-
公开(公告)号：CN119130689A
公开(公告)日：2024-12-13
申请号：CN202411262152.9
申请日：2024-09-10
Applicant: 扬州大学
IPC: G06Q50/00 , G06N3/0442
Abstract: 本发明公开了基于双向选择性状态空间模型的时序社交网络交互预测方法与系统。通过采样任意一对用户的历史交互记录，构建等长的用户对交互序列，并生成用户嵌入、交互边嵌入和时间嵌入表示。通过统计两个序列中相同用户ID出现的次数，使用邻居共现编码生成共同邻居嵌入表示。然后，将用户对序列的多个嵌入表示分割、重组和拼接，得到用户对序列的联合嵌入表示。利用双向选择性状态空间模型捕捉用户对序列内部及序列之间的长期时间依赖关系，生成最终的用户对嵌入表示向量，并据此预测用户对在未来交互的可能性。本发明考虑了长期时间依赖关系和全局信息，结合了多模态嵌入表示编码方法和双向选择性状态空间模型，提高了预测的准确性和鲁棒性。
-
公开(公告)号：CN118279422A
公开(公告)日：2024-07-02
申请号：CN202410348380.1
申请日：2024-03-26
Applicant: 扬州大学
IPC: G06T11/00 , G06N3/0455
Abstract: 本发明公开了一种多中心量化变分自编码扩散模型文生图方法及系统。首先载入向量量化变分自编码器的预训练模型，对模型参数进行微调，并进一步使用自组织映射的方式训练更新码本；然后载入Clip文字图片预训练的扩散模型，对扩散模型进行微调，并进一步使用全局异步迭代更新的方式加快扩散模型的训练速度；接着在文生图过程中，设计多中心量化变分自编码方法，找到与文字向量匹配图片的局部特征向量，经过多中心量化变分自编码器量化后求得多个邻近表征向量，将近邻向量的索引放入扩散模型训练，再进行加权组合成一个多中心表征向量，最后将多中心表征向量输入解码器生成所需的高分辨率图像。本发明的多中心量化变分自编码扩散模型文生图方法可以提高文生图的质量和速度。
-
公开(公告)号：CN116704250A
公开(公告)日：2023-09-05
申请号：CN202310701385.3
申请日：2023-06-14
Applicant: 扬州大学
IPC: G06V10/764 , G06V10/82 , G06V10/776 , G06V10/75 , G06N3/045 , G06N3/088
Abstract: 本发明公开了一种基于多流形的自动编码器图像分类方法与系统，旨在高维图像数据中实现有效的分类和降维，同时保持数据的几何结构。首先采用去噪自编码器进行预训练，以学习数据在潜在空间中的初始低维表达。然后假设每个类为一个流形空间，并通过优化流形的结构一致性和判别性，实现数据的低维表达和分类。为此，本发明构造流形内等距损失函数、流形间判别损失函数，流形对齐损失函数和分类损失函数，通过将这四个损失函数组合成一个总的损失函数，基于预训练好的自动编码器进行优化和调整，学习到对图像数据的最终低维表达，并用于对未知图像数据进行分类预测。本发明有效地结合了自编码器、流形学习，为图像数据提供了更优越的分类解决方案。
-
公开(公告)号：CN114842872A
公开(公告)日：2022-08-02
申请号：CN202210373422.8
申请日：2022-04-11
Applicant: 扬州大学
Abstract: 本发明公开了一种基于频谱图极大极小峰谷轨迹的音频分类方法与系统，首先对音频进行切片，计算每个音频切片的频谱图；然后基于频谱图的振幅轴，计算振幅的极大值点的位置和振幅大小并排序，分别构造极大位置矩阵和极大振幅矩阵，连接后构造极大峰值特征矩阵；并计算振幅的极小值点的位置和振幅大小并排序，分别构造极小位置矩阵和极小振幅矩阵，连接后构造极小谷值特征矩阵，进而得到极大极小峰谷特征矩阵；最后将极大极小峰谷特征矩阵输入卷积神经网络，输出音频数据的分类结果。本发明对频谱图峰值轨迹和频谱图谷值轨迹之间的相互关系上进行了更为充分的探索；在输入模型之前对频谱图的轨迹特征进行了特征的聚合，可以提高分类的准确性。
-
公开(公告)号：CN106022361A
公开(公告)日：2016-10-12
申请号：CN201610316765.5
申请日：2016-05-10
Applicant: 扬州大学
IPC: G06K9/62
CPC classification number: G06K9/6286 , G06K9/6269
Abstract: 本发明涉及一种基于局部样条嵌入的核化分类器。本发明选择训练数据和测试数据，训练数据的基于局部样条嵌入的非线性降维，根据已获得的训练数据的最佳非线性嵌入对测试数据使用核方法推导出其扩展形式，即获得测试数据在低维流形上的非线性嵌入，使用线性的支持向量机算法对降维后的测试数据进行分类。本发明克服了无法在非线性分类问题上达到很好的分类性能的缺陷。本发明采用局部样条嵌入的非线性降维算法对高维有标签数据降维，再对高维有标签数据进行了特征提取，然后将新的无标签高维测试数据的嵌入，最后根据数据特点使用SVM算法实现对新的测试数据的分类。
-
Patent Agency Ranking
公开(公告)号：CN105303028A
公开(公告)日：2016-02-03
申请号：CN201510518334.2
申请日：2015-08-20
Applicant: 扬州大学
IPC: G06F19/00
Abstract: 本发明涉及基于有监督等度规映射的智能医学诊断分类方法。本发明将医学数据编制成训练数据集和测试数据集，训练数据的有监督的等度规映射降维，包括计算测地线距离，对测地线距离融入监督信息，训练数据的流形低维嵌入，构建分类决策面，测试数据的无监督低维嵌入。本发明克服了过去存在的导致流形整体结构信息的损失的缺陷。本发明对高维有标签数据进行了特征提取，然后根据数据特点使用线性支持向量机算法构建分类决策面对降维后的数据构建分类边界面，显式的低维映射加上线性的分类决策面构建，有利于提高可理解性，降低了数据的冗余度，提高了计算分析的精度，也降低了对医学数据的计算代价。
-
公开(公告)号：CN105046338A
公开(公告)日：2015-11-11
申请号：CN201510522278.X
申请日：2015-08-24
Applicant: 扬州大学
Abstract: 本发明涉及移动平台上的智能快递配送方法。本发明建立移动端的数据库包括出发点，各个配送地址和最终目的地，结合地图应用的SDK，使用带轮盘赌的贪心算法和全局k-opt方法规划出发前的最优配送路径，并根据变化修改，将最优路线的详情以文字和地图的形式显示出来。本发明克服了快递配送效率的严重低下，浪费人力且导致快递配送拖延的缺陷。本发明采用全局k-opt方法，可以优化配送前的快递配送路线；而采用局部k-opt方法，通过构建可规划地址集，在不影响已经过路线的基础上，可以优化后续路径，不单可以使快递公司得到配送效率上的基本保障，而且也能把快递员从配送路径规划的负担中解脱出来，实现真正的智慧物流。
-
公开(公告)号：CN114842872B
公开(公告)日：2025-05-06
申请号：CN202210373422.8
申请日：2022-04-11
Applicant: 扬州大学
IPC: G10L25/51 , G10L25/18 , G10L25/30 , G06F18/213 , G06F18/24 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/0499
Abstract: 本发明公开了一种基于频谱图极大极小峰谷轨迹的音频分类方法与系统，首先对音频进行切片，计算每个音频切片的频谱图；然后基于频谱图的振幅轴，计算振幅的极大值点的位置和振幅大小并排序，分别构造极大位置矩阵和极大振幅矩阵，连接后构造极大峰值特征矩阵；并计算振幅的极小值点的位置和振幅大小并排序，分别构造极小位置矩阵和极小振幅矩阵，连接后构造极小谷值特征矩阵，进而得到极大极小峰谷特征矩阵；最后将极大极小峰谷特征矩阵输入卷积神经网络，输出音频数据的分类结果。本发明对频谱图峰值轨迹和频谱图谷值轨迹之间的相互关系上进行了更为充分的探索；在输入模型之前对频谱图的轨迹特征进行了特征的聚合，可以提高分类的准确性。
-
公开(公告)号：CN118823400A
公开(公告)日：2024-10-22
申请号：CN202410791202.6
申请日：2024-06-19
Applicant: 扬州大学
IPC: G06V10/762 , G06V10/74 , G06V10/84
Abstract: 本发明公开了一种基于双层标签传播的增量半监督图像聚类方法与系统，主要用于解决静态半监督聚类方法在面对增量图像数据与增量成对约束时重复计算所导致的效率低下问题。本发明使用双层标签传播来处理图像数据和约束条件不断增加的聚类问题。在第一层标签传播中，在图像数据样本中传播并扩散成对约束信息，并结合上一时刻图像数据样本对组件的隶属度矩阵，增量计算当前时刻图像样本对组件的隶属度矩阵。在第二层标签传播中，利用上一时刻的聚类结果在组件中标记簇标签信息，并让已知的簇标签信息在组件结构中进行传播，然后通过图像样本对组件的隶属度关系，将簇标签信息逐渐扩展到整个图像数据集，从而实现对增量图像数据的有效半监督聚类。
-
公开(公告)号：CN118247537A
公开(公告)日：2024-06-25
申请号：CN202410496346.9
申请日：2024-04-24
Applicant: 扬州大学
IPC: G06V10/762 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于持续同调的流形自编码器图像聚类方法与系统，其主要技术思路是：首先使用去噪自编码器学习高维图像数据的初始低维表示，基于图像数据的潜在空间中的初始低维表达进行图像聚类。然后将自编码器与流形学习、持续同调相结合，利用重建损失函数、拓扑损失函数和聚类损失函数来优化流形的结构一致性和判别性。接着再通过对总损失函数的优化，调整网络参数，学习到高维图像数据的低维表示。最后使用学习到的模型对测试图像数据进行聚类。该方法有效地结合了自编码器、流形学习和持续同调，能够实现高维图像数据的降维和聚类，在图像、多媒体等领域具有良好的应用价值。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.026 seconds)
