-
公开(公告)号：CN112966734A
公开(公告)日：2021-06-15
申请号：CN202110235175.0
申请日：2021-03-03
Applicant: 扬州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于分数阶谱的判别多重集典型相关分析方法，包括1）定义每组训练样本的投影方向；2）计算训练样本的互协方差矩阵和类内散布矩阵；3）互协方差矩阵做奇异值分解，类内散布矩阵做特征值分解；4）构建分数阶互协方差矩阵和分数阶类内散布矩阵；5）构建FLMCCA的最优化模型；6）求解特征向量问题；7）利用特征向量形成每组数据的投影矩阵；8）采用串行特征融合策略对投影后的特征进行融合，并选取不同数量的图像做训练和测试，计算识别率。本发明通过引入分数阶参数构建了分数阶类内散布矩阵和分数阶互协方差矩阵，减小因噪声干扰和有限训练样本带来的真实值偏离，从而增强了所抽低维特征的判别力，提高了系统识别的准确率。
-
公开(公告)号：CN112528074A
公开(公告)日：2021-03-19
申请号：CN202011470189.2
申请日：2020-12-14
Applicant: 扬州大学
IPC: G06F16/735 , G06F16/783
Abstract: 本发明公开了一种知识图谱结合自编码机的电影推荐方法，包括以下步骤：1.从知识图谱DBpedia中获取电影的电影语言类别作为额外信息；2.使用multi‑hot方法对获得的电影语言类别信息进行向量化表示并作为初始特征扩展；3.使用自编码机对获得的初始特征扩展进行降维，将自编码机的编码层输出作为提取的低维特征表示；4.将获得的低维特征表示融合到电影的原始特征空间中，并将新的特征作为额外信息输入到半自编码机模型中实现更准确的电影推荐。本发明能够利用知识图谱对电影信息进行特征扩展，并通过自编码机处理拓展特征，得到高层次低维特征表示以便输入到推荐模型中进行预测，达到为用户进行更准确推荐的目的。
-
-
公开(公告)号：CN119128149A
公开(公告)日：2024-12-13
申请号：CN202411158349.8
申请日：2024-08-22
Applicant: 扬州大学
IPC: G06F16/35 , G06N3/0442 , G06F40/247 , G06F40/30 , G06F40/253
Abstract: 本发明公开了一种基于软提示调优的隐性仇恨语言检测方法，包括1）使用软提示模板，在连续的最优提示空间中进行训练；2）针对中文和英文在语义结构和语法规则上的差异，使用不同的方法构建扩展词映射器。3）结合步骤1）和步骤2）中提到的软提示模板和扩展词映射器，并从训练集中选取少量样本进行训练构造出提示调优模型，实现隐性仇恨语言检测。本发明采用三种不同的策略来扩展标签词空间，以探索原文背后的真实意图，并在最后的提示调优中使用这些策略的整合，这种方法可以进一步激发预训练语言模型中分布的丰富知识，更好的运用于隐性仇恨语言的检测。
-
公开(公告)号：CN118779452A
公开(公告)日：2024-10-15
申请号：CN202410884762.6
申请日：2024-07-03
Applicant: 扬州大学
IPC: G06F16/35 , G06V10/40 , G06V10/77 , G06F40/284 , G06F40/211 , G06F40/186 , G06F18/2415 , G06F18/25 , G06N3/042 , G06N3/045 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种基于多模态软提示学习的中文点击诱饵检测方法，包括（1）通过预训练的CLIP模型学习新闻中图片的特征；（2）通过图注意力网络捕获新闻标题的句法结构特征；（3）通过提示学习模型充分学习新闻标题与内容的关联性特征，并构造可学习的软提示，生成一个最优的提示模板；（4）将学习到的图片特征、句法结构特征与标题和内容的关联性特征拼接，将拼接后的特征用于检测；（5）将每个标签词的概率映射到对应的类别标签中，并用该类别标签的最终预测分数作为分类结果。本发明针对中文点击诱饵的特殊结构对模型进行了改进，同时结合了新闻中丰富的图片信息，能够充分提取中文点击诱饵的文本特征，有效地提升了检测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN118260413A
公开(公告)日：2024-06-28
申请号：CN202410342826.X
申请日：2024-03-25
Applicant: 扬州大学
IPC: G06F16/34 , G06F16/35 , G06F18/213 , G06F18/2415 , G06F18/22
Abstract: 本发明公开了一种利用新闻摘要生成的点击诱饵检测方法，包括：1）采用两阶段方法SummaReranker，基于三个评估指标实现最佳摘要的选择；2）构建提示学习中的标签词映射器，并通过四种优化策略对标签词进行优化；3）通过预设提示模板将标题和生成的摘要构建成带有mask的提示文本，作为提示学习模型的输入，利用优化后的标签词映射器进行点击诱饵检测；4）最终将每个标签词上预测的概率映射到对应的类别中，得到该标签最终的预测分数作为点击诱饵检测结果。本发明引入SummaReranker模型生成高质量新闻摘要，将原新闻标题和新生成的摘要作为提示调整模型的输入并使用四种优化策略优化提示学习标签词映射器，利用较少的数据来获得更准确的检测结果，减少了模型的训练成本。
-
公开(公告)号：CN114842276B
公开(公告)日：2024-03-26
申请号：CN202210546097.0
申请日：2022-05-18
Applicant: 扬州大学
Abstract: 本发明公开了一种基于多图融合的典型相关分析的降维方法，该方法针对已有的图嵌入降维算法仅使用单一图结构的问题，提出了一种能够利用多种类型的图揭示数据的内在结构的典型相关分析算法模型。在本发明中，通过构建多种不同的图来描述数据的结构，并且使用图融合框架为每个图赋予权重并且将这些图进行融合成为一个“最佳图”，将融合后的图与典型相关分析模型相结合，通过交替迭代的优化方法求出投影向量并更新多图的权重直至收敛从而得到最终的投影向量，完成降维任务。
-
公开(公告)号：CN111753898B
公开(公告)日：2023-09-22
申请号：CN202010581332.9
申请日：2020-06-23
Applicant: 扬州大学
IPC: G06F18/21 , G06F18/214 , G06F18/241 , G06F18/2136 , G06F18/213 , G06N20/00
Abstract: 本发明公开了一种基于叠加卷积稀疏自编码机的表示学习方法，其特包括以下步骤：1）设计和实现包括白化的重构独立成分分析算法，并将图像数据集作为输入，迭代优化学习其输出的重构矩阵，得到训练完成的稀疏自编码模型；2）构建半监督叠加稀疏自编码机模型对特征表示做训练；3）构建卷积模型从数据中提取块特征，应用卷积和池化操作生成卷积特征表示；4）将卷积稀疏自编码机进行叠加，对卷积特征表示进行进一步优化；5）用逻辑回归模型在图像数据集上训练分类器，并得到分类结果。本发明结合自编码机模型和卷积池化结构的特点，并利用大规模数据集中的少部分有标签数据，达到优化特征表示向量，提高图像数据集分类准确度。
-
公开(公告)号：CN112966734B
公开(公告)日：2023-09-15
申请号：CN202110235175.0
申请日：2021-03-03
Applicant: 扬州大学
Abstract: 本发明公开了一种基于分数阶谱的判别多重集典型相关分析方法，包括1）定义每组训练样本的投影方向；2）计算训练样本的互协方差矩阵和类内散布矩阵；3）互协方差矩阵做奇异值分解，类内散布矩阵做特征值分解；4）构建分数阶互协方差矩阵和分数阶类内散布矩阵；5）构建FLMCCA的最优化模型；6）求解特征向量问题；7）利用特征向量形成每组数据的投影矩阵；8）采用串行特征融合策略对投影后的特征进行融合，并选取不同数量的图像做训练和测试，计算识别率。本发明通过引入分数阶参数构建了分数阶类内散布矩阵和分数阶互协方差矩阵，减小因噪声干扰和有限训练样本带来的真实值偏离，从而增强了所抽低维特征的判别力，提高了系统识别的准确率。
-
公开(公告)号：CN114995329A
公开(公告)日：2022-09-02
申请号：CN202210498790.5
申请日：2022-05-09
Applicant: 扬州大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于多机动态调度的芯片封测线性规划排程方法，包括以下步骤：1）接入生产系统的ERP(企业资源计划)系统及MES(制造执行系统)系统，获取生产信息；2）以最大化利润为约束目标，对封测产能进行模型规划，建立数学模型；3）依据不同约束（利润约束除外）目标，建立约束规划模型，进行约束规划求解；4）系统依据当前约束目标不同，选择最优排程方案。本发明能够通过构建多机调度模型，确定芯片封测排程的性能指标和反应策略，最后利用约束规划进行求解，达到为用户提供局部限定条件下的最优排程方案推荐的目的。
-
-
-
-
-
-
-
-
-
Search Results
69
records
(took 0.024 seconds)
