专利交易市场

本发明公开了一种超非线性输入输出系统基于CFF的参数辨识方法，包括以下步骤：S1、设计基于CFF的神经网络参数更新方法；S2、建立稀疏神经网络模型；S3、设计用系统误差建模实际噪声的方法；S4、仿真实验。本发明采用上述超非线性输入输出系统基于CFF的参数辨识方法，将CFF和神经网络结合起来，充分利用了CFF在超非线性系统中的优秀特性，将其应用于复杂网络参数更新中，提高了网络参数的更新速度，避免了传统方法带来的效率低、收敛慢等问题。

本发明公开了基于依赖树的方面级情感分析交互卷积网络，包括输入编码层，其特征在于，还包括注意力层、依赖树层、图卷积层、交互网络层、以及输出层，所述图卷积层，用于根据句法结构图表示和句子隐藏状态向量表示的自注意力分数，利用Att‑GCN模型计算输出；交互网络层，用于输入Att‑GCN模型的输出，并进行交互操作；计算最终方面词表示的输出；计算输出#imgabs0#和输出#imgabs1#输出层根据#imgabs2#和#imgabs3#进行拼接操作，再进行分类获得分类概率。本发明使用交互网络层，减少因为卷积导致的信息丢失的影响。同时，让分散的句子信息更加的集中。

本发明公开了一种基于正交勒让德小波的可学习激活函数方法，涉及人工智能技术领域。本发明步骤如下：S1:针对特定任务数据，划分数据集为训练集、测试集；设定最大计算量MaxCal；S2：选定网络模型，初始化网络参数、激活函数结构参数K、M，数值参数C；S3：根据参数K、M、C生成勒让德(Legendre)小波，替换网络中激活函数；S4：确定结构参数K；S5：使用训练集训练模型，确定结构参数M；S6：再次使用训练集训练模型，确定数值参数C，得到最优激活函数和网络权重W。本发明通过方法的改进，能够实现自动确定激活函数的结构和参数，以此来一进步避免梯度消失、神经元死亡现象，并保留函数的非线性和可微性，提高网络准确率和收敛效果。

本发明公开了一种基于注意力图差异的对抗样本检测方法及系统，所述方法包括：获取原始样本，包括正常样本、对抗样本，为图像样本；采用基于梯度权重的类激活映射（grad‑CAM）方法生成原始样本的注意力图，得到待检测的注意力图；构建检测模型，所述检测模型由自编码器、判别器组成；训练模型，在无监督训练过程中，检测模型将学习到正常样本的注意力图的特征分布；检测对抗样本，将待检测的注意力图输入训练好的检测模型，得到重建的注意力图；通过计算重建的注意力图与输入的待检测的注意力图之间的差异，判定其对应的原始样本是否为对抗样本。本发明在显著提升检测精度的同时，还能高效准确地检测出黑盒攻击中比较新颖的对抗水印攻击。