-
公开(公告)号：CN105786771A
公开(公告)日：2016-07-20
申请号：CN201610235646.7
申请日：2016-04-15
Applicant: 扬州大学
IPC: G06F17/16
CPC classification number: G06F17/16
Abstract: 本发明属于应用于益智类问题中对缺陷幻方的求解分析，特别涉及一种基于稀疏优化的缺陷幻方求解方法。本发明针对幻方的性质，利用稀疏优化的思想，将缺陷幻方的求解问题转化为一个1范数的优化问题，求解迅速，克服了已有技术的缺陷。本发明将缺陷幻方的约束条件稀疏化，并将原始问题转化为易于求解的线性规划问题，提高了求解的成功率，降低时间消耗，具有良好的扩展性。本发明的模型简单，易于实现。因此本发明对市场的实施是可行的。本发明的思想扩展性强，除了求解缺陷幻方问题，可以应用于幻方、幻立方、特殊幻方、拉丁方、数独等多种益智类游戏中，还可以应用于工程问题中，对这些难以求解的模型。
-
公开(公告)号：CN114842872B
公开(公告)日：2025-05-06
申请号：CN202210373422.8
申请日：2022-04-11
Applicant: 扬州大学
IPC: G10L25/51 , G10L25/18 , G10L25/30 , G06F18/213 , G06F18/24 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N3/0499
Abstract: 本发明公开了一种基于频谱图极大极小峰谷轨迹的音频分类方法与系统，首先对音频进行切片，计算每个音频切片的频谱图；然后基于频谱图的振幅轴，计算振幅的极大值点的位置和振幅大小并排序，分别构造极大位置矩阵和极大振幅矩阵，连接后构造极大峰值特征矩阵；并计算振幅的极小值点的位置和振幅大小并排序，分别构造极小位置矩阵和极小振幅矩阵，连接后构造极小谷值特征矩阵，进而得到极大极小峰谷特征矩阵；最后将极大极小峰谷特征矩阵输入卷积神经网络，输出音频数据的分类结果。本发明对频谱图峰值轨迹和频谱图谷值轨迹之间的相互关系上进行了更为充分的探索；在输入模型之前对频谱图的轨迹特征进行了特征的聚合，可以提高分类的准确性。
-
公开(公告)号：CN118823400A
公开(公告)日：2024-10-22
申请号：CN202410791202.6
申请日：2024-06-19
Applicant: 扬州大学
IPC: G06V10/762 , G06V10/74 , G06V10/84
Abstract: 本发明公开了一种基于双层标签传播的增量半监督图像聚类方法与系统，主要用于解决静态半监督聚类方法在面对增量图像数据与增量成对约束时重复计算所导致的效率低下问题。本发明使用双层标签传播来处理图像数据和约束条件不断增加的聚类问题。在第一层标签传播中，在图像数据样本中传播并扩散成对约束信息，并结合上一时刻图像数据样本对组件的隶属度矩阵，增量计算当前时刻图像样本对组件的隶属度矩阵。在第二层标签传播中，利用上一时刻的聚类结果在组件中标记簇标签信息，并让已知的簇标签信息在组件结构中进行传播，然后通过图像样本对组件的隶属度关系，将簇标签信息逐渐扩展到整个图像数据集，从而实现对增量图像数据的有效半监督聚类。
-
公开(公告)号：CN118247537A
公开(公告)日：2024-06-25
申请号：CN202410496346.9
申请日：2024-04-24
Applicant: 扬州大学
IPC: G06V10/762 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于持续同调的流形自编码器图像聚类方法与系统，其主要技术思路是：首先使用去噪自编码器学习高维图像数据的初始低维表示，基于图像数据的潜在空间中的初始低维表达进行图像聚类。然后将自编码器与流形学习、持续同调相结合，利用重建损失函数、拓扑损失函数和聚类损失函数来优化流形的结构一致性和判别性。接着再通过对总损失函数的优化，调整网络参数，学习到高维图像数据的低维表示。最后使用学习到的模型对测试图像数据进行聚类。该方法有效地结合了自编码器、流形学习和持续同调，能够实现高维图像数据的降维和聚类，在图像、多媒体等领域具有良好的应用价值。
-
公开(公告)号：CN114757271B
公开(公告)日：2024-04-23
申请号：CN202210353954.5
申请日：2022-04-06
Applicant: 扬州大学
IPC: G06F18/2415 , G06F18/2413 , G06F18/22 , G06N3/042 , G06N3/045 , G06N3/0464 , G06Q50/00
Abstract: 本发明公开了一种基于多通道图卷积网络的社交网络节点分类方法与系统。本发明首先根据社交网络数据集中的节点属性构造属性矩阵和邻接矩阵分别输入到两个图卷积网络通道，得到拓扑空间和特征空间对应的节点嵌入，同时通过参数共享的图卷积网络提取拓扑空间和特征空间的公共信息，并使用注意力机制来学习节点嵌入相对应的权重。为了能够增强不同输入在相同网络间得到的节点嵌入的共性，使用一致性对其进行约束，相对应地，为了确保能够从不同的网络中获取不同的节点信息，使用HSIC准则对相同输入在不同的网络得到的节点嵌入进行差异化约束。最后将约束和节点分类损失结合来构造目标函数并进行优化。本发明能够提高社交网络节点分类的准确性。
-
Patent Agency Ranking
公开(公告)号：CN115410026A
公开(公告)日：2022-11-29
申请号：CN202210825399.1
申请日：2022-07-14
Applicant: 扬州大学
IPC: G06V10/764 , G06V10/74 , G06N3/08
Abstract: 本发明公开了一种基于标签传播对比半监督学习的图像分类方法与系统，本发明首先为图像数据学习有意义的自监督对比学习的潜在特征。其次采用标签传播算法在无监督特征上传播已知标签，以自动方式有效地标记整个图像数据集。然后使用相似对齐方法选择匹配图像样本并构成可靠图像样本数据集。最后在匹配可靠图像样本数据集上训练半监督网络模型。在不匹配的图像样本进行无监督对比学习提取特征预测标签进行分类。本发明可在极低的监督设置下提高半监督图像分类的性能，可解决图像数据在进行图像分类时因为图像数据分布不平衡导致数据在标记时不匹配引起的模型性能严重下降的问题，提高图像数据分类的准确性，同时有效减少人工注释的工作。
-
公开(公告)号：CN108920887B
公开(公告)日：2021-10-15
申请号：CN201810585444.4
申请日：2018-06-08
Applicant: 扬州大学
IPC: G06K9/62
Abstract: 本发明公开了神经网络领域内的一种基于非负矩阵分解的时序结构脑网络分析方法，包括以下步骤：1）构建非负的时序结构脑网络，对应每个时间点构建一个网络表示不同脑区间的相关性；2）采用非负矩阵分解作为基本模型将时序结构脑网络分解成多个元网络，要求分解后的元网络和元网络的发育轨迹都满足非负约束；3）通过添加核范数正则项对真实的时序脑网络进行低偏置重建；4）对分解后的元网络所对应的发育轨迹施加时序平滑性正则项；5）对分解后的元网络施加正交约束，使得元网络之间相互不重叠，用于揭示不同的大脑子网络发育模式，即不同脑区集合间的协同发育模式，本发明为健康大脑网络的发育提供了一个基准，可用于大脑发育研究中。
-
公开(公告)号：CN113313153A
公开(公告)日：2021-08-27
申请号：CN202110551165.8
申请日：2021-05-20
Applicant: 扬州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于自适应图正则化的低秩NMF图像聚类方法与系统，首先对原始图像数据集应用RPCA算法，获得低秩图像集和噪声；然后对低秩图像集应用NMF，得到基图像集和对应的非负线性表达系数矩阵，再利用分解后的低维流形嵌入结构进行聚类，具体包括：对低秩图像集进行NMF，得到基图像集和非负线性表达系数矩阵；在基图像集上进行Tikhonov正则化，在非负线性表达系数矩阵上进行谱图正则化；对基图像集和非负线性表达系数矩阵分别进行迭代优化；最后，对迭代优化所得的非负线性表达系数矩阵进行聚类，获得图像聚类结果。本发明可解决图像数据进行聚类时不能考虑图像数据的有效结构信息隐藏在其低秩部分的问题，并提高图像数据聚类的准确性。
-
公开(公告)号：CN119227861A
公开(公告)日：2024-12-31
申请号：CN202411112994.6
申请日：2024-08-14
Applicant: 扬州大学
IPC: G06Q10/04 , G06N3/0464 , G06N3/042
Abstract: 本发明公开了一种自适应图学习时空神经网络的交通流预测方法和系统。本发明提出一个自适应的图结构学习模块，首先，构建一个由预先定义的邻接矩阵与可训练参数直接学习的邻接矩阵组成图邻接矩阵。接着，设计一个时空注意力模块来学习时空注意力矩阵，通过堆叠多个时空层来预测交通状况，其中每个时空层在空间和时间维度上都进行卷积。同时，提出了一种两阶段训练策略来提高模型的性能。该方法能够自适应地从数据中学习交通网络的时空依赖，同时保留对预先定义结构的利用，以增强预测准确性和泛化能力。本发明在交通流预测系统中的应用表明其能够实时准确地预测交通流量，从而有效指导交通控制和优化策略的制定。
-
公开(公告)号：CN114913872B
公开(公告)日：2024-11-22
申请号：CN202210560557.5
申请日：2022-05-23
Applicant: 扬州大学
Abstract: 本发明公开了一种基于卷积神经网络的时频双域音频分类的方法与系统，首先对音频进行处理，得到音频的梅尔频谱图；然后基于梅尔频谱图的时间轴和频率轴计算，分别构造音色特征矩阵和时间特征矩阵，连接组成时频双域特征矩阵；再将其输入时频双域注意力模块进行信道加权和最大池化，最终得到音频的时频双域特征向量并将其输入分类器，得到音频的预测标签，之后计算预测标签和真实标签之间的损失，进行反向传播最小化损失。本发明通过加入监督性息，解决了原有随机化网络因缺少监督机制导致初始化权重方法不可靠且过分依赖模型结构本身的缺陷；时频双域注意力模块也很好的解决了平均池化会导致部分信道信息丢失的问题，进一步提高了音频分类的准确性。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.036 seconds)
