专利交易市场

本发明公开了一种基于元学习的远程访问木马智能分析方法，包括获取应用数据集；定义元任务；元任务训练得到行为样本；根据所述恶意程序样本和合法程序样本对应的行为样本统计得到各个行为样本的行为向量；利用各个行为样本的行为向量对GMMs模型进行训练，训练确定最终的K值以及聚簇中心和大小；利用训练后的GMMs模型对待分析的在线程序进行检测。本发明构建基于元学习算法，利用高斯混合模型、欧氏距离和动态行为特征的RAT恶意程序智能分析检测模型，模仿安全专家学习、判断恶意程序的过程，利用动态行为特征构建程序行为向量，实现针对RAT的高效、精准检测。

本发明公开了一种基于MAML元学习算法的多特征真假视频检测方法，包括：(1)采集预训练数据集以及局部训练数据集；(2)对预训练数据集和局部训练数据集进行处理；(3)对数据类别进行one‑hot编码，获取对应的类别标签序列；(4)构建引入注意力机制的模型M，利用预训练数据集对模型M进行训练，采用MAML元学习算法，得到预训练好的模型Mt；(5)将局部训练数据集分别作为模型Mt的输入，得到训练好的模型M1、模型M2和模型M3；(6)从预训练数据集的视频数据中获取光流图，输入到模型Mt中，得到训练好的模型M4；(7)将训练好的模型M1、模型M2、模型M3和模型M4进行测试和应用。本发明可以对脸部的局部特征进行训练，不需要大量的训练数据集。

一种基于场景元学习感知的光伏功率预测方法和装置，其方法包括：获取原始光伏功率时间序列，将数据集划分为训练集、验证集和测试集，将序列进行分解获取趋势分量、季节分量与残差分量；搭建整体网络，包括依次连接的双通道映射网络、参数生成网络、主干预测网络，双通道映射网络用于获取浓缩场景信息的任务上下文向量；参数生成网络将任务上下文向量解码为高维的网络元参数；主干预测网络用于选择性注意增强状态空间模型结合所述网络元参数，对输入序列进行自适应预测并输出功率预测结果；将训练集输入整体网络，计算损失函数并更新网络参数，直至网络收敛得到训练好的预测模型；将测试集输入到训练好的预测模型中，输出最终的光伏功率预测结果。

本发明公开了基于元学习的网联车辆速度预测方法，所述方法概括为：利用归一化方法对网联车辆驾驶数据进行预处理以及构建预测模型的学习任务集；结合元学习方法构建时间‑通道注意力卷积网络速度预测模型以提高预测模型的适应性；将上述基于元学习的网联车辆速度预测模型在大量的学习任务上展开学习并得到元学习器；将元学习器在新道路环境下通过少量数据进行几轮训练即可生成适应新环境的时间‑通道注意力卷积网络的参数并可达到很高的预测精度。