公开(公告)号：CN115344621A

公开(公告)日：2022-11-15

申请号：CN202210797654.6

申请日：2022-07-06

申请人： 湖北工业大学 ,  武汉卓尔信息科技有限公司

发明人： 王春枝 ,  邢绍文 ,  高榕 ,  严灵毓 ,  吴珺 ,  周显敬 ,  刘虎

IPC分类号： G06F16/2458 ,  G06K9/62 ,  G06N3/04 ,  G06F16/9537

摘要： 本发明涉及异常检测技术领域，特别是涉及一种基于解缠绕网络的多变量时间序列异常检测方法及系统，方法包括：获取初始多变量时间序列数据，并对多变量时间序列数据进行规范化处理，得到预处理多变量时间序列数据；获取预处理多变量时间序列数据的全局依赖关系、局部动态依赖关系和时间依赖关系，进一步得到融合关系；基于融合关系得到预测多变量时间序列数据；基于预测多变量时间序列数据和预处理多变量时间序列数据得到是否异常。本发明能够很好地检测出多变量时间序列中的异常波动，大幅度提高了针对多变量时间序列的异常检测能力。

公开(公告)号：CN118713871A

公开(公告)日：2024-09-27

申请号：CN202410727363.9

申请日：2024-06-06

申请人： 湖北工业大学

发明人： 李津 ,  刘洋 ,  高榕

IPC分类号： H04L9/40 ,  H04L41/149 ,  H04L41/16 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/0499 ,  G06N3/08

摘要： 本发明公开了一种基于热核扩散图变异transformer的网络异常检测方法，包括：将时间、空间两个维度的特征数据转化为时间序列数据，对待检测的时间序列数据进行数据预处理，其中，所述特征数据包括异常对象的空间位置标识、异常发生时间、异常发生的类型；构建基于热核扩散图变异transformer网络的异常检测模型，所述网络异常检测模型为基于热核扩散图变异transformer网络的异常检测，所述异常检测包含空间嵌入、时间建模、基于时间和空间两个维度的时空特征捕捉、全连接网络预测、异常判断。通过上述技术方案，本发明可以解决因传感器采集信号的空间位置拓扑结构复杂性以及时序数据异常变化的复杂性，不能精准预测异常的问题，实现了精准的网络异常检测。

公开(公告)号：CN118646919A

公开(公告)日：2024-09-13

申请号：CN202410863039.X

申请日：2024-06-29

申请人： 湖北工业大学

发明人： 叶志伟 ,  王治之 ,  王明威 ,  李超 ,  王家宁 ,  冯全智 ,  蔡婷 ,  周雯 ,  何其祎 ,  高榕 ,  谢海涛 ,  刘亚文 ,  朱禹帆 ,  黄荣浩

IPC分类号： H04N21/2662 ,  H04N21/462 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/092

摘要： 本发明提供基于注意力机制的无人机视频流码率自适应传输方法，包括以下步骤：根据无人机视频流传输特点，构建一种边缘设备辅助的无人机视频流传输模型。针对模型中通信环境复杂性造成码率决策不准确的问题，引入Transformer编码器对多个时隙下的信道增益、障碍物遮挡概率、视频流传输状态和无人机剩余能量进行注意力编码，通过建立当前状态和历史状态之间的依赖关系，提高复杂环境的语义表征能力。在此基础上，使用深度强化学习网络在编码后的多时隙环境状态序列上预测最优码率，以达到最大化提升用户体验质量(QoE,qual ity of experience)和最小化能耗的目的。该方法在满足用户QoE要求和能耗方面具有更好的表现。

公开(公告)号：CN111899193B

公开(公告)日：2024-06-14

申请号：CN202010753913.6

申请日：2020-07-30

申请人： 湖北工业大学

发明人： 严灵毓 ,  傅稼润 ,  王春枝 ,  叶志伟 ,  高榕 ,  边帆

IPC分类号： G06T5/90 ,  G06T5/70 ,  G06T5/60 ,  G06T9/00 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/084

摘要： 本发明属于图像增强技术领域，公开了一种基于低照度图像增强算法的刑侦摄影系统及方法，摄影端利用摄影设备进行图像数据获取与对象捕捉，并将获取的图像数据传送至增强端；增强端利用构建的基于增强网络模块生成对抗网络的低照度图像增强模型对传输的低照度图像进行增强，并运用对抗网络算法进行图像识别，为未进行过识别的种类贴上标签；同时提取存储后台中已完成识别的类似标签进行辅助识别；将完成识别增强的图片传输至摄影端以及存储后台分别进行输出与存储。本发明低照度图像增强效果最好、增强效率高、应成体系的系统可应用于各种复杂场景、选取了最适用于刑侦摄影的算法技术。

公开(公告)号：CN113469415B

公开(公告)日：2023-04-07

申请号：CN202110631952.3

申请日：2021-06-07

申请人： 湖北工业大学

发明人： 欧阳勇 ,  杨光泽 ,  叶志伟 ,  高榕 ,  万豆 ,  马莹 ,  刘畅 ,  闫春艳

IPC分类号： G06Q10/04 ,  G06F18/24 ,  G06F18/214 ,  H04L41/147 ,  H04L41/142

摘要： 本发明提供了一种网络流量预测方法和计算机设备，网络流量预测方法应用于预测模型，预测模型包括：图卷积‑自注意力模块、全连接层和激活层，网络流量预测方法包括：获取网络流量，确定预处理流量组；将预处理流量组输入图卷积‑自注意力模块得到目标流量特征组；将目标流量特征组输入全连接层得到融合流量特征；基于激活层和融合流量特征确定预测结果。本发明中的图卷积‑自注意力模块，可以提取复杂多变的网络流量数据的空间特征，计算网络流量特征权重，解决网络流量不同数据之间的相互影响力不同的问题，较大地提升网络流量预测的准确率，也就是说，通过图卷积‑自注意力模块可以对非线性的复杂动态网络流量进行预测，并且准确率高。

公开(公告)号：CN113240098B

公开(公告)日：2022-05-17

申请号：CN202110666091.2

申请日：2021-06-16

申请人： 湖北工业大学

发明人： 高榕 ,  张意灵 ,  邵雄凯

IPC分类号： G06N3/04 ,  G06N3/08

摘要： 本发明提供了一种基于混合门控神经网络的网络故障预测方法，将网络故障数据进行预处理转化为时间序列数据，其中，所述网络故障数据包括故障发生的时间节点信息和网络节点设备信息，每个时间序列数据表示当前时间段发生的所有故障类型；将产生故障的网络节点设备的反馈数据转化为文本标签数据；构建基于混合门控神经网络模型，所述混合门控神经网络模型包括嵌入层、混合门控层、邻域注意力层、自动编解码器层，将所述时间序列数据和所述文本标签数据输入所述基于混合门控神经网络模型，所述基于混合门控神经网络模型对网络故障数据中的数据进行预测。通过上述方法，可以挖掘故障数据之间的关联性，提高故障预测的精确性。

公开(公告)号：CN112818035A

公开(公告)日：2021-05-18

申请号：CN202110123044.3

申请日：2021-01-29

申请人： 湖北工业大学

发明人： 高榕 ,  邱叶 ,  邵雄凯 ,  叶志伟 ,  王春枝

IPC分类号： G06F16/2458 ,  G06N3/04 ,  G06N3/08

摘要： 本发明提供了一种网络故障预测方法，包括如下步骤：S1.将网络故障数据进行预处理，所述网络故障数据包括故障类型、故障发生时间，转化为时间序列数据，每个时间序列表示当前时间段发生的所有故障类型；S2.构建基于门控多头注意力的神经网络模型，所述神经网络模型包括嵌入层、注意力记忆网络层、多头注意力层以及门控融合层，将所述时间序列数据输入所述基于门控多头注意力的神经网络模型，所述基于门控多头注意力的神经网络模型对网络故障数据中的故障进行预测。旨在解决传统的预测方法因故障的复杂性以及随机性，不能预测不同网络故障对其他故障的影响，从而不能对故障进行预测的问题，从而提供对网络故障进行精确预测的技术方案。

公开(公告)号：CN115587612A

公开(公告)日：2023-01-10

申请号：CN202211242138.3

申请日：2022-10-11

申请人： 湖北工业大学

发明人： 高榕 ,  漆盛 ,  邵雄凯

IPC分类号： G06N3/04 ,  G06N3/08 ,  G06Q10/00 ,  G06Q50/30

摘要： 本发明公开了一种基于自监督超图的网络故障预测方法及装置，包括如下步骤：S1.首先收集网络故障数据，将网络故障数据转化为时间序列数据，其中所有网络故障类型，其对应在各自的时间序列数据中；S2.构建基于自监督超图的神经网络模型，所述神经网络模型包括嵌入层、查询层、自门控层以及自监督融合层，将上文所述时间序列数据输入到基于自监督超图的神经网络模型，所述基于自监督超图的神经网络模型对网络故障数据中的故障进行预测。本发明主要的解决了在传统的网络故障发生的复杂性关系之间进行直接挖掘的片面性，以及网络故障发生的随机性对于不同网络故障的判断进行筛选，然后决定故障的检修顺序。

公开(公告)号：CN112862690B

公开(公告)日：2022-08-30

申请号：CN202110258617.3

申请日：2021-03-09

申请人： 湖北工业大学

发明人： 严灵毓 ,  叶崇俊 ,  郑坤鹏 ,  李可 ,  高榕 ,  王春枝 ,  叶志伟

IPC分类号： G06T3/40 ,  G06V10/44 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了一种基于Transformers的低分辨率图像超分辨方法及系统，首先基于卷积神经网络和Transformer模块，构建低分辨率图像超分辨网络；然后利用训练数据进行低分辨率图像超分辨网络训练，获得调优的网络参数；最后利用训练好的低分辨率图像超分辨网络对低分辨率图像进行超分辨获得高分辨率图像。本发明自动化程度高，可以大幅度提高效率，降低成本。

公开(公告)号：CN112910695B

公开(公告)日：2022-07-19

申请号：CN202110088723.1

申请日：2021-01-22

申请人： 湖北工业大学

发明人： 严灵毓 ,  边帆 ,  高榕 ,  李可 ,  王春枝 ,  叶志伟

IPC分类号： H04L41/0631 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明公开了一种全局注意力时域卷积网络的网络故障预测方法，包括以下步骤：1、收集网络故障数据，将网络故障数量转化为时间序列的形式，对序列化之后的样本划分为训练集和测试集；2、构建全局注意力时域卷积网络模型；3、利用训练集对构建的网络模型进行训练；4、使用测试集进行预测测试，得到全局注意力时域卷积网络的预测模型，将预测模型得出的结果用于预测网络故障。本发明的解决了传统的网络故障以下问题：网络故障的复杂性导致了直接挖掘故障之间关系的片面性，网络故障的随机性导致忽视某些故障，以及对于不同程度的网络故障的一个判断，然后决定故障的检修顺序。