钻瓜专利网为您找到相关结果
75 个,建议您
升级VIP 下载更多相关专利
[发明专利] 一种基于混合双向长短时记忆神经网络的水质指标预测方法 -CN202211596666.9 在审
发明人:
张璐瑶 ;毕敬 ;乔俊飞
- 专利权人:
北京工业大学
申请日:
2022-12-12
-
公布日:
2023-03-31
-
主分类号:
G06F30/27 文献下载
摘要: 本发明涉及一种面向水质指标预测的方法,特别是涉及一种基于SG(Savitzky‑Golay)滤波、变分模态分解(Variational Mode Decomposition,VMD)、注意力机制、基于遗传模拟退火的粒子群优化算法(Genetic Simulated annealing‑based PSO,GSPSO)与编码‑解码器的双向长短时记忆(Encoder‑Decoder Bidirectional Long Short Term Memory,BiLSTM‑ED)神经网络的水质指标预测方法。首先,将获取到的水质指标历史数据进行归一化处理,并采用SG滤波进行平滑去噪,其次对处理过后的数据使用VMD进行分解得到相对平稳的子序列,然后将数据输入加入注意力机制的基于编码‑解码器的双向长短时记忆BiLSTM‑ED神经网络模型,最后采用GSPSO优化模型的超参数,从而预测未来多个时间点的水质指标情况,最终获得了较高的预测精度。
一种 基于 混合 双向 短时记忆 神经网络 水质 指标 预测 方法
[发明专利] 基于混合自编码和双向LSTM的网络入侵检测模型 -CN202211354317.6 在审
发明人:
关子岳 ;毕敬 ;苑小帅
- 专利权人:
北京工业大学 ;东营市技师学院
申请日:
2022-11-01
-
公布日:
2023-03-28
-
主分类号:
H04L9/40 文献下载
摘要: 本发明涉及一种网络攻击检测的方法,特别是涉及一种基于堆叠稀疏收缩自动编码器(StackedSparseContractiveAutoencoders,SSCA)、模拟退火遗传粒子群优化(GeneticSimulated‑annealing‑basedParticleSwarmOptimization,GSPSO)、引入注意力机制的双向长短时记忆网络(Attention‑based BidirectionalLong‑termandShort‑termMemory,AB‑LSTM)分类器以及决策融合的网络入侵检测方法。首先,将获取到网络流量数据进行归一化处理,而后将其传入SSCA中,对该流量数据进行特征提取,使用GSPSO算法对SSCA的超参数进行优化以提取到更有效的N个特征集,然后将获得的N个特征集传入N个AB‑LSTM分类器中输出N个分类结果,最后利用决策融合算法,将N个分类器的分类结果融合,输出最终的准确分类结果。
基于 混合 编码 双向 lstm 网络 入侵 检测 模型
[发明专利] 基于图注意力波网的多监测断面水质指标时空预测方法 -CN202211344069.7 在审
发明人:
张俊 ;毕敬 ;乔俊飞
- 专利权人:
北京工业大学
申请日:
2022-10-31
-
公布日:
2023-02-03
-
主分类号:
G06Q10/04 文献下载
摘要: 本发明涉及一种面向多监测断面水质指标时空预测方法,特别涉及一种基于SG(SavitzkyGolay)滤波与图注意力波网(GraphAttentionWaveNet,GATWNet)的多监测断面水质指标预测方法。首先,将获取到的多个监测站点的水质指标历史数据依照时间序列进行排序,并对该水质历史数据采用SG滤波进行平滑预处理,在此基础上按照水质监测站点的上下游关系构建有向图。其次,对水质数据进行归一化处理,将水质时间序列数据按照预设的滑动窗口大小划分为多个子序列作为特征序列,即转为有监督的数据,并与有向图同时输入到基于图注意力网络(GraphAttentionNetwork,GAT)和波网(WaveNet)构成的GATWNet模型,进而预测未来多断面、多时间步的水质指标值,最终获取精准度较高的水质指标预测结果。
基于 注意力 监测 断面 水质 指标 时空 预测 方法
[发明专利] 基于TMB的混合网络流量攻击预测方法 -CN202211344093.0 在审
发明人:
徐康原 ;毕敬
- 专利权人:
北京工业大学
申请日:
2022-10-31
-
公布日:
2023-02-03
-
主分类号:
H04L9/40 文献下载
摘要: 本发明涉及一种基于时间卷积网络和多头注意力机制的网络攻击预测方法,特别是一种基于结合时间卷积神经网络(Temporal Convolutional Network,TCN),多头注意力机制(Multi‑head SelfAttention)和双向门控循环神经网络(Bi‑direction Gated Recurrent Unit,Bi‑GRU)的混合网络攻击预测方法TMB。首先,对原始数据采用Savitzky‑Golay滤波器去除噪声。其次,将数据使用归一化操作,并通过滑动窗口将归一化后的数据转化为有监督数据。再次,搭建混合网络攻击模型TMB,该模型由TCN,多头注意力机制和Bi‑GRU组成。通过模型对网络攻击数据的迭代训练,最终得到预测模型。最后,利用该模型预测未来的网络攻击数量,最终获取准确度较高的网络攻击预测结果。
基于 tmb 混合 网络流量 攻击 预测 方法
[发明专利] 基于混合注意力机制的单监测断面时序多要素水质预测方法 -CN202211344096.4 在审
发明人:
张春辉 ;毕敬 ;乔俊飞
- 专利权人:
北京工业大学
申请日:
2022-10-31
-
公布日:
2023-02-03
-
主分类号:
G06Q10/04 文献下载
摘要: 本发明涉及一种面向水环境数据时间序列预测的方法,特别是涉及一种基于SG(Savitzky Golay)滤波与编码器‑解码器结构的稀疏注意力机制(ProbSparse Self‑Attention Mechanism,PSAM)和多头注意力机制(Multi‑Head Attention Mechanism,MHAM)的单监测断面时序多要素水质预测方法。首先,针对获取的水文、气象等多要素数据指标通过皮尔逊相关系数(Pearson Product‑Moment Correlation Coefficient,PPMCC)进行特征筛选,选定数据后通过SG滤波进行平滑处理。其次,再进行水质数据的归一化处理后输入预测模型,利用稀疏注意力机制降低模型的复杂度,并通过多头注意力机制计算水质多要素权重占比来推断不同的水环境要素之间的关系对水质变化的影响。最后,通过生成式解码器(Generative Style Decoder,GSD)进行一次正向预测,建立一种较为精确的水环境时间序列预测模型。
基于 混合 注意力 机制 监测 断面 时序 要素 水质 预测 方法