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！

龙图腾网恭喜北京鹏鹄物宇科技发展有限公司申请的专利基于多模态条件对抗领域适应的空天地网络入侵检测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：CN115412324B 。

龙图腾网通过国家知识产权局官网在2025-05-06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：202211009783.0，技术领域涉及：H04L9/40；该发明授权基于多模态条件对抗领域适应的空天地网络入侵检测方法是由李源;许海涛;徐佳康;杨仁金;时月红设计研发完成，并于2022-08-22向国家知识产权局提交的专利申请。

本基于多模态条件对抗领域适应的空天地网络入侵检测方法在说明书摘要公布了：本发明提供一种基于多模态条件对抗领域适应的空天地网络入侵检测方法。涉及空天地网络分布式领域，为解决当前对抗式领域自适应方法由于对抗学习的平衡问题带来的弊端问题而发明。本发明提供的技术方法包括：基于特征融合的多模态条件对抗领域自适应方法是空天地网络分布式入侵检测架构的核心，通过模型的域自适应训练为每个网络域提供适合域环境的最佳检测模型。对抗式领域自适应方法继承了生成对抗网络的优点，不需要假定数据服从某种分布，然后利用极大似然估计数据的分布，也不依赖于任何事先的假设，同时模型训练更简单、更多样化。该方法可以应用在空天地网络入侵检测研究中。

本发明授权基于多模态条件对抗领域适应的空天地网络入侵检测方法在权利要求书中公布了：1.基于多模态条件对抗领域适应的空天地网络入侵检测方法，其特征在于，包括以下步骤：步骤1，构建基于特征融合的多模态条件对抗领域适应网络模型；模型使用Fs、Fm、Ft三个特征提取网络，三个特征提取网络均采用ShuffleNet_Lite_ECA网络；Fs、Ft分别用于提取源域和目标域的特有特征，Fm用于提取领域间的域不变特征；Fs、Fm提取的特征融合后传入分类器C进行监督训练；源域数据训练的分类器学习到目标域的信息，然后Fm提取的特征与源域数据的分类标签按照多线性映射方法处理后输入对抗网络的判别器D中进行域判别；步骤1中，还包括在目标函数中引入特征对齐损失惩罚项进行特征对齐，采用CORAL算法计算特征间差异，对源域和目标域特征分布的二阶统计量进行对齐，从而缩小两个领域的特征分布差异；CORAL差异计算公式为： d为特征维度，CS和CT分别为源域和目标域的特征协方差矩阵： 1为所有元素为1的列变量，MS为每批次数据中包含的NS个源域数据样本的特征，MT为每批次数据中包含的NT个目标域数据样本的特征；步骤2，构建目标函数；学习目标域的两个特征提取网络、一个领域判别器和一个分类器，用于在目标域上执行入侵检测任务；步骤2具体的：定义源域数据代表源域数据中第i个样本，代表源域中第i个样本的标签，Ns代表源域中样本的数量，源域数据服从的分布记为Ps；同样，定义目标域数据代表目标域数据中第i个样本，与源域不同的是目标域没有标签，Nt代表目标域样本的数量，目标域数据服从的分布记为Pt，并且定义为两个域的样本集合，同时定义di为第i个样本的域标签，di＝0代表源域，di＝1代表目标域；步骤2中目标函数分为三部分；1分类器C产生的有监督训练的分类损失将源域提取的特有特征与Fm提取的混淆特征融合后传入C中进行监督学习；分类器C对有标签的源域数据进行监督训练，使用交叉熵损失进行优化： 代表特征生成网络Fs的参数，代表特征混淆网络Fm的参数，θC代表分类器C的参数，Lc代表交叉熵损失；2条件域分类损失条件域对抗训练损失整体优化目标为： Ladv-s、Ladv-t分别为源域数据和目标域数据在特征提取网络Fm与判别器D上的对抗误差项： 表示源域数据经过Fs和Fm后的融合特征在分类器C上的预测标签，表示目标域数据经过Ft和Fm后的融合特征在分类器C上的伪预测标签；T·为特征与预测标签的多线性映射条件融合策略，fm表示Fm提取的特征，c为分类标签，和dc分别表示向量fm和c的维数，是多线性映射，使得条件域判别器捕获fm和c的多模态信息和联合分布；H·为用于衡量样本预测类别不确定性大小的熵；ωH·表示根据熵值大小计算出的熵权重；3域间CORAL对齐损失根据式3，域间CORAL特征对齐损失为： d为特征维度，CS和CT分别为源域和目标域的特征协方差矩阵；F-MCADA的最终训练目标函数为： α、β为损失权重系数。

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北京鹏鹄物宇科技发展有限公司，其通讯地址为：100043 北京市石景山区实兴大街30号院；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”。