专利交易市场

一种基于自动编码器的电磁信号调制类型识别的通用对抗扰动生成方法，搭建信号分类模型，使信号数据集能以高精度预测输出；获取模型的结构和权重参数，从训练集中随机采样信号样本，利用Deepfool白盒攻击算法生成相对应的信号对抗扰动，将信号对抗扰动拼接成一个信号扰动矩阵，将信号扰动矩阵输入自动编码器进行训练，训练后得到编码层的输出数据，该数据可以保留原始数据的全局特征，从而大幅降低分类模型的分类精度。

一种基于堆叠自动编码器和引文网络的科技论文分类方法，根据现有科技论文数据构建引文网络邻接矩阵与标签向量矩阵，计算概率转移矩阵和共现概率矩阵；构建基于堆叠自动编码器和长短期记忆网络的科技论文分类模型；用共现概率矩阵以及标签向量矩阵训练堆叠自动编码器和长短期记忆网络；用已训练的模型来预测新的论文的分类结果。本发明考虑论文之间的引用关系，有效提取构造的引文网络中各节点之间的内在关系，将其映射到低维的嵌入向量空间中，并用长短期记忆网络来获取类别特征信息，实现了对新论文的类别的精准预测。

本发明公开一种基于深度卷积自动编码器的转录因子结合位点预测的方法，应用于计算机技术和生物信息技术领域，为了解决模型对没有结合位点的阴性序列样本的依赖性同时提高模型泛化能力；本发明首先通过染色质免疫共沉淀技术特异性地富集目的蛋白结合的DNA片段，从而获得原始数据集；然后对原始数据集进行预处理，得到训练数据集；其次将训练数据集输入卷积自动编码器进行训练；最后根据训练完成的卷积自动编码器进行结合位点识别；实验证明本发明能够针对不同细胞系的不同转录因子结合位点预测，且具备高准确率识别的效果。

本发明属于信息安全领域，特别涉及一种基于变分自动编码器的数字媒体保护文本隐写方法，包括构建由编码网络、高斯采样以及解码网络构成的神经网络模型，将文本向量化；利用编码网络分别获取全局关键词和长序列的特征，并融合全局关键词和长序列的特征获取全局特征表示；利用高斯采样对编码网络中的全局特征表示进行高斯采样；利用解码网络对高斯采样的采样结果进行解码，获取文本的条件概率分布；选择条件概率最大的K个词，使用哈夫曼编码来选择同秘密比特流相对应的一个单词，完成文件的隐写；本发明不仅能够生成长而多样的隐写文本，使得隐写文本能携带更多的秘密信息，而且实现自然语言和隐写文本视觉不可区分、统计不可区分和语义不可区分。

本发明涉及一种降低基于自动编码器的通信物理层传输系统复杂度的方法，属于移动通信技术领域。该方法包括：生成一系列二进制比特流；对比特流按多元数字频带调制方式组合成比特对并将比特对转换成整数；在基本的自动编码器网络中引入嵌入层并构建物理层传输系统；利用转换后的整数索引训练自动编码器网络并实现物理层数据传输过程。本发明提出了一种低复杂度自动编码器网络结构来实现通信物理层传输系统，能够降低传输系统的复杂度和系统储存开销。