-
-
公开(公告)号：CN113377655B
公开(公告)日：2023-06-20
申请号：CN202110664158.9
申请日：2021-06-16
Applicant: 南京大学
Abstract: 本发明公开了一种基于MAS‑Q‑Learing的任务分配方法，获取真实应用场景中的用户数据，采用马尔科夫决策对用户数据进行建模，将众包人员设计成智能体五元组，通过Q值学习方法计算他们的全局收益；对邻近智能体的状态以及下一状态进行定位，采用拉普拉斯矩阵用于描述各个智能体成员之间的关联关系，采用多属性决策方法进行计算，其计算结果再经过权重分配和集结。采用时间差分方法估计动作‑值函数，同时给出了满足合理性、完整性条件的智能体状态函数。本发明不仅具有良好的鲁棒性，而且具有良好的适应性。
-
公开(公告)号：CN113742732A
公开(公告)日：2021-12-03
申请号：CN202010487204.8
申请日：2020-05-27
Applicant: 南京大学
IPC: G06F21/57
Abstract: 一种代码漏洞扫描与定位的方法，首先通过多个漏洞扫描工具对代码数据集扫描，分析提取扫描结果得到漏洞基本信息。然后，采取投票策略对漏洞进行正误报标记，过滤掉误报的漏洞警示。最后在已知漏洞基本信息的基础上，使用已有的切片工具wala对源代码进行切片。本发明的切片模块在切片方式的选取，切片点指令类型的分类处理以及过滤无关语句这三个方面上进行了改良，有效提高了漏洞定位的精度。
-
公开(公告)号：CN113377656A
公开(公告)日：2021-09-10
申请号：CN202110664346.1
申请日：2021-06-16
Applicant: 南京大学
Abstract: 本发明公开了一种基于图神经网络的众测推荐方法，将用户与项目形成的二分图和用户之间的社交网络进行融合，合成异质图，如果存在新加入的用户或者项目，在异质图上生成新边以增加节点之间关联度；将用户特征、项目特征与第一步中生成的异质图送入图神经网络，最后生成用户的嵌入表示、项目的嵌入表示以及边的嵌入表示；然后送入关系嵌入表示的双线性解码器中，对于每种关系都得到一个数值，进行softmax之后得到关系可能性分布，最后根据可能性大小得出一个推荐列表。本发明公不仅将众测人员与项目之间的关系和众测人员之间的社交网络相结合，而且提高了推荐的准确性，有效的缓解推荐系统冷启动问题。
-
公开(公告)号：CN113361198A
公开(公告)日：2021-09-07
申请号：CN202110641240.X
申请日：2021-06-09
Applicant: 南京大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F111/04
Abstract: 一种基于公共和私有信息挖掘的众包测试报告融合方法，1)进行特征映射，每个模态中包括所有模态共享的公共信息，以及该模态的私有信息，将原始特征空间中抽取的模态映射为同一维度的公共向量和私有向量；2)对不同模态所包含的所有模态共享的公共信息和每个模态的私有信息进行获取；3)进行模态关系挖掘，将得到d维公共信息Ci和私有信息Sim依次输入到LSTM中进行处理；4)进行标签预测，在多标签学习中，每种模态都有其对多标签预测的特定贡献，利用储存在LSTM记忆单元中的不同模态的信息获取标签之间的关系。本发明能够学习所有模态的低维公共表示，并通过强制正交约束提取每个模态的区别信息，同时，将公共表示作为一种新的模态加入到特定的模态序列中，实现基于提取的模态序列挖掘标签相关性。
-
Patent Agency Ranking
公开(公告)号：CN112434737A
公开(公告)日：2021-03-02
申请号：CN202011333029.3
申请日：2020-11-25
Applicant: 南京大学
Abstract: 本发明公开了一种用于脑卒中分析的多智能体评价准则融合的特征选择系统，包括数据输入单元、数据预处理单元、初始特征序列建立单元、多智能体强化单元、特征融合单元、逻辑回归模型单元，通过对脑卒中数据进行不同属性的处理，并通过多智能体强化学习将三种特征评价准则按照最优权重策略进行特征融合，进一步得到所有特征的重要性排序序列和最优的特征子集，本发明在提高准确率的前提下减少特征子集，得到与脑卒中最相关的影响因素，进而从特征选择的角度提高对脑卒中疾病的预测性能。
-
公开(公告)号：CN112395998A
公开(公告)日：2021-02-23
申请号：CN202011306320.1
申请日：2020-11-19
Applicant: 南京大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , G06F16/587
Abstract: 本发明涉及一种使用深度学习的跑道检测对全球开放数据库中机场空间位置的验证方法，包含以下步骤：第一步、机场数据融合——融合OAC、GNO和GNS+GNIS三种全球机场位置数据集以获取更完整的数据集；第二步、深度学习模型训练——训练两种深度学习模型；第三步、机场影像验证——将以上两个已训练的模型结合，验证融合数据集影像中所有机场的位置点。本发明提出的验证方法在测试数据集上表现良好，准确率为95.8%，召回率为95.8%。当结果得分阈值设置为0.65时，全球共29259个机场点位通过验证。同时，对验证结果做了人工抽样校验，本发明对样本的验证精度达到了91%，且速度是人工的15倍。结果显示，本发明可以快速、可靠的辅助验证全球机场空间位置，并为其他遥感目标空间位置验证提供了流程思路。
-
公开(公告)号：CN104794192A
公开(公告)日：2015-07-22
申请号：CN201510185479.5
申请日：2015-04-17
Applicant: 南京大学
IPC: G06F17/30
Abstract: 一种基于指数平滑、滑动窗口分布统计和集成学习模型的多级异常检测方法,包括如下步骤：统计检测阶段：a)根据应用场景确定关键特征集合；b)对于离散特征，用滑动窗口分布直方图建模，对于连续特征用指数平滑建模；c)周期性输入各个关键特征的观测值；d)结束。集成学习训练阶段：a)利用已经标记的正常和异常样例，组成训练数据集合；b)训练随机森林分类模型；和集成学习分类阶段；本发明为包含时序特性和复杂行为模式的异常检测问题提供了一个通用框架，适合在线常驻检测，集成学习阶段使用随机森林模型具有可并行化、泛化能力强的特点，该方法可运用于如电信行业业务违规检测、金融行业信用卡欺诈检测、网络攻击检测等多个场景。
-
公开(公告)号：CN102495865B
公开(公告)日：2013-08-07
申请号：CN201110382735.1
申请日：2011-11-28
Applicant: 南京大学
Abstract: 本发明公开了一种结合图像内部空间关系及视觉共生关系的图像标注方法，该方法包括图像分割、特征提取及标注算法三部分组成，首先利用过分割方法将图像过分割为若干区域，然后对每个区域提取视觉特征，最后通过结合利用图像中各区域之间的空间位置关系以及视觉共生关系等上下文信息建立一个图像标注分类模型。本发明的优点是图像标注准确率高，能够充分有效的利用图像中空间位置关系以及视觉共生关系两种不同类型的上下文信息来提高图像标注的准确性。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.032 seconds)
