“陈晋音”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果364个，建议您升级VIP下载更多相关专利

[发明专利]面向强化学习的检测防御异常数据方法和装置-CN202010608352.0在审
发明人： 陈晋音;章燕;王雪柯;王珏 -专利权人：浙江工业大学
申请日： 2020-06-29 - 公布日： 2020-10-09 - 主分类号： G06F21/56 文献下载
摘要：本发明公开了一种面向强化学习的检测防御异常数据方法和装置，包括以下步骤：采集场景a下小车正常驾驶状态作为样本数据，对样本数据采用PCA降维处理，得到前n个特征值的累计贡献率α以及变换矩阵P；基于DDPG算法建立场景a下自动驾驶训练模型，预训练自动驾驶训练模型，将状态转换过程存入经验回放缓冲区D；采集场景a下自动驾驶训练模型训练过程中的状态st，利用变换矩阵P对状态st降维处理，计算前n个特征值的累计贡献率α’；若||α‑α’||≥∈，则判定st异常，向对应的奖励值rt增加惩罚项并将更新后的状态转换过程存储在经验回放缓冲区D中；根据更新后的奖励值计算损失函数，利用损失函数更新主网络的参数。
面向强化学习检测防御异常数据方法装置

[发明专利]一种基于对抗学习的去性别偏见的图像识别模型及应用-CN202010619858.1在审
发明人： 陈晋音;陈治清;郑海斌;徐思雨;缪盛欢;徐国宁 -专利权人：浙江工业大学
申请日： 2020-06-30 - 公布日： 2020-10-09 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于对抗学习的去性别偏见的图像识别模型及应用，包括：(1)准备第三样本集，不包含性别标签的第一样本集，只有性别标签的第二样本集；(2)构建包含特征提取器和分类器的图像分类网络，以第一样本集来优化网络参数；(3)构建包括参数确定的特征提取器和对抗学习器的对抗学习网络，以第二样本集来优化对抗学习器的网络参数；(4)构建包括特征提取器、分类器、参数确定的对抗学习器的训练体系，(5)以分类器的目标任务损失和对抗学习器的去除性别偏见损失之和作为训练体系的总损失，根据第三样本集，利用该总损失对训练体系进行训练，当训练结束后，提取参数确定的特征提取器和分类器作为图像识别模型。
一种基于对抗学习性别偏见图像识别模型应用

[发明专利]一种基于类激活映射的对抗防御方法-CN202010465617.6在审
发明人： 陈晋音;上官文昌;沈诗婧 -专利权人：浙江工业大学
申请日： 2020-05-27 - 公布日： 2020-10-09 - 主分类号： G06T7/11 文献下载
摘要：本发明公开了一种基于类激活映射的对抗防御方法，包括如下步骤：S1、通过梯度上升方法建立使预测模型中神经元激活值最大化的对比图像集；S2、基于待测图像的类激活映射图定位判定区域；S3、基于二值化算法计算待测图像判定区域和相同标签对比图像判定区域的不一致度；S4、判断待测图像是否带有扰动，若不一致度大于阈值则待测图像带有对抗扰动，反之，为正常图像；S5、移除待测图像中的对抗扰动。本发明所述对抗防御方法通用性高，可抵抗不同的对抗攻击，数据处理成本低，提高了防御效率。
一种基于激活映射对抗防御方法

[发明专利]一种基于概念敏感性量化识别对抗攻击的防御方法-CN202010472526.5在审
发明人： 陈晋音;吴长安;郑海斌 -专利权人：浙江工业大学
申请日： 2020-05-28 - 公布日： 2020-10-09 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于概念敏感性量化识别对抗攻击的防御方法，包括以下步骤：(1)生成图片样本集；(2)构建概念生成器，按类将图片样本集中的图片样本输入，获得每类图片样本所对应的最大决策影响概念；(3)将所有最大决策影响概念和噪声输入图像深度学习模型的特征提取网络，再采用二分类器进行分类，对特征提取网络进行训练；(4)将所有最大决策影响概念输入训练完成的特征提取网络，再采用图像深度学习模型的分类器进行分类，对分类器进行训练；(5)训练完成后，获得训练好的图像深度学习模型；采用训练好的图像深度学习模型对待识别图像进行识别。该方法可提高图像深度学习模型的可解释性以及识别和防御能力。
一种基于概念敏感性量化识别对抗攻击防御方法

[发明专利]基于网络特征强化的深度图卷积模型防御方法及装置-CN202010515730.0在审
发明人： 陈晋音;张敦杰;徐晓东;林翔;李玉玮 -专利权人：浙江工业大学
申请日： 2020-06-08 - 公布日： 2020-10-09 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于网络特征强化的深度图卷积模型防御方法及装置，其中方法包括以下步骤：(I)基于图卷积网络构建网络分类器并进行预训练，网络分类器包含特征提取层和分类层；(II)利用预训练好的特征提取层提取网络的网络特征，利用特征强化模块对网络特征进行特征强化获得加强网络特征；(III)利用加强网络特征对分类层进行再训练；训练好的特征提取层、特征强化模块和分类层依次连接，构成深度图卷积模型；(IV)利用特征提取层提取待分类网络的网络特征；特征强化模块对网络特征进行特征强化获得加强网络特征；分类层对加强网络特征进行分类，获得待分类网络的分类结果。本发明的方法提高了深度图卷积模型对于对抗性攻击的防御能力。
基于网络特征强化深度图卷模型防御方法装置

[发明专利]基于神经元覆盖率的图像深度学习模型测试方法与装置-CN202010600844.5在审
发明人： 陈晋音;张龙源;邹健飞;金海波;熊晖 -专利权人：浙江工业大学
申请日： 2020-06-28 - 公布日： 2020-10-09 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种基于神经元覆盖率的图像深度学习模型测试方法与装置，方法包括：选取图像数据集及M个采用图像数据集预训练好的图像深度学习模型；搭建生成式对抗网络；生成式对抗网络的生成器将随机分布映射为扰动图，再将扰动图加到图像数据集中的原始样本上，生成生成样本；针对M个预训练好的图像深度学习模型，以图像数据集作为训练集，基于神经元覆盖率和注意力机制训练生成式对抗网络；以图像数据集作为输入，分别采用M个训练好的生成器生成对抗样本，汇总后获得测试数据集；利用生成的测试数据集对待测图像深度学习模型进行测试。本发明基于注意力机制和神经元覆盖率，使得图像深度学习模型的测试结果更加可靠。
基于神经元覆盖率图像深度学习模型测试方法装置

[发明专利]面向深度学习模型的动态测试方法及其装置-CN202010600845.X在审
发明人： 陈晋音;邹健飞;张龙源;金海波;熊晖 -专利权人：浙江工业大学
申请日： 2020-06-28 - 公布日： 2020-10-09 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种面向深度学习模型的动态测试方法，包括如下步骤：S1、获取图片数据集与深度学习模型；S2、将图片数据集划分为训练集和测试集，利用训练样本训练深度学习模型得到分类模型；S3、从测试集中随机选取图片作为测试种子样本；S4、将测试种子样本输入分类模型中，若分类模型输出的分类结果与测试种子样本的标签不一致，则将测试种子样本作为测试样本，否则进入步骤S5；S5、基于测试种子样本在分类模型中的交叉熵损失和神经元覆盖率计算梯度；S6、根据梯度上升算法修改测试种子样本；S7、循环执行步骤S4～S6，直到所有测试种子样本都成为测试样本并输出；S8、利用测试样本评判模型的分类性能。
面向深度学习模型动态测试方法及其装置

[发明专利]一种适用于基于长短期记忆网络的无线信号调制分类器可视化方法-CN202010484191.9在审
发明人：黄亮;张友;潘伟建;陈晋音;钱丽萍 -专利权人：浙江工业大学
申请日： 2020-06-01 - 公布日： 2020-09-18 - 主分类号： G06K9/00 文献下载
摘要：一种适用于基于长短期记忆网络的无线信号调制分类器可视化方法，包括以下步骤：1)引入一组权值向量，衡量输入信号中各个信号点对于分类器输出结果的重要程度，通过定义关于分类器分类精度与扰动平滑的约束项组成的损失函数，降低损失函数以更新权值向量，最终将得到的权值向量归一化至[0,1]范围内；2)绘制输入信号的星座图，并根据步骤2)求得的权值将星座点赋予不同的颜色；3)设定权值阈值，如果连续的两个采样点的权值大于阈值，则将两点通过绿色的线段连接。本发明方法能够适用于基于LSTM的无线信号调制分类器，可以直观地展现特征点分布状态，以及分类器在时序上提取特征点的变化规律。
一种适用于基于短期记忆网络无线信号调制分类可视化方法

[发明专利]一种适用于基于卷积神经网络的无线信号调制分类器可视化方法-CN202010484170.7在审
发明人：黄亮;张友;潘伟建;陈晋音;钱丽萍 -专利权人：浙江工业大学
申请日： 2020-06-01 - 公布日： 2020-09-15 - 主分类号： G06K9/00 文献下载
摘要：一种适用于基于卷积神经网络的无线信号调制分类器可视化方法,包括以下步骤：1)引入一组权值向量，衡量输入信号中各个信号点对于分类器输出结果的重要程度，通过叠加分类器的预测得分对于最后一层卷积层产生的各个特征图的平均梯度与对应层的特征图各元素乘积作为权值向量，将得到的权值向量归一化至[0,1]范围内；2)绘制输入信号的星座图，并根据步骤2)求得的权值将星座点赋予不同的颜色；3)设定权值阈值,如果连续的两个采样点的权值大于阈值，则将两点通过绿色的线段连接。本发明方法能够适用于基于CNN的无线信号调制分类器，可以直观地展现特征点分布状态，以及分类器在时序上提取特征点的变化规律。
一种适用于基于卷积神经网络无线信号调制分类可视化方法

[发明专利]面向多种对抗图片攻击的协同免疫防御方法-CN201810299225.X有效
发明人： 陈晋音;苏蒙蒙;徐轩珩;郑海斌;林翔;熊晖;沈诗婧;施朝霞 -专利权人：浙江工业大学
申请日： 2018-04-04 - 公布日： 2020-09-01 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种面向多种对抗图片攻击的协同免疫防御方法，包括：1)根据正常图片和已有攻击生成的对抗图片，即对抗样本训练不同结构的对抗样本子分类器，并用遗传算法进行优化。2)用多个对抗样本子分类器对用于检测的图片进行检测，共同判断是否为对抗样本以及对抗样本的种类。3)若在检测过程中发现新型攻击方法，用正常图片和新型对抗样本训练新型对抗样本分类器；训练完成后，对被判为正常的图片再次进行判断；并在一定时间后重新训练整个对抗样本分类器。本发明对新型对抗样本生成专门的新型对抗样本分类器，减少了对新型对抗样本进行防御的时间，提高了对新型对抗样本的防御效果。
面向多种对抗图片攻击协同免疫防御方法

[发明专利]基于流形学习与闭环深度卷积双网络模型的基因特征提取方法-CN201710355356.0有效
发明人： 陈晋音;郑海斌;熊晖;吴洋洋;李南;应时彦 -专利权人：浙江工业大学
申请日： 2017-05-19 - 公布日： 2020-08-25 - 主分类号： G16B40/30 文献下载
摘要：一种基于流形学习与闭环深度卷积双网络模型的基因特征提取方法，包括以下步骤：第一步，基于流形学习的癌症关联基因特征粗提取，第二步，基于闭环深度卷积双网络结构的基因特征精细提取，过程如下：采用正向卷积神经网络和反向卷积神经网络相结合的双网络结构，利用卷积神经网络的特征提取能力对基因表达数据集进行深度抽象，最终投影出关键特征；反向卷积神经网络实现关键特征的逆投影。本发明提供一种最大程度保留基因特征并实现快速降维的基于流形学习与闭环深度卷积双网络模型的基因特征提取方法。
基于流形学习闭环深度卷积网络模型基因特征提取方法

[发明专利]一种基于SAE-LSTM-SAD的道路交通拥堵传播预测方法-CN201910777261.7有效
发明人：徐东伟;周磊;戴宏伟;彭鹏;王永东;宣琦;陈晋音 -专利权人：浙江工业大学
申请日： 2019-08-22 - 公布日： 2020-08-18 - 主分类号： G08G1/01 文献下载
摘要：一种基于SAE‑LSTM‑SAD的道路交通拥堵传播预测方法，首先获取多条道路的车流量与车速数据矩阵，根据宏观基本图得到各车道的临界交通流状态阈值，从而获得体现时空信息的道路交通状态矩阵；然后利用堆栈自动编码器(SAE)对交通状态矩阵进行有效编码，并将其输入长短期时间记忆网络(LSTM)进行模型的训练；最后，定义模型损失函数为模型预测结果与实际数据的差值，并且利用反向传播算法不断优化模型参数，直至得到最优的模型参数，完成模型的训练。本发明能有效地利用道路在时间和空间上的依赖关系，能充分的挖掘道路交通状态矩阵的潜在特征，提高道路交通状态矩阵的预测精度。
一种基于 sae lstm sad 道路交通拥堵传播预测方法

[发明专利]基于图卷积模型的信号分类方法-CN202010323837.5在审
发明人： 陈晋音;李玉玮;贾澄钰;林翔 -专利权人：浙江工业大学
申请日： 2020-04-22 - 公布日： 2020-08-07 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于图卷积模型的信号分类方法，主要应用于通信系统中的对接收信号的调制方式进行分类，以便采取相应的解调方法，保证通信系统之间实现互通互联，通过接收端接收固定时间序列长度的调制信号，利用同相正交分量分解等预处理方法得到合适的多维数据，将处理后的信号数据输入长短期记忆网络提取特征，保证提取的当前时刻t的特征与之前时刻的信号数据相关，再利用这些特征构建信号的图结构表示，最后将信号的图结构信息和预处理后的多维数据输入即图卷积网络和全连接网络得到信号的分类结果。
基于图卷模型信号分类方法

[发明专利]一种基于动态临近点谱聚类的个性化推荐方法-CN201710944655.8有效
发明人： 陈晋音;吴洋洋;徐轩桁;宣琦;俞山青 -专利权人：浙江工业大学
申请日： 2017-10-12 - 公布日： 2020-08-04 - 主分类号： G06F16/28 文献下载
摘要：一种基于动态临近点谱聚类的个性化推荐方法，依据用户的签到信息建立用户‑商店的二分网络；将用户‑商店的二分网络投影到用户‑用户与商店‑商店的两个单边网络，利用node2vec算法将两个加权的单边网络投影至两个不同的向量空间中；调用基于动态临近点的谱聚类算法分别对以上所得的用户向量与商店向量进行聚类，得到多个用户簇和商店簇；将单个用户之间存在的签到信息转换成用户簇与商店簇之间的簇网络；利用K‑means算法将该一维向量进行划分成两个类，签到个数均值较多的类内的商店簇推荐给该用户簇；依据每个用户簇与所推荐的商店簇进行个性化推荐。本发明有效的提高了推荐方法的准确率。
一种基于动态临近点谱聚类个性化推荐方法

[发明专利]一种基于攻击节点相似性的社交关系隐匿方法-CN201810082251.7有效
发明人：宣琦;赵明浩;郑永立;傅晨波;俞山青;阮中远;陈晋音 -专利权人：浙江工业大学
申请日： 2018-01-29 - 公布日： 2020-08-04 - 主分类号： H04L29/06 文献下载
摘要：一种基于攻击节点相似性的社交关系隐匿方法，包括以下步骤：1)将网络结构数据划分为训练集和测试集；2)根据资源分配指标，计算训练集中所有节点对的相似度值；3)按照相似度值降序遍历所有目标节点对，如果该目标节点对在训练集中存在连边，则删除该连边；如果该目标节点对在测试集中存在连边，则选择该目标节点对的度值最小的共同邻居节点，删除该节点与目标节点的连边；如果该目标节点对之间不存在连边，则选择该目标节点对中度值最小的非共同邻居的邻居节点，增加该节点与目标节点的连边；如果增加和删除的总数达到限制，则终止执行，输出结果。本发明利用节点相似性进行网络的连边扰动，达到比随机扰动更好的隐匿效果。
一种基于攻击节点相似性社交关系隐匿方法