公开(公告)号：CN103714261A

公开(公告)日：2014-04-09

申请号：CN201410014993.8

申请日：2014-01-14

Applicant: 吉林大学

Inventor： 欧阳继红 ,  马超 ,  王旭 ,  李锡铭 ,  周晓堂

IPC: G06F19/00

Abstract: 一种二阶段混合模型的智能辅助医疗决策支持方法，包括下列主要步骤：基于减聚类方法，对真实的医疗样本数据信息进行加权预处理，将非线性不可分的特征空间转化为可分的线性数据特征空间；基于高效的极限学习机模型，利用预处理得到的加权特征数据，通过数据自学习构建医疗决策支持模型；基于构建的学习模型，采用真实的医疗数据，对研究对象进行分类预测，从而实现为目标用户提供可靠高效的辅助预测支持，主要优点：(1)方法简单，易于实现，并且能产生准确度很高的预测结果；(2)该方法涉及的参数较少，且参数影响较小，即需要人为干预较少，便于操作；(3)该方法计算速度极快，效率高。

公开(公告)号：CN119578486A

公开(公告)日：2025-03-07

申请号：CN202411619169.5

申请日：2024-11-13

Applicant: 吉林大学

Inventor： 张正楠 ,  李熙铭 ,  王一鸣 ,  欧阳继红 ,  张耕赫 ,  但佳文

IPC: G06N3/08 ,  G06N3/0464 ,  G06N3/0455

Abstract: 本发明提供一种基于预训练网络的动态系统序列表示学习方法及装置，涉及人工智能技术领域。该方法包括：获取动态系统的观测数据；观测数据包括：动态系统的对象的观测值；将观测值分为第一序列和第二序列；对第一序列添加高斯噪声，通过归一化处理，获得归一化处理后的第一序列；构建动态系统建模的预训练模型；采用线性数据投影模块对归一化处理后的第一序列进行数据投影，获得线性投影后的序列；采用预训练的语言模型对线性投影后的序列进行重构，获得重构后的序列和预测序列；采用最小化重构损失构建模型的损失函数；根据损失函数进行训练，获得动态系统建模的预训练模型。采用本发明可提高动态系统建模的精准度。

公开(公告)号：CN118820957A

公开(公告)日：2024-10-22

申请号：CN202411298499.9

申请日：2024-09-18

Applicant: 吉林大学

Inventor： 欧阳继红 ,  郭泽琪

IPC: G06F18/2415 ,  G06F18/2431 ,  G06F18/213 ,  G06F18/25 ,  G06F40/284 ,  G06N3/045 ,  G06N3/084 ,  G06N3/094

Abstract: 本发明适用于假新闻检测技术领域，提供了一种多领域假新闻智能检测方法，包括以下步骤：获取历史新闻数据，拆分训练数据，验证数据与测试数据；数据预处理；构建双分支领域对抗网络模型；构建模型整体目标函数；模型训练；待识别假新闻智能识别，实时监控、预警。本发明实际应用于各领域网络平台假新闻内容检测场景下具有切实的实际意义，为加强网络生态环境治理提供了技术支撑。本发明提供的方法解决了因单一领域数据稀疏导致模型无法训练的问题，同时提升模型的检测性能。在监控系统的作用下，可以提升假新闻检测效率，缓解人工压力，避免信息错漏，为假新闻进一步治理提供帮助。

公开(公告)号：CN116152229A

公开(公告)日：2023-05-23

申请号：CN202310397924.9

申请日：2023-04-14

Applicant: 吉林大学

Inventor： 欧阳继红 ,  刘思光 ,  李成溪 ,  孟庆奕

IPC: G06T7/00 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明提供一种糖尿病视网膜病变诊断模型的构建方法及诊断模型，属于深度学习技术领域。所述构建方法包括：获取眼底图像并进行预处理，得到输入图；将输入图输入骨干网络进行特征提取，得到包含高级特征的特征图；设计改进的分类器，将特征图输入改进的分类器，经过计算分别得到一个分类预测结果和一个回归预测结果；设计相对位置损失函数附加项，上一步骤中的分类预测结果用于计算交叉熵损失函数，回归预测结果用于计算相对位置损失函数附加项；交叉熵损失函数和相对位置损失函数附加项相结合得到最终的联合损失函数，以实现诊断模型的构建。本发明构建的模型能够对糖尿病视网膜病变过程连续性信息进行学习，显著提升模型性能。

公开(公告)号：CN114881231A

公开(公告)日：2022-08-09

申请号：CN202210312688.1

申请日：2022-03-28

Applicant: 吉林大学

Inventor： 迟晋进 ,  李熙铭 ,  张智超 ,  欧阳继红

IPC: G06N5/04 ,  G06N7/00

Abstract: 本发明公开了一种基于最优传输的变分分布确定方法、系统及终端设备，所述方法包括：获取变分分布与先验分布，基于最优传输理论度量所述变分分布与所述先验分布的距离，并构建变分目标函数；确定正则化最优传输距离的对偶形式，并基于Sinkhorn算法计算所述正则化最优传输距离的对偶变量；基于随机优化策略对所述变分目标函数进行优化，更新变分参数，并基于更新后的变分参数获得目标变分分布，并将所述目标变分分布作为后验分布的近似。本发明基于最优传输距离构建了一个更具鲁棒性的变分目标函数，适用于支撑集不重叠的分布，避免了由不恰当的先验分布导致的近似精度问题，提高了变分推理计算贝叶斯模型的准确性。