性和准确性,实现了比FedAvg更高的训练效率。此外,在边缘服务器中使用自适应差分隐私方案,边缘服务器通过多轮训练中的多次迭代获取局部梯度。它使用剪裁阈值和先前的梯度进行自适应剪裁,既减少了传输量,又减少了噪声引起的误差。接着在云端聚合后添加高斯噪声,云端使用剪裁阈值调整噪声的方差,并根据每个边缘服务器的权重值计算参数变化值,以确保在模型参数尽可能准确的情况下保护反馈的隐私。
-
公开(公告)号:CN118297139A
公开(公告)日:2024-07-05
申请号:CN202410482562.8
申请日:2024-04-22
IPC分类号: G06N3/098 , G06N3/084 , G06N3/096 , G06N3/045 , G06N3/0464 , G06N3/0495 , H04L9/40 , H04L67/10 , H04L12/18
摘要: 本发明公开了一种基于边缘场景下的可信异构联合学习方法,主要解决现有不同的终端设备只能携带相应大小的模型,且数据集有限,显著影响了模型的精度的问题。该方法首先建立一个基于FL的异质性多模型训练架构,它连接了分散的医疗终端设备来训练一个精确的诊断模型,设计了一种具有不同组合的多模型协同训练方法,整合了其他异构模型的知识,以提高模型的精度。最后,添加一个轻量级的迭代掩码,以确保中间信息的隐私性和可靠性。
-
公开(公告)号:CN117496350A
公开(公告)日:2024-02-02
申请号:CN202311487331.8
申请日:2023-11-09
申请人: 成都理工大学
IPC分类号: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/776 , G06V10/40 , G06V10/766 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N3/048
摘要: 本发明公开了一种基于改进的YOLO‑v5算法的飞鸟检测方法,包括以下步骤:S1,引入轻量级C3Ghost和Ghost模块提高遥感图像中小目标检测的精度,添加CBAM模块提高特征表达性能,使用CIoU_Loss损失函数作为边界盒回归损失提高算法的检测精度,训练出基于深度学习的飞鸟检测模型;S2,选择具有不同类型飞鸟的图像,构建飞鸟数据集,并对飞鸟数据集进行重建;S3,将重建的数据集按8:1:1的比例分成训练集、验证集和测试集;并将匪类后的数据集加入到飞鸟检测模型中进行模型训练;S4,设定测量指标对飞鸟检测模型进行性能验证。本发明通过将CBAM模块加入于YOLO‑v5的主干网络中,以突出用于飞鸟检测的有用信息,并抑制无用信息,从而提高图像信息处理的效率和准确性。
-
公开(公告)号:CN117692069A
公开(公告)日:2024-03-12
申请号:CN202311705448.9
申请日:2023-12-13
申请人: 成都理工大学
摘要: 本发明公开了一种基于六量子比特纠缠态的分层控制混合量子通信方法,通过监督者David制备出六量子比特纠缠态信道,通信者Alice要通过量子隐形传态技术将量子态#imgabs0#发送给通信者Bob,通信者Bob要通过远程量子态制备技术在通信者Alice一侧制备量子态#imgabs1#由单量子比特未知态和量子信道组成一个系统态。通信者Alice、通信者Bob、监督者Charlie、监督者David获得相应授权对自己所拥有的量子比特进行量子测量并发送给相应的对象。通信者Alice根据通信者Bob的测量结果、监督者Charlie的测量结果以及自己的测量结果,利用六量子比特纠缠态作为量子信道,实现了对量子隐形传态和远程量子态制备这两种不同的通信协议在一个量子信道上的分层控制,提高了通信的灵活性和效率。
-
公开(公告)号:CN117422604A
公开(公告)日:2024-01-19
申请号:CN202311350236.3
申请日:2023-10-18
申请人: 成都理工大学
IPC分类号: G06Q50/40 , G06Q10/0631 , G06N3/126
摘要: 本发明公开了一种机场站坪车辆运行调度方法,该方法首先构建了一个0‑1整数规划车辆调度模型,该模型具有多个目标:在渡轮车辆数量不足的情况下,最小化航班延误和车辆行驶距离,平衡车辆负荷。为了解决多目标模型,选择了非支配排序遗传算法作为主要框架,设计了一种基于NGA的高峰时段站坪车辆调度算法来解决模型中的约束问题。对比结果表明,与目前最先进的三种多目标优化算法相比,所提模型的总延误时间减少,过境距离减少,平衡指数减少,该模型具有更短的计算时间和更好的解集分布。该方案可以帮助机场减少航班延误、车辆购买和运营成本。
-
公开(公告)号:CN116545617A
公开(公告)日:2023-08-04
申请号:CN202310508012.4
申请日:2023-05-08
申请人: 成都理工大学
IPC分类号: H04L9/08
摘要: 本发明公开了一种基于HHL算法的量子通信方法,涉及量子通信技术领域,通信双方想要相互传送各自持有的经典信息,通过结合HHL算法,利用求解量子线性方程的方式,保证通信双方信息无法被第三方窃取,并且本方案构造的HHL量子线路与SWAP‑TEST门进行结合,通过计算保真度的方式推算求解结果,而非直接对结果测量,可以实现求解速度的提升。本发明通过结合HHL算法和SWAP‑TEST线路,实现了改进的量子对话方案,方案具有安全性高,传输效率高的特点;本发明能够对抗测量重发,拦截重发,极端情况下的攻击,具有很高的传输效率。
-
公开(公告)号:CN118298280A
公开(公告)日:2024-07-05
申请号:CN202410482569.X
申请日:2024-04-22
IPC分类号: G06V10/82 , G06V10/764 , G06V10/77 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/0475 , G06N3/092 , G06N3/094 , G06N3/006
摘要: 本发明公开了一种基于强化学习的民航领域自适应数据表示对齐方法,该方法将领域适应与强化学习分开。本发明引入了特征级和像素级的多粒度约束来指导训练过程。在特征层面引入领域对抗训练和互信息最大化约束,实现了特征的跨领域对齐,从而显著提高了源智能体在目标领域的性能。同时,在像素级引入循环一致变分自编码器(Cycle‑Consistent Variational Autoencoders,VAE),促进域通用特征和域特定特征的解耦,并保持状态图像中的判别信息。在第二阶段,本发明基于提取的域不变特征,在源域中使用深度强化学习技术训练智能体。由于智能体是用跨域不变特征训练的,因此它的行为策略可以在不同的域之间转移,因此有望在不与环境交互的情况下在目标域中获得良好的性能。
-
-
-
-
-
-
-
-
-