-
公开(公告)号：CN106202377A
公开(公告)日：2016-12-07
申请号：CN201610534947.X
申请日：2016-07-08
Applicant: 北京大学
Abstract: 本发明公布了一种在线协同排序方法，通过协同排序的方法建立目标函数，并使用随机梯度下降方法求解；通过建立在线协同排序的推荐系统进行增量训练，实时更新推荐列表，实现边训练边推荐；包括：取数据集S，将S随机分为一大一小两份；利用小比例的数据集的评分数据建立用户-产品的评分矩阵X；分解为UVT模型；使用在线协同排序方法SGDRank和小比例的数据集对矩阵U和矩阵V进行离线更新，得到UVT模型；大比例数据作为在线样本加入到矩阵X中；对矩阵U、V进行在线训练，更新UVT模型，得到训练后的X矩阵，由此实现对数据的在线协同排序。本发明方法能够有效提升排序推荐效率。
-
公开(公告)号：CN107437096B
公开(公告)日：2020-06-26
申请号：CN201710628311.6
申请日：2017-07-28
Applicant: 北京大学
IPC: G06K9/62
Abstract: 本发明公布了一种基于参数高效的深度残差网络模型的图像分类方法，根据网络的深度、宽度、多样性和基数，建立具有参数高效性的改进的网络模型，用于高效地进行图像分类识别；包括：将图像数据分为训练样本和测试样本；对训练样本图像进行预处理；构建具有参数高效性的深度残差网络模型，并进行模型训练：构建得到的网络模型包括深度金字塔残差网络模型、嵌套网络模型、三角形网络模型；将经过预处理的训练样本对网络模型分别进行训练，得到训练好的网络模型；对测试样本进行识别，分别得到预测的分类标签；由此实现图像分类识别。
-
公开(公告)号：CN106202377B
公开(公告)日：2019-09-13
申请号：CN201610534947.X
申请日：2016-07-08
Applicant: 北京大学
IPC: G06F16/953 , G06F16/9535 , G06Q30/02
Abstract: 本发明公布了一种在线协同排序方法，通过协同排序的方法建立目标函数，并使用随机梯度下降方法求解；通过建立在线协同排序的推荐系统进行增量训练，实时更新推荐列表，实现边训练边推荐；包括：取数据集S，将S随机分为一大一小两份；利用小比例的数据集的评分数据建立用户‑产品的评分矩阵X；分解为UVT模型；使用在线协同排序方法SGDRank和小比例的数据集对矩阵U和矩阵V进行离线更新，得到UVT模型；大比例数据作为在线样本加入到矩阵X中；对矩阵U、V进行在线训练，更新UVT模型，得到训练后的X矩阵，由此实现对数据的在线协同排序。本发明方法能够有效提升排序推荐效率。
-
Patent Agency Ranking
公开(公告)号：CN103310216B
公开(公告)日：2016-06-29
申请号：CN201310276362.9
申请日：2013-07-03
Applicant: 北京大学
IPC: G06K9/46
Abstract: 本发明公布了一种基于保内积降维技术的模式识别方法，所述模式识别方法采用如下步骤进行降维：首先在坐标逼近的思想下建立保持局部内积的误差函数模型；然后利用矩阵向量形式的转换求解出局部的最优保内积低维坐标；在使用特征值分解求得初值后，对目标函数进行多变量迭代求解；分别使用二次函数极值求解，正交强迫分解，最小二乘等方法逐步求解迭代问题，并得到最终低维坐标。本发明对降维问题提出了新的方法，可以应用于流形学习并能取得较好的效果，并在真实数据集上的分类效果能达到与现有流形方法相媲美的效果。
-
公开(公告)号：CN104050483A
公开(公告)日：2014-09-17
申请号：CN201410290957.4
申请日：2014-06-25
Applicant: 北京大学
IPC: G06K9/62
Abstract: 一种基于局部正交对齐的降维方法，包括：输入初始高维数据矩阵，根据高维数据点之间的欧式距离，获取数据点的局部近邻关系；将局部高维数据进行低维表示；将低维坐标全局对齐；获取降维目标函数；将降维目标函数分解为半正定松弛部分和正交约束部分，并分别通过半正定松弛方法和强制正交化方法进行求解，最终得到降维后的结果。本发明所述的降维方法，能较好地保持原始数据的诸如数据点间距离，角度等几何信息，能对原数据做到极高的几何保真效果。
-
公开(公告)号：CN103310216A
公开(公告)日：2013-09-18
申请号：CN201310276362.9
申请日：2013-07-03
Applicant: 北京大学
IPC: G06K9/46
Abstract: 本发明公布了一种基于保内积降维技术的模式识别方法，所述模式识别方法采用如下步骤进行降维：首先在坐标逼近的思想下建立保持局部内积的误差函数模型；然后利用矩阵向量形式的转换求解出局部的最优保内积低维坐标；在使用特征值分解求得初值后，对目标函数进行多变量迭代求解；分别使用二次函数极值求解，正交强迫分解，最小二乘等方法逐步求解迭代问题，并得到最终低维坐标。本发明对降维问题提出了新的方法，可以应用与流形学习并能取得较好的效果，并在真实数据集上的分类效果能达到与现有流形方法相媲美的效果。
-
公开(公告)号：CN102663424A
公开(公告)日：2012-09-12
申请号：CN201210086508.9
申请日：2012-03-28
Applicant: 北京大学
IPC: G06K9/62
Abstract: 本发明公布了一种基于全变差和欧拉弹性杆的有监督模式识别方法，首先在所述最小二乘正则化框架下构造出基于全变差和欧拉弹性杆的能量泛函；然后利用变分法将该能量泛函最小化问题转换为求解对应的欧拉-拉格朗日偏微分方程；对所述偏微分方程求解，进而得到最终的分类器；运用该分类器对数据进行模式识别。本发明对有监督模式识别问题提出了新的方法，可以应用于一般情况下的分类问题，例如手写体数字识别；在绝大多数数据集上，本发明提出的方法能达到与现有的流行方法相媲美的效果。
-
公开(公告)号：CN102609681A
公开(公告)日：2012-07-25
申请号：CN201210008299.6
申请日：2012-01-12
Applicant: 北京大学
Abstract: 一种基于字典学习模型的人脸识别方法。将训练和测试的人脸图像映射至低维空间，得到训练信号集矩阵；建立字典学习模型，包括不相关的字典学习模型IDL和无约束的不相关字典学习模型U-IDL；将训练信号集矩阵输入到IDL及U-IDL模型中并对模型进行求解，可获得不相关字典和线性分类器；对属于测试样本的每幅图片，基于上一步中得到的字典利用稀疏表达算法得到其相应的稀疏向量；将稀疏向量输入至线性分类器中，得到测试样本图片的类别标签，以类别标签表示的结果作为人脸识别的结果。本发明对稀疏表达中的字典学习问题提出了新的模型和方法，可以应用于一般情况下的模式识别和图像分类问题；特别是针对人脸识别应用，本发明提出的字典学习方法，能达到较高的人脸识别准确度。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.023 seconds)
