专利交易市场

本发明属于网络安全和深度学习技术领域，公开了一种基于去噪和优化时域卷积网络的移动设备机主认证方法，包括：获取训练样本集，训练样本集包含多条训练样本，每条训练样本均涵盖移动设备在机主认证过程中所使用的特征数据，以及特征数据所对应的标签；对训练样本集采用联合去噪法进行去噪；利用去噪训练样本集对优化时域卷积网络进行优化更新，得到机主认证模型，优化时域卷积网络包含自注意力层；获取待认证移动设备用户的特征数据作为优化更新后的机主认证模型的输入，基于机主认证模型的输出得到待认证移动设备用户是否为机主的认证结果。本发明能够实现移动设备的隐式、准确、实时识别。

本发明公开了一种基于时域卷积网络的可控源电磁数据去噪方法、系统、终端及可读存储介质，所述方法包括以下步骤：步骤1：获取可控源电磁数据并对其进行分段，将每一个数据段作为一个样本以及标记样本的分类标签；所述分类标签表示样本为噪声数据段或高质量数据段；步骤2：构建时域卷积网络，并将样本及分类标签输入至所述时域卷积网络进行训练得到可控源电磁数据分类模型；步骤3：针对待去噪的可控源电磁数据，先分段再输入至所述可控源电磁数据分类模型得到每个数据段的分类结果；步骤4：基于步骤3中的分类结果将高质量数据段进行重组拼接。本发明引入时域卷积网络算法至可控源电磁数据去噪技术中，提高了去噪精度以及效果。

本发明涉及计算机技术应用领域，特别是涉及一种基于混合双向时域卷积网络的数据处理方法、设备和介质。方法包括：接收包含原始模型和原始数据集的训练请求，其中原始模型由双向时域卷积网络模块、双向门控循环单元模块、特征权重分配模块及输出预测模块级联构成，训练数据为指定机场的历史航班数据。其次，通过设计三种滑动窗口机制对数据集进行多尺度划分。最后，基于各尺度序列数据集独立训练原始模型，生成对应目标模型，以捕捉不同时间粒度下的航班运行规律。该方法通过多尺度窗口划分与混合网络架构的结合，有效增强了模型对航班数据中复杂时序依赖关系的建模能力，适用于航班延误预测等时序分析任务。