公开(公告)号：CN114662604A

公开(公告)日：2022-06-24

申请号：CN202210317433.4

申请日：2022-03-29

Applicant: 哈尔滨理工大学

Inventor： 张兴宾 ,  何云斌 ,  弋琨

IPC: G06K9/62

Abstract: 本发明涉及一种基于密度峰的聚类中心选择方法。本发明首先计算每个数据点的密度，定义变量γ视为衡量聚类中心的指标，因为γ值较大的点很可能是聚类中心，所以将γ的值在排序图上进行降序排序；然后定义拐点，拐点是排序图中前后整体差异较大的点，通过排序图中的拐点对潜在聚类中心进行选取，将潜在聚类中心存入到集合中；然后在潜在聚类中心集合中选择密度最大的点加入到实际聚类中心集合中，计算每个数据点与其之间的距离，进一步确定每个数据点是新的实际聚类中心还是簇成员，对实际聚类中心集合进行筛选，直到实际聚类中心集合为空。

公开(公告)号：CN116383684A

公开(公告)日：2023-07-04

申请号：CN202310336915.9

申请日：2023-03-31

Applicant: 哈尔滨理工大学

Inventor： 李志华 ,  万静 ,  张兴宾

IPC: G06F18/2321 ,  G06F18/24 ,  G06F18/21

Abstract: 本发明涉及一种基于聚类簇加权的过采样算法。本发明首先对原始数据集中的所有少数类样本进行DBSCAN聚类，剔除聚类后的噪声点；其次依照一定规则为聚类后的每一个核心点分配权重，并做归一化处理，使数值范围在(0,1)之间；最后根据每个核心点的权重使用改进后的SMOTE算法生成少数类样本，使数据集达到平衡状态；利用UCI数据库中的6组标准版公开数据集进行测试，验证了该方法可以有效降低少数类样本的重叠率，提高分类器对少数类样本的分类精度。本发明更准确分析了数据集原始分布情况，降低了样本间的冗余性，从而提高了分类器的性能。

公开(公告)号：CN114187378A

公开(公告)日：2022-03-15

申请号：CN202111549597.1

申请日：2021-12-17

Applicant: 哈尔滨理工大学

Inventor： 朱紫滢 ,  关小蕊 ,  张兴宾

IPC: G06T11/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于一维卷积神经网络的电容层析图像重建方法，该方法属于电容层析成像领域，由于电容层析成像系统的电容独立测量的数量少，因此研发一种基于一维卷积神经网络的电容层析图像重建方法，进而更好地读取数据特征，其包括步骤如下：步骤1构建12电极电容层析成像系统模型，通过有限元仿真获得六种典型流型的样本，得到66个独立电容值；步骤2将步骤1得到的电容值结果，将其归一化后作为一维卷积神经网络的输入；步骤3将步骤2得到的数据进行卷积，网络含有两个卷积层，快速提取特征，降低特征维度；步骤4将步骤3卷积后的数据经池化层，将特征下采样2倍；步骤5经过步骤4通过全连接层实现对特征的分类或回归；步骤6输出层输出重建图像各像素的灰度值。本发明的有益效果是提高电容层析成像的图像精度，使其更接近真实图像。

公开(公告)号：CN116257769A

公开(公告)日：2023-06-13

申请号：CN202310427341.6

申请日：2023-04-19

Applicant: 哈尔滨理工大学

Inventor： 张兴宾 ,  何云斌 ,  张茗洋

IPC: G06F18/2321

Abstract: 本发明涉及一种基于有效近邻的聚类中心选择方法。本发明首先计算每个数据点与其k近邻集的近邻距离总和，并求出近邻平均距离；然后定义有效近邻，有效近邻是数据点与其k近邻的距离小于近邻平均距离的点，通过有效近邻来计算数据点的局部密度，并定义平均密度，将大于平均密度的数据点加入候选聚类中心集合中；然后在候选聚类中心集合中选择密度最大的点加入到初始聚类中心集合中，并计算候选聚类中心集合中是否存在有低于其局部密度且属于其有效近邻的数据点，进一步确定每个数据点是新的初始聚类中心还是簇成员，对候选聚类中心集合进行筛选，直到候选聚类中心集合为空。

公开(公告)号：CN114662019A

公开(公告)日：2022-06-24

申请号：CN202210316758.0

申请日：2022-03-29

Applicant: 哈尔滨理工大学

Inventor： 弋琨 ,  万静 ,  张兴宾

IPC: G06F16/9537 ,  G06F16/9536 ,  G06F40/216 ,  G06K9/62 ,  G06Q50/00

Abstract: 本发明是公开了一种一种多因素影响的兴趣点推荐方法，首先从用户签到相似度，好友相似度，类别偏好相似度三个角度综合考虑计算用户间相似度；其次将得到的三个相似度结合到一起求出用户相似度矩阵，并规范拉普拉斯矩阵；然后将特征向量组成新的特征空间进行聚类运算，最后融合四种因素的总评分来推荐用户兴趣点。本发明旨在解决推荐过程中计算量大、推荐效率低的问题，在应对不同用户时，计算用户对不同用户的偏好值，提高推荐效果。