买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜武汉理工大学申请的专利基于负数据库和深度学习的多元时序数据隐私保护方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114611134B 。

龙图腾网通过国家知识产权局官网在2025-04-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210159775.8，技术领域涉及：G06F21/62；该发明授权基于负数据库和深度学习的多元时序数据隐私保护方法是由赵冬冬;黄雅琪设计研发完成，并于2022-02-22向国家知识产权局提交的专利申请。

本基于负数据库和深度学习的多元时序数据隐私保护方法在说明书摘要公布了：本发明公开了一种基于负数据库和深度学习的多元时序数据隐私保护方法，首先对原始数据集中的数据进行预处理，将原始数据转换成定长的二进制串，通过贝叶斯定理和概率统计方法分析基于负数据库的激活函数估算问题，之后采用细粒度更高的负数据库生成算法QK‑hidden对其进行隐私保护操作。再根据多元时序数据的长短期周期性特点，选择由卷积层与循环神经网络组合的深度学习模型，捕获时间序列短期和长期的依赖关系，同时结合自回归模型作为线性层对其建模，训练得到具有隐私保护效果的模型，并对其进行预测。本发明采用负数据库对原始多元时序数据进行隐私保护，通过神经网络模型进行预测，在满足一定的数据安全性的前提下，实现良好的预测性能。

本发明授权基于负数据库和深度学习的多元时序数据隐私保护方法在权利要求书中公布了：1.一种基于负数据库和深度学习的多元时序数据隐私保护方法，其特征在于，包括以下步骤：步骤1：将多元时序数据Y＝{y1y2…yT}进行预处理，转化成二进制串其中，n是变量维度，是实数集；步骤2：选取负数据库生成算法QK-hidden，针对步骤1转换的数据生成相应的负数据库NDB＝{NDB1NDB2…NDBT}；步骤3：从步骤2中提取负数据库的梗概S＝{S1S2…ST}，其中Si是NDBi的梗概；步骤4：将S输入多元时序数据预测网络，完成基于负数据库的激活函数估算，得到非线性部分神经网络和线性部分自回归模型集成的预测结果，选取满足预设条件的S作为最终的隐私保护数据；所述多元时序数据预测网络，包括卷积神经网络CNN的卷积层与门控循环单元网络GRU结合的深度学习模型，将卷积层提取得到的特征按照时间顺序输入到门控循环单元网络GRU，捕获时间序列短期和长期的依赖关系，得到下一个时刻的状态向量；同时结合自回归模型AR作为所述多元时序数据预测网络线性层，搭建多元时序数据预测网络；通过所述多元时序数据预测网络，最终得到非线性部分和线性部分集成的预测结果；其中，基于梗概S，完成基于负数据库的激活函数估算，并训练多元时序数据预测网络，直到所述多元时序数据预测网络收敛，获得训练好的多元时序数据预测网络；对深度学习模型的sigmoid函数和RELU函数，基于负数据库进行激活函数估算；其中： 其中，z表示神经元中的线性计算结果，被表示为[x1…xm]表示原始的隐私数据，m表示输入x属性的个数，[w1…wm]T为权重矩阵；隐藏串s的负数据库为NDBs，在记录中属性的第i位与s对应位不同的概率Pdiff[i]是： 上式中K表示有K种类型的负数据库记录，其中，第i中类型的负数据库记录有i个确定位，pj表示生成第j种类型的负数据库记录的概率，它有j个确定位与隐藏串对应位置相反，剩余的K-j个确定位与隐藏串相同，qi表示选择属性的第i位与隐藏串在相应位置不同的概率，L代表属性位长度；隐藏串s的第i个属性的第j位为0的概率为： 其中，Psame[j]是属性的第j位与s对应位相同的概率，n0是NDBs中第i个属性的第j位为0的总记录数，n1是NDBs中第i个属性的第j位为1的总记录数；如果s＝Sk,那么n0＝Sk[i×L+j][0],n1＝Sk[i×L+j][1]，隐藏串s的第i个属性的第j位为1的概率为： 隐藏串s的第i个属性值为d的概率Psi＝d为： 其中，0≤d≤2L-1，是si的二进制表示，d的二进制表示dbin＝b1...bL；因此，经过负数据库隐私保护处理的z的估算值为： 对于激活函数sigmoid函数和RELU函数的估算公式为： 将公式15分别代入公式1617中，则完成了基于负数据库进行激活函数估算。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人武汉理工大学，其通讯地址为：430070 湖北省武汉市洪山区珞狮路122号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。