-
公开(公告)号：CN117198426A
公开(公告)日：2023-12-08
申请号：CN202311463160.5
申请日：2023-11-06
Applicant: 武汉纺织大学
IPC: G16C20/30 , G16C20/70 , G06N3/042 , G06N3/0442 , G06N3/0455 , G06N3/08
Abstract: 本发明提出了一种多尺度药物‑药物反应可解释预测方法和系统，包括：获取待预测两种药物的分子图和文本表示序列；在分子图中整合原子级特征向量；在药物文本序列中进行频繁子结构挖掘并利用变压器编码得到子结构级特征；不同尺度特征向量合并得到特征矩阵；两个药物的特征矩阵交互得到可解释的交互矩阵；在预测模块中处理交互矩阵得到DDI预测结果。本发明提出了一种多尺度特征融合策略来预测药物相互作用，它采用包含门控消息传递神经网络的图表示学习法和频繁子序列挖掘算法，实现了多尺度的DDI可解释性预测。
-
公开(公告)号：CN118797321B
公开(公告)日：2024-11-22
申请号：CN202411288685.4
申请日：2024-09-14
Applicant: 武汉纺织大学 , 宁波慈星股份有限公司
IPC: G06F18/2135 , G06F18/25 , G06F18/15 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于时空特征注意力融合的工业过程故障检测方法和系统，包括：对原始正常数据进行数据标准化处理，在变量维度上，采用多通道一维卷积提取空间特征信息。在时间维度上，利用多通道二维卷积提取数据的时间特征信息，从而解决提取多维时序数据特征时变量相关性和数据时序性的问题；随后，对提取的多通道特征数据进行通道注意力加权融合，以更好地捕捉数据在不同通道上的分布特征，从而增强有用的特征信息；接下来，利用交叉注意力机制进行时空特征融合，以增强数据特征的表达能力；进一步地，融合的特征经过全连接层对重构数据进行模型训练，得到故障检测模型；最后，将在线数据输入到故障检测模型中，得到在线数据的故障检测结果。
-
公开(公告)号：CN117688388A
公开(公告)日：2024-03-12
申请号：CN202410128488.X
申请日：2024-01-30
Applicant: 武汉纺织大学
IPC: G06F18/214 , G06F18/213 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于数据增强与预测联合学习的软测量方法与系统。包括：先对原始数据进行标准化处理，然后用提出的回归约束自编码器（R‑CAE）对标准化后的数据进行建模并生成新数据；将标准化后的数据和新数据进行交叉融合，得到扩增数据，解决工业过程中数据采集成本过高、数据稀缺的问题；之后通过提出的非线性相关堆叠目标相关自编码器（NC‑STAE）对扩增数据建立软测量模型，获得目标特征值的误差值；将误差值作为损失函数返回到R‑CAE中，对R‑CAE的参数进行微调，得到更加有利于软测量的扩增数据；经过多次优化迭代，实现R‑CAE和NC‑STAE的联合学习，进而优化数据扩增效果。最终，使用优化后的扩增数据对目标特征值进行准确预测。
-
Patent Agency Ranking
公开(公告)号：CN115456062A
公开(公告)日：2022-12-09
申请号：CN202211062814.9
申请日：2022-08-31
Applicant: 武汉纺织大学
Abstract: 本发明公开了一种基于时空结构保持的非线性动态过程故障检测方法和系统，属于工业过程异常监测领域。包括：提出一种基于稀疏表示的方法，解决局部全局保持投影中自动确定邻域关系的问题；在空间结构模型构建中，设计局部相似性度量的新指标，有效抑制离群点对建模的影响；构建空间结构保持和慢特征分析的混合模型，全面提取了复杂过程的非线性和动态特征，并形成了相应的监测框架。本发明解决了现有非线性动态过程监测方法因特征提取不全面、离群点干扰考虑不足和参数确定自动性弱，导致故障检测准确度和灵敏度不高的问题。
-
公开(公告)号：CN118797321A
公开(公告)日：2024-10-18
申请号：CN202411288685.4
申请日：2024-09-14
Applicant: 武汉纺织大学 , 宁波慈星股份有限公司
IPC: G06F18/2135 , G06F18/25 , G06F18/15 , G06N3/045 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了基于时空特征注意力融合的工业过程故障检测方法和系统，包括：对原始正常数据进行数据标准化处理，在变量维度上，采用多通道一维卷积提取空间特征信息。在时间维度上，利用多通道二维卷积提取数据的时间特征信息，从而解决提取多维时序数据特征时变量相关性和数据时序性的问题；随后，对提取的多通道特征数据进行通道注意力加权融合，以更好地捕捉数据在不同通道上的分布特征，从而增强有用的特征信息；接下来，利用交叉注意力机制进行时空特征融合，以增强数据特征的表达能力；进一步地，融合的特征经过全连接层对重构数据进行模型训练，得到故障检测模型；最后，将在线数据输入到故障检测模型中，得到在线数据的故障检测结果。
-
公开(公告)号：CN118520383A
公开(公告)日：2024-08-20
申请号：CN202410618850.1
申请日：2024-05-17
Applicant: 武汉纺织大学
IPC: G06F18/2431 , G06F18/2415 , G06F18/214 , G06F18/2135 , G06F18/15 , G06F18/25 , G06N3/0455 , G06N3/047 , G06N3/084
Abstract: 本发明提出了基于多特征融合注意力机制辅助自编码器的故障检测方法，属于工业过程故障检测领域。本发明设计利用传统机器学习提取特征的稳定性优势与深度学习提取特征的包容性优势相结合，适应于复杂工业过程故障检测。本发明通过ICA处理非高斯特征，通过SFA处理动态性特征，通过先升维再降维的自编码器处理非线性特征，挖掘了过程更加全面的特征，使得故障检测的准确率提高。另外，本发明通过优化深度学习网络的反向传播过程，增强了整体模型对含有噪声数据的鲁棒性。本发明通过增加噪声数据，构建权重矩阵，从而改变反向传播的程度，增强了模型鲁棒性，使得故障检测的误报率降低。
-
公开(公告)号：CN117688388B
公开(公告)日：2024-04-30
申请号：CN202410128488.X
申请日：2024-01-30
Applicant: 武汉纺织大学
IPC: G06F18/214 , G06F18/213 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于数据增强与预测联合学习的软测量方法与系统。包括：先对原始数据进行标准化处理，然后用提出的回归约束自编码器（R‑CAE）对标准化后的数据进行建模并生成新数据；将标准化后的数据和新数据进行交叉融合，得到扩增数据，解决工业过程中数据采集成本过高、数据稀缺的问题；之后通过提出的非线性相关堆叠目标相关自编码器（NC‑STAE）对扩增数据建立软测量模型，获得目标特征值的误差值；将误差值作为损失函数返回到R‑CAE中，对R‑CAE的参数进行微调，得到更加有利于软测量的扩增数据；经过多次优化迭代，实现R‑CAE和NC‑STAE的联合学习，进而优化数据扩增效果。最终，使用优化后的扩增数据对目标特征值进行准确预测。
-
公开(公告)号：CN117198426B
公开(公告)日：2024-01-30
申请号：CN202311463160.5
申请日：2023-11-06
Applicant: 武汉纺织大学
IPC: G16C20/30 , G16C20/70 , G06N3/042 , G06N3/0442 , G06N3/0455 , G06N3/08
Abstract: 本发明提出了一种多尺度药物‑药物反应可解释预测方法和系统，包括：获取待预测两种药物的分子图和文本表示序列；在分子图中整合原子级特征向量；在药物文本序列中进行频繁子结构挖掘并利用变压器编码得到子结构级特征；不同尺度特征向量合并得到特征矩阵；两个药物的特征矩阵交互得到可解释的交互矩阵；在预测模块中处理交互矩阵得到DDI预测结果。本发明提出了一种多尺度特征融合策略来预测药物相互作用，它采用包含门控消息传递神经网络的图表示学习法和频繁子序列挖掘算法，实现了多尺度的DDI可解释性预测。(56)对比文件Xianfang Tang et al.Indicatorregularized non-negative matrixfactorization method-based drugrepurposing for COVID-19《.Frontiers inImmunology》.2021,全文.成志兴.整合多源信息的药物-靶标相互作用智能预测模型的研究《.硕士电子期刊》.2023,(第04期),全文.Chen Y et al.MUFFIN: multi-scalefeature fusion for drug-drug interactionprediction《.Bioinformatics》.2021,全文.
-
-
-
-
-
-
-
Search Results
8
records
(took 0.026 seconds)
