-
公开(公告)号：CN117153260A
公开(公告)日：2023-12-01
申请号：CN202311204657.5
申请日：2023-09-18
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G16B30/10 , G06F18/23 , G06F18/22 , G06F18/2135
Abstract: 本发明公开了一种基于对比学习的空间转录组数据聚类方法、装置、设备及存储介质，该方法包括：基于空间转录组数据获得加权的特征矩阵和邻接矩阵并构建邻接图；将邻接图分别输入孪生网络结构两个编码器以学习第一节点表示和第二节点表示；基于第一节点表示、第二节点表示构建用于计算对比损失的正样本集；基于节点的软聚类分布和辅助分布计算聚类损失；通过对比损失和聚类损失指导模型训练进而获得聚类结果。通过孪生网络结构进行对比学习获得用于构建正样本集的节点表示，并计算对比损失和聚类损失，并基于节点间的对比损失和聚类损失指导模型训练，如此基于对比学习获得了针对基因转录组数据的数据聚类方法，提高了空间转录组数据聚类的针对性和准确性。
-
公开(公告)号：CN115577273B
公开(公告)日：2024-04-26
申请号：CN202210970095.4
申请日：2022-08-12
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本申请公开了一种基于对比学习的单细胞数据聚类方法、装置、设备及存储介质，该方法包括：通过预先构建的特征提取模块确定待聚类单细胞数据的正视图对并提取所述正视图对的特征；通过预先构建的对比学习模型将所述特征进行对比学习，获得所述待聚类单细胞数据的高阶表示，并对所述高阶表示进行聚类分析以获得所述待聚类单细胞数据的聚类分析结果。如此，通过特征提取、对比学习获得了待聚类单细胞数据的高阶表示，解决了当前单细胞测序数据高维稀疏、种群间不平衡以及测序过程经常发生drop‑out事件的问题。
-
公开(公告)号：CN116246698A
公开(公告)日：2023-06-09
申请号：CN202211090606.X
申请日：2022-09-07
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G16B20/00 , G16B40/00 , G06F40/30 , G06N3/0464
Abstract: 本发明公开了一种基于神经网络的信息提取方法、装置、设备及存储介质，属于生物信息技术领域，该方法包括：本发明从预先获得的metapath实例中提取语义信息；基于注意力聚合机制对所述语义信息进行编码，获得语义注意力系数，基于所述语义注意力系数聚合邻居节点；通过非线性神经网络对所述语义信息进行学习，获得二次语义信息，将二次语义信息聚合至所述邻居节点中，获得节点嵌入；通过非线性神经网络融合多个metapath下的所述节点嵌入，获得最终节点表示。如此通过非线性神经网络二次提取metapath实例中的语义信息，充分利用了各个节点的语义信息，提升了信息提取的效果。
-
公开(公告)号：CN115577273A
公开(公告)日：2023-01-06
申请号：CN202210970095.4
申请日：2022-08-12
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本申请公开了一种基于对比学习的单细胞数据聚类方法、装置、设备及存储介质，该方法包括：通过预先构建的特征提取模块确定待聚类单细胞数据的正视图对并提取所述正视图对的特征；通过预先构建的对比学习模型将所述特征进行对比学习，获得所述待聚类单细胞数据的高阶表示，并对所述高阶表示进行聚类分析以获得所述待聚类单细胞数据的聚类分析结果。如此，通过特征提取、对比学习获得了待聚类单细胞数据的高阶表示，解决了当前单细胞测序数据高维稀疏、种群间不平衡以及测序过程经常发生drop‑out事件的问题。
-
公开(公告)号：CN116246699B
公开(公告)日：2024-04-26
申请号：CN202211105940.8
申请日：2022-09-07
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: G16B20/00 , G16B40/00 , G06F16/36 , G06N3/0464
Abstract: 本发明公开了一种基于知识图谱的合成致死预测方法、设备及存储介质，该方法包括：基于知识图谱卷积网络获得第一基因特征；根据合成致死相互作用网络获得第二基因特征；计算所述第一基因特征和所述第二基因特征的向量内积，预测基因对的合成致死概率。由此解决了当前需要人工设计基因特征，以及无法通过建模合成致死相互作用背后机制的问题，在提升基因对的合成致死预测性能的同时，还提高了模型的可解释性。
-
Patent Agency Ranking
公开(公告)号：CN117864258A
公开(公告)日：2024-04-12
申请号：CN202410036118.3
申请日：2024-01-10
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
IPC: B62D35/00
Abstract: 本发明涉及重型车辆节能减排技术领域，具体地说，是一种基于垂直轴风机主动流动控制的汽车气动减阻系统，该系统在车厢前缘顶部设置阻力型垂直轴风机，以减少车辆在行驶过程中的气动阻力，从而提高燃油效率和降低碳排放，包括设置在车厢前缘顶部的阻力型垂直轴风机、与汽车主控系统相集成的控制系统、设置在汽车内部的电源系统和分布在汽车车身四周的传感器，所述控制系统连接到所述传感器和所述阻力型垂直轴风机，所述电源系统连接到所述阻力型垂直轴风机为其提供动力支持。
-
公开(公告)号：CN117133436A
公开(公告)日：2023-11-28
申请号：CN202311346273.7
申请日：2023-10-17
Applicant: 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)
Abstract: 本发明公开了一种基于多源数据融合的药物疾病关联预测方法、装置及设备，该方法包括：基于预设元路径在异构网络中进行随机单向游走获得源药物节点的邻域和目标疾病节点的邻域；计算邻域间的嵌入表示，确定虚拟节点之间的归一化的注意力系数；基于归一化的注意力系数确定的邻域间的相互作用表示的标准化注意力值；将标准化注意力值与虚拟节点的嵌入表示融合，将融合获得的药物疾病节点对间边的嵌入表示与对应的初始嵌入特征进行拼接，施加一个多层感知机获得药物疾病对的预测结果。如此，基于预设元路径进行随机游走取样，并基于邻域间嵌入表示、邻域内相互作用结果进行结果预测，提取了异构网络的丰富语义信息，提高模型对药物疾病的预测性能。
-
公开(公告)号：CN117935909B
公开(公告)日：2024-10-01
申请号：CN202410111895.X
申请日：2024-01-26
Applicant: 哈尔滨工业大学
IPC: G16B20/20 , G16B40/00 , G06N3/0464 , G06F18/213 , G06F18/22 , G06N3/045 , G06N3/0499 , G06F18/25 , G06N3/048 , C12Q1/6869
Abstract: 基于电信号与序列融合的第三代测序DNA甲基化检测方法，涉及基因检测技术领域，针对现有DNA甲基化检测方法普遍存在由于长序列特征丢失，进而导致的检测准确率低的问题，本申请通过提取三代测序中的原始电信号特征以及碱基序列，并将原始电信号特征以及碱基序列在一个模型中进行融合交互，避免了长序列特征丢失，进而提升了检测准确率。
-
公开(公告)号：CN117970832A
公开(公告)日：2024-05-03
申请号：CN202410134867.X
申请日：2024-01-31
Applicant: 哈尔滨工业大学
IPC: G05B17/02
Abstract: 一种异构多无人系统混合场景仿真系统，它属于机器人仿真及半实物仿真领域。本发明解决了现有仿真技术不能同时具备对多种类无人平台进行建模仿真、在多台电脑上运行且可以进行虚实结合的能力的问题。本发明的数字仿真模块中可以包括四旋翼无人机、固定翼无人机、无人车、双足机器人以及四足机器人等数字仿真模型，以实现对不同的数字仿真模型进行仿真，提升了系统的可扩展性和通用性。而且本发明的系统可以在多台电脑上进行多机仿真，因此，适用于大规模场景使用。同时，本发明中通过虚实结合的仿真技术，可以很好的保证数字仿真的效果。本发明方法可以应用于异构多无人系统混合场景仿真领域。
-
公开(公告)号：CN117935909A
公开(公告)日：2024-04-26
申请号：CN202410111895.X
申请日：2024-01-26
Applicant: 哈尔滨工业大学
IPC: G16B20/20 , G16B40/00 , G06N3/0464 , G06F18/213 , G06F18/22 , G06N3/045 , G06N3/0499 , G06F18/25 , G06N3/048 , C12Q1/6869
Abstract: 基于电信号与序列融合的第三代测序DNA甲基化检测方法，涉及基因检测技术领域，针对现有DNA甲基化检测方法普遍存在由于长序列特征丢失，进而导致的检测准确率低的问题，本申请通过提取三代测序中的原始电信号特征以及碱基序列，并将原始电信号特征以及碱基序列在一个模型中进行融合交互，避免了长序列特征丢失，进而提升了检测准确率。
-
-
-
-
-
-
-
-
-
Search Results
130
records
(took 0.032 seconds)
