- 博客(40)
- 收藏
- 关注
RSS订阅原创 基于离群点消除的无假设抗攻击联邦学习完整代码python
在联邦学习（Federated Learning，FL）系统中，随着多方参与者的模型更新汇聚到全局模型，如何有效抵御攻击，保障模型的鲁棒性，成为了研究的热点之一。在拜占庭攻击中，恶意参与者通过提交与真实数据分布相差甚远的模型更新，严重干扰了全局模型的训练，导致其准确率和召回率大幅下降。在该算法中，离群点消除作为一个重要的预处理步骤，旨在识别和剔除那些极端的、不符合正常模型更新规律的更新。通过在每轮训练中对上传的模型更新进行离群点剔除，有效抑制了恶意参与者的干扰，保证了全局模型的稳健性。
2025-07-23 16:35:13
292
原创 联邦学习数据poisoning攻击影响和防御完整代码python
在联邦学习系统中，多个参与者共同训练模型，而每个参与者在本地数据上进行训练，并将模型更新上传至服务器进行汇总。然而，这种去中心化的协作方式也为恶意攻击者提供了可乘之机。定向数据投毒攻击即部分恶意参与者故意使用标注错误的数据来更新模型，从而在不引人注意的情况下，悄无声息地污染全局模型。这种攻击方式不仅能够损害模型的分类性能，还可能导致模型在特定类别上的表现大幅下降，甚至引发系统级别的崩溃。
2025-07-23 16:12:21
648
原创 强化联邦学习的车联网 DDoS 攻击检测
在车联网的分布式环境中，雾节点利用收集到的车辆数据，通过边缘服务器进行强化联邦学习，从而提升车联网中DDoS攻击检测的准确性与效率。通过Q-learning，雾节点能够学习到最优的本地训练策略，从而在每次模型聚合时提供更优的模型参数更新。经过多次聚合迭代后，全球模型能够收敛至一个性能更优的状态，进而生成一个有效的联邦学习聚合策略。联邦学习过程中，边缘服务器充当中心角色，客户端通过与边缘节点的通信更新模型并计算每轮的训练次数。每轮训练完成后，客户端将本地模型参数及上一轮获得的奖励 rr 上传至边缘服务器。
2025-06-27 23:04:05
217
1
原创 基于CSO算法的任务卸载在IoT移动边缘计算
提供了天体群体优化（CSO）算法的实现，这是一个基于群体的创新元启发式算法，旨在移动边缘计算（MEC）环境中实现能效任务卸载。CSO通过重力影响平衡探索与开发，优化物联网（IoT）任务的卸载决策，从而降低能耗、延迟和计算开销。完整代码获取方式见文末。
2025-06-15 09:30:00
166
原创 DL00120-Lyapunov深度强化学习移动边缘计算网络在线计算卸载python
研究的学者或学生，这个算法的提出将为你的论文增添不少亮点！采用Lyapunov优化的在线计算卸载算法，解决了计算卸载中的关键问题，既保证了系统的稳定性，又提升了数据处理能力，是学术界和工程界关注的焦点。（MEC）网络中，如何高效、稳定地卸载计算任务，成为了研究人员和工程师们亟待解决的难题。，比如长时间的数据队列稳定性和功率限制。这一创新的算法框架可以显著提高计算卸载的效率，同时保证数据队列的长期稳定性和功率的合理分配。在当今信息化、智能化飞速发展的时代，移动设备和网络的计算负载越来越重。
2025-06-14 15:17:32
266
1
原创 基于联邦学习的计算机病毒检测完整python代码
此外，通过多轮训练和聚合，最终得到的全局模型将充分结合各个客户端的数据特征，实现更加精准和高效的模型。通过这样的配置，服务器不仅能够高效地聚合多轮训练结果，还能确保每个客户端的模型更新被充分考虑，避免了传统集中式训练中的单点故障问题。模型的联邦学习配置，适用于多种场景，尤其是在涉及敏感数据的应用中，能够实现数据隐私保护的同时，提升模型的准确性与效率。今天我们要为大家分享一份基于联邦学习的配置，展示如何使用自定义的服务器和客户端配置，完成高效的模型训练和聚合。）的主要任务是聚合客户端的模型更新。
2025-06-12 17:24:08
1213
原创 联邦学习同步异质客户端的数据
假设每个客户端的训练样本是独立抽取的，且类别标签遵循一个关于 N 类的分类分布，该分布由向量 q 参数化 (qi ≥ 0, i ∈ [1, N] 且 ||q||₁ = 1)。为了合成一组非同质客户端的数据，我们从 Dirichlet 分布中抽取 q ∼ Dir(αp)，其中 p 表示 N 类的先验类别分布，α > 0 是一个浓度参数，用于控制客户端之间的相似度。对于每个客户端，在给定 α 的情况下，我们从 Dirichlet 分布中抽取 q，并根据该分布为客户端分配相应数量的图像。
2025-06-12 10:01:24
414
原创 联邦学习聚合参数操作详解
联邦学习中常见的模型聚合操作，具体用于对来自多个客户端的模型更新进行聚合，以得到全局模型。在联邦学习框架下，多个客户端在本地训练各自的模型后，会将模型更新（通常是模型的权重）发送到中央服务器，中央服务器需要对这些本地更新进行合并，生成一个新的全局模型。
2025-06-10 21:17:11
591
原创 使用联邦学习进行CIFAR-10分类任务
联邦学习是一种分布式机器学习方法，旨在保护数据隐私。与传统的集中式学习不同，联邦学习将模型训练过程分散到多个客户端（如智能手机、IoT设备等），每个客户端本地拥有数据，并在本地进行模型训练。训练完成后，客户端将其模型更新（如梯度或权重）发送到中央服务器，服务器将这些更新聚合形成全局模型。最终，全局模型会回传给各个客户端用于进一步的本地训练。这种方式可以有效避免数据泄露，同时减少了数据传输带来的带宽压力。
2025-06-10 14:03:12
1171
原创 基于Dirichlet分布的联邦学习数据分配
基于Dirichlet分布的联邦学习数据分配。其目标是将数据按照不均衡的方式分配到不同的客户端，模拟真实世界中客户端数据不均匀的情况。
2025-06-10 11:19:05
420
原创 联邦学习如何减少通信数据量
在本地模型更新前，系统会计算这些参数所占用的内存大小和非零权重的数量。总的来说，这段逻辑的核心目的是通过减少通信数据量（只传递top-k参数）来降低通信开销，同时确保每个客户端的本地更新能够正确地贡献到全局模型中，进而提高联邦学习的效率和效果。： 最后，服务器会根据所有客户端的本地模型更新和掩码来聚合出一个新的全局模型。通过聚合所有客户端的本地更新，生成一个新的全局模型，该模型将作为下一轮训练的基础。： 在每轮训练中，系统会针对所有活跃的客户端进行模型参数的获取和更新。
2025-06-09 12:12:45
300
原创 联邦学习带宽资源分配
带宽资源分配是指在网络中如何合理分配有限的带宽资源，以满足各个通信任务和用户的需求，尤其是在多用户共享带宽的情况下，如何确保各个设备或用户的通信需求得到高效且公平的满足。带宽是网络中的一个重要资源，通常指的是单位时间内，网络可以传输的数据量，通常以比特每秒（bps）来衡量。在分布式系统和网络环境下，带宽的分配策略直接影响系统的性能、效率和公平性，尤其是在联邦学习等分布式机器学习任务中，带宽资源的合理分配显得尤为重要。
2025-06-09 11:35:20
937
原创 联邦学习与边缘计算结合
边缘计算（Edge Computing）是一种分布式计算架构，它将计算任务从集中式数据中心转移到距离数据源更近的边缘节点进行处理。这些边缘节点通常是终端设备，如路由器、传感器、智能手机或嵌入式系统。边缘计算的核心优势在于可以减少数据传输延迟，降低网络带宽压力，并且能够提高数据处理的实时性和自主性。
2025-06-08 13:51:27
1050
原创 联邦学习的创新方向
联邦学习（Federated Learning，简称FL）是一种去中心化的机器学习方法，它允许多个客户端在不交换本地数据的前提下协同训练全局模型，从而解决了数据隐私保护和安全性的问题。随着人工智能和大数据技术的快速发展，联邦学习已经成为一个备受关注的研究领域，尤其在涉及敏感数据的领域，如金融、医疗和通信等，具有巨大的应用潜力和创新价值。
2025-06-08 13:47:48
689
原创 联邦学习信用card用户隐私保护完整代码含数据集
今天，我们将分享一个基于联邦学习框架的项目，帮助你在信用卡欺诈检测领域取得突破，不仅能提升你的学术论文质量，还能为你提供高效的科研解决方案。联邦学习是一种去中心化的协作训练方式，解决了多个客户端在保持数据隐私的同时，仍能共同训练高效模型的问题。通过联邦学习，每个客户端仅分享模型训练的梯度信息，而非直接共享本地数据，这样既能保护数据隐私，又能保证模型的准确性。无论是从技术实现、数据隐私保护，还是从模型性能提升的角度看，这个基于联邦学习的信用卡欺诈检测框架都能够为你的研究提供强有力的支持。
2025-06-08 13:45:04
503
转载 基于人工智能的安检X光危险品刀具检测含数据集
🔍🚨🚀 在安全与效率的角逐中，你是否一直在寻找一个既高效又精确的解决方案？今天，我们带来了一项颠覆性的创新技术——基于人工智能YOLOv11的系统，让你的安检系统不再是“低效且耗时”的代名词，而是更加精准、智能的科技工具！🛠️。
2025-06-08 13:10:51
54
原创 联邦学习在各领域的落地应用
联邦学习是一种分布式机器学习方法，通过将数据保留在本地设备上，避免了数据的集中存储和处理，从而在保证数据隐私的前提下，实现了多方协作学习。
2025-06-08 12:59:35
562
原创 针对异构数据的联邦学习
在联邦学习中，数据异构性是指不同客户端之间的数据分布差异，包括数据的特征空间、标签空间以及数据量等方面的差异。处理异构数据是联邦学习中的一个重要挑战，因为异构数据可能导致模型训练过程中的性能不稳定、收敛速度较慢，甚至可能出现数据偏差等问题。为了有效处理异构数据，联邦学习采用了一系列策略和方法。
2025-06-08 12:57:54
714
原创 深度学习船舶模糊船号文字识别
在船舶场景中的字符识别任务中，首先需要进行文本区域检测。通过YOLO模型检测到目标文本区域后，基于预测的几何边界框进行图像裁剪与校正，获得文本区域图像，随后将该图像输入生成对抗网络（GAN）模型进行文字识别，从而生成高质量的文本图像并获得精准的识别结果。随着我国船运业的快速发展，船号作为船舶唯一的身份标识，其准确识别对于船舶管理至关重要。传统的图像处理和光学字符识别（OCR）方法在解决这一问题时表现有限，且现有大多数方案通常采用两步法：首先进行图像恢复，接着对恢复后的图像进行字符识别。
2025-01-16 18:19:02
232
原创 深度学习太阳能电池片缺陷检测方案
深度学习能够通过自动化学习从大量图像中提取复杂特征，识别不同类型的缺陷，如裂纹、气泡、划痕、污染等，这些缺陷通常对电池片的性能造成显著影响。由于电池片的生产过程中缺陷种类繁多且形态各异，深度学习模型能够在大规模数据的支持下，通过端到端的训练，显著提高检测的精度和效率。此外，随着数据集的不断丰富和算法的不断优化，深度学习技术在噪声干扰、光照变化等复杂环境中的鲁棒性也得到了增强。因此，基于深度学习的太阳能电池片缺陷检测已成为提升生产效率、降低成本和提高产品质量的重要手段，具有广泛的应用前景。
2025-01-08 16:25:37
255
原创 图卷积神经网络GCN心电图信号ECG心律失常检测python
例如，一些研究将ECG信号的不同时间片段作为图的节点，通过图卷积操作获得每个片段的特征，最终实现心律失常的检测和分类。GCN可以处理具有不规则结构的数据，如多通道ECG信号，它可以通过设计合适的图结构，捕捉不同通道之间的相互关系，从而获得比传统CNN方法更好的表现。在一些研究中，研究者将ECG信号的不同通道视为图中的节点，通过构建图的边来表示不同通道之间的关系。通过图卷积操作，GCN可以有效地捕捉不同通道之间的依赖性，尤其是在心律失常的检测中，多个通道的数据往往提供了更多的诊断信息。
2025-01-06 16:22:22
1275
1
原创 医学影像肿瘤检测与图像分割技术方案咨询
医学影像肿瘤检测与图像分割是现代医学中至关重要的研究领域，特别是在癌症的早期诊断、治疗规划和效果评估中，精确的肿瘤分割对提高临床诊断的准确性和治疗效果起着关键作用。通过训练深度网络，能够实现对肿瘤区域的自动检测和精确分割，显著提高了分割的精度和速度。此外，随着医学影像数据集的不断积累，数据驱动的学习方法和计算力的提升，使得肿瘤检测系统在准确性、鲁棒性以及临床实用性方面不断取得突破，推动了智能医学影像分析技术的发展，减少了人为误差，并且可以帮助医生提高工作效率，推动个性化治疗的发展。
2025-01-06 15:36:04
222
原创 BEVFormer模型详解
BEVFormer模型通过创新性地结合了Transformer的强大能力和BEV视图的空间表示，提供了一种高效且精准的自动驾驶环境感知方法。它在多传感器融合、长时间序列建模和空间上下文建模等方面展现了出色的性能，推动了自动驾驶技术向更加智能化和高效的方向发展。随着技术的不断进步，BEVFormer可能会成为未来自动驾驶和智能交通系统中不可或缺的核心技术之一。
2025-01-05 22:46:38
1063
原创 EEG脑电信号图神经网络GCN情绪识别方案
EEG（脑电图）脑电情绪分类是利用脑电信号识别和分类人类情绪状态的一项研究领域，随着情感计算和脑机接口技术的发展，情绪识别成为了心理健康监测、智能交互和人机协作中的重要研究课题。传统的情绪分类方法通常依赖于面部表情、语音或生理信号，但这些方法受环境干扰较大，且缺乏对内在情绪状态的直接感知。在EEG脑电情绪分类中，GNN能够有效地建模大脑区域之间的空间关联，捕捉跨通道和跨区域的情绪相关信息，克服传统方法的局限性，提供更加精准的情绪分类结果。国际 10-20 标准导联分布。
2025-01-05 16:39:02
893
原创 DL00684-山体滑坡实例/语义分割检测完整python代码含数据集
传统的山体滑坡检测方法依赖人工监测、地质勘探和局部传感器，这些方法不仅反应速度慢，而且容易受到地形、气候等因素的影响，难以在大范围内进行实时监控和预警。随着遥感技术和深度学习的迅猛发展，基于图像的山体滑坡检测技术得到了广泛应用。YOLOv8作为一种先进的目标检测算法，具有高效、实时和精确的特点，但在山体滑坡的研究中，单纯的目标检测并不能提供足够的信息。因此，山体滑坡的实例分割成为一个重要的研究方向，通过将滑坡区域进行像素级的划分，不仅可以提高检测精度，还能详细分析滑坡的形态、范围和严重程度。
2025-01-03 21:02:20
362
1
原创 DL00681-基于YOLO算法的山体滑坡检测python含数据集
在山体滑坡检测中，YOLOv8能够通过对大规模遥感图像和监控视频的自动分析，快速识别出山体滑坡的发生区域，准确定位滑坡发生的时间和地点。YOLOv8的应用大大提高了山体滑坡检测的效率，减少了人工巡检的成本，并增强了灾害预测和防范的能力，为环境保护和灾害管理提供了新的技术手段。随着遥感技术和计算机视觉技术的进步，基于图像处理的自动化监测方法逐渐受到关注，尤其是深度学习算法的发展为山体滑坡的实时检测提供了新的解决方法。随着遥感技术和计算机视觉技术的进步，基于图像处理的自动化监测方法逐渐受。
2025-01-02 18:19:24
667
原创 基于YOLO深度学习的煤矸石目标检测系统含完整源码可支持摄像头等
在煤矸石检测领域，YOLOv8通过对大量煤矿环境下的图像进行训练，能够自动识别和定位煤矸石的位置，甚至可以区分煤矸石与其他矿石材料，极大提高了检测效率和精度。与传统方法相比，YOLOv8能在复杂的自然环境、不同光照条件下，快速准确地完成煤矸石的自动检测，为煤矿企业的环保管理、废弃物处理和资源回收提供了重要支持。传统的煤矸石检测方法通常依赖人工目测或简单的传感器设备，这些方法不仅效率低下，且容易受到环境因素的干扰，难以应对大规模、高密度的煤矸石监测需求。
2025-01-02 15:07:31
568
2
原创 X00119-SDN下移动边缘计算市场中的智能动态数据卸载python实现
为了确定MEC服务器的最优定价，提出并求解了最大化MEC服务器利润的优化问题，该问题涉及服务器提供的计算服务和接收的卸载数据。软件定义网络（SDN）和移动边缘计算（MEC），能够动态管理和满足终端用户的计算需求，已经成为5G网络的关键使能技术。此项目研究了在多MEC服务器和多终端用户环境下，终端用户选择MEC服务器及其数据卸载的联合问题，以及MEC服务器的最优定价问题。此项目研究了在多MEC服务器和多终端用户环境下，终端用户选择MEC服务器及其数据卸载的联合问题，以及MEC服务器的最优定价问题。
2024-12-31 10:35:31
307
原创 R00100-临床护理脑卒中预测模型R实现
该预测模型的提出旨在预测患者的中风病例，以应对全球范围内中风病例数量的增加。该模型的构建考虑了以下数据：患者数据，包括病史和人口统计信息。此外，该模型还能够跟踪高风险患者，并监测预防措施的实施效果，以减少中风发生率。预计该模型将通过持续的数据流进行增强，以更好地训练机器学习模型，从而提供最准确的预测。该预测模型的提出旨在预测患者的中风病例，以应对全球范围内中风病例数量的增加。此外，该模型还能够跟踪高风险患者，并监测预防措施的实施效果，以减少中风发生率。预计该模型将通过持续的数。
2024-12-28 17:13:18
248
原创 DL00755-基于YOLO深度学习的井盖缺陷检测系统可换模型
在城市基础设施的管理和维护中，井盖缺陷的检测是一个重要的研究方向。YOLOv8通过引入新的网络结构、改进的损失函数以及优化的训练方式，能够在保证高精度的同时，实时识别井盖的缺陷类型和位置。相比于传统的图像处理技术，YOLOv8具有较强的适应性和鲁棒性，能够处理不同光照、天气、视角等复杂环境下的井盖图像，实时检测井盖的裂缝、变形、污渍等问题。研究表明，YOLOv8在井盖缺陷检测中的应用，能够大大提高检测的自动化水平和准确性，为城市基础设施的维护和安全管理提供了重要的技术支持。
2024-12-27 19:09:57
572
原创 DL00768-基于YOLO深度学习的电瓶车佩戴头盔检测系统python实现
随着城市交通拥堵问题的加剧和共享电动车的普及，电动车安全问题引起了广泛关注，尤其是骑行者佩戴头盔的问题。YOLOv8通过改进的深度卷积神经网络和优化的检测框架，能够在复杂的环境中快速准确地识别电动车骑行者是否佩戴头盔。研究表明，YOLOv8在电动车佩戴头盔检测中的应用，不仅能够实时监控道路上的安全隐患，还能够通过自动化管理提升交通安全性，减少事故发生率。ft=t&id=868579958120 随着城市交通拥堵问题的加剧和共享电动车的普及，电动车安全问题引起了广泛关注，尤其是骑。
2024-12-27 18:57:41
477
1
原创 M00010-MATLAB水力压裂模型2d和3d水力压裂模型求解器
水力压裂（Hydraulic Fracturing）是一种广泛应用于石油和天然气开采中的技术，主要通过向地下岩层注入高压液体，诱发岩石裂缝的产生和扩展，从而提高油气的采收率。为了更好地理解和优化水力压裂过程，学者们提出了各种数学模型来模拟压裂过程中的物理现象，包括裂缝的扩展、压力分布、流体的渗透和岩石的破裂等。MATLAB水力压裂模型利用有限元法（FEM）、边界元法（BEM）、离散元法（DEM）等数值方法，能够对岩石的力学行为、裂缝传播的动力学以及流体与岩石的相互作用进行详细的模拟。
2024-12-23 16:50:58
319
原创 X00082-FMCW的MIMO雷达仿真matlab完整实现
FMCW雷达通过发射频率随时间变化的连续波信号，实现对目标距离和速度的测量。其工作原理是利用发射信号与接收反射信号之间的频率差来计算目标的距离和相对速度。MIMO技术通过多个发射和接收天线组合，能够同时发送和接收多个信号。这种方法显著提高了雷达系统的探测能力、分辨率和抗干扰能力。FMCW MIMO雷达在自动驾驶、无人机、航空航天和安防监控等领域具有广泛的应用前景，能够提供高精度的环境感知和目标跟踪能力。
2024-10-08 11:31:48
396
原创 X00387-使用cellpose进行细胞分割机器学习方法完整代码含教程
传统的阈值分割方法在高重复性实验中存在诸多局限，特别是参数需要频繁调整以适应不同的实验条件。采用Cellpose模型能够有效缓解这些问题。在分割过程中，输入数据采用DD、DA和AA三个通道图像。通过AA、DA和DD通道提取FI荧光通道信息，同时利用ED通道获取ED FRET效率图像信息，并通过BF_1、BF_2和BF_3通道提取明场BF图像信息。最终，利用主成分分析（PCA）将明场信息降维至一维，以便更清晰地查看信息状态。
2024-10-07 16:02:02
854
原创 大场景点云分割利器RandLA-Net（代训练）
RandLA-Net，一种高效且轻量级的神经网络架构，可以直接推断大规模点云的每个点的语义。方法的关键在于使用随机点采样，而不是更复杂的点选择方法。为了解决这个问题，我们引入了一种新颖的局部特征聚合模块，以逐步增加每个3D点的感受野，从而有效保留几何细节。大量实验表明，RandLA-Net可以在单次传递中处理100万个点，其速度比现有方法快200倍。此外，RandLA-Net在两个大规模基准Semantic3D和SemanticKITTI上的语义分割性能表现优越。
2024-09-29 11:26:04
404
原创 DL00392-基于深度跨域少镜头学习的高光谱图像分类python完整代码含数据集
高光谱图像（HSI）分类中的一个挑战是，针对非常高维数据，标注样本数量有限，难以训练分类器。在实际应用中，经常会遇到一个标注数据极少的高光谱图像域（称为目标域），而另一个高光谱图像域（称为源域）可能有足够的标注数据。本代码试图利用源类数据来帮助分类目标类，包括相同类和新的未见过的类。为了解决这一分类范式，通常采用少样本学习（FSL）的元学习范式。然而，现有的 FSL 方法并未考虑源域与目标域之间的领域偏移。为了解决领域偏移下的 FSL 问题，提出了一种新颖的深度跨领域少样本学习方法。
2024-09-25 18:49:10
322
原创 X00182-基于深度强化学习的无人机辅助边缘计算双连接在线资源管理python实现
通过双连接（DC），每个用户可以同时将任务卸载到宏基站和无人机上的MEC服务器进行并行计算，同时也可以在本地处理一些任务。我们的目标是提出一个在线资源管理框架，以最小化整个系统的平均功耗，同时考虑队列稳定性和队列系统计算延迟的长期约束。之后，利用综合学习-优化方法解决转化后的问题，其中无模型的深度强化学习（DRL）与基于模型的优化相结合。通过大量的仿真和理论分析，我们证明了所提出的框架保证了收敛，并且可以产生与通过穷举搜索获得的最优解几乎相同的性能。
2024-09-06 15:35:57
263
原创 DL00489-基于深度学习的金属多轴疲劳寿命预测含数据集
使用深度学习模型(CNN, LSTM和GRU)结合全连接层预测金属多轴疲劳寿命的代码。它处理数据集，利用高质量的数据来有效地训练和评估模型。主要功能是结合时间序列加载路径和材料力学性能对疲劳寿命进行预测。
2024-08-29 12:48:39
992
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人