買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜武漢理工大學申請的專利基于負數據庫和深度學習的多元時序數據隱私保護方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114611134B 。

龍圖騰網通過國家知識產權局官網在2025-04-29發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210159775.8，技術領域涉及：G06F21/62；該發明授權基于負數據庫和深度學習的多元時序數據隱私保護方法是由趙冬冬;黃雅琪設計研發完成，并于2022-02-22向國家知識產權局提交的專利申請。

本基于負數據庫和深度學習的多元時序數據隱私保護方法在說明書摘要公布了：本發明公開了一種基于負數據庫和深度學習的多元時序數據隱私保護方法，首先對原始數據集中的數據進行預處理，將原始數據轉換成定長的二進制串，通過貝葉斯定理和概率統計方法分析基于負數據庫的激活函數估算問題，之后采用細粒度更高的負數據庫生成算法QK?hidden對其進行隱私保護操作。再根據多元時序數據的長短期周期性特點，選擇由卷積層與循環神經網絡組合的深度學習模型，捕獲時間序列短期和長期的依賴關系，同時結合自回歸模型作為線性層對其建模，訓練得到具有隱私保護效果的模型，并對其進行預測。本發明采用負數據庫對原始多元時序數據進行隱私保護，通過神經網絡模型進行預測，在滿足一定的數據安全性的前提下，實現良好的預測性能。

本發明授權基于負數據庫和深度學習的多元時序數據隱私保護方法在權利要求書中公布了：1.一種基于負數據庫和深度學習的多元時序數據隱私保護方法，其特征在于，包括以下步驟：步驟1：將多元時序數據Y＝{y1y2…yT}進行預處理，轉化成二進制串其中，n是變量維度，是實數集；步驟2：選取負數據庫生成算法QK-hidden，針對步驟1轉換的數據生成相應的負數據庫NDB＝{NDB1NDB2…NDBT}；步驟3：從步驟2中提取負數據庫的梗概S＝{S1S2…ST}，其中Si是NDBi的梗概；步驟4：將S輸入多元時序數據預測網絡，完成基于負數據庫的激活函數估算，得到非線性部分神經網絡和線性部分自回歸模型集成的預測結果，選取滿足預設條件的S作為最終的隱私保護數據；所述多元時序數據預測網絡，包括卷積神經網絡CNN的卷積層與門控循環單元網絡GRU結合的深度學習模型，將卷積層提取得到的特征按照時間順序輸入到門控循環單元網絡GRU，捕獲時間序列短期和長期的依賴關系，得到下一個時刻的狀態向量；同時結合自回歸模型AR作為所述多元時序數據預測網絡線性層，搭建多元時序數據預測網絡；通過所述多元時序數據預測網絡，最終得到非線性部分和線性部分集成的預測結果；其中，基于梗概S，完成基于負數據庫的激活函數估算，并訓練多元時序數據預測網絡，直到所述多元時序數據預測網絡收斂，獲得訓練好的多元時序數據預測網絡；對深度學習模型的sigmoid函數和RELU函數，基于負數據庫進行激活函數估算；其中： 其中，z表示神經元中的線性計算結果，被表示為[x1…xm]表示原始的隱私數據，m表示輸入x屬性的個數，[w1…wm]T為權重矩陣；隱藏串s的負數據庫為NDBs，在記錄中屬性的第i位與s對應位不同的概率Pdiff[i]是： 上式中K表示有K種類型的負數據庫記錄，其中，第i中類型的負數據庫記錄有i個確定位，pj表示生成第j種類型的負數據庫記錄的概率，它有j個確定位與隱藏串對應位置相反，剩余的K-j個確定位與隱藏串相同，qi表示選擇屬性的第i位與隱藏串在相應位置不同的概率，L代表屬性位長度；隱藏串s的第i個屬性的第j位為0的概率為： 其中，Psame[j]是屬性的第j位與s對應位相同的概率，n0是NDBs中第i個屬性的第j位為0的總記錄數，n1是NDBs中第i個屬性的第j位為1的總記錄數；如果s＝Sk,那么n0＝Sk[i×L+j][0],n1＝Sk[i×L+j][1]，隱藏串s的第i個屬性的第j位為1的概率為： 隱藏串s的第i個屬性值為d的概率Psi＝d為： 其中，0≤d≤2L-1，是si的二進制表示，d的二進制表示dbin＝b1...bL；因此，經過負數據庫隱私保護處理的z的估算值為： 對于激活函數sigmoid函數和RELU函數的估算公式為： 將公式15分別代入公式1617中，則完成了基于負數據庫進行激活函數估算。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人武漢理工大學，其通訊地址為：430070 湖北省武漢市洪山區珞獅路122號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。