-
公开(公告)号：CN118964702A
公开(公告)日：2024-11-15
申请号：CN202410954619.X
申请日：2024-07-17
Applicant: 扬州大学
IPC: G06F16/906 , G06F16/901 , G06N3/0455 , G06N3/0499 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种可缩放隐等距流形的引文网络节点分类方法与系统。本发明首先开发了具有动态掩码率的元路径掩码，用于元路径的边缘构成的邻接矩阵重建；其次利用动态掩码率，学习节点属性恢复，探究节点属性中涉及的内容信息，便于模型关注目标节点类型；然后设计了位置特征预测策略，整合每个节点的位置信息；之后构建缩放等距正则化项，最后由上面四部分损失定义引文网络数据集上的总损失来训练可缩放隐等距流形自编码器。本发明有效解决了当前深度学习在挖掘引文网络节点过程会破坏原始空间的几何结构的问题，从而捕获样本节点间的流形结构，提高引文网络节点分类的准确性。因此，本发明能够在引文网络节点分类任务中取得更好的性能表现。
-
公开(公告)号：CN118313508A
公开(公告)日：2024-07-09
申请号：CN202410407515.7
申请日：2024-04-07
Applicant: 扬州大学
Abstract: 本发明公开了一种基于自回归非负矩阵分解的时序社交网络预测方法与系统。该方法旨在对时序社交网络进行非负矩阵分解，结合自回归方法，从而实现对时序社交网络的预测。首先，获取并处理特定时间段内多个用户之间的联系信息，生成时序社交网络数据集；然后，设计自回归非负矩阵分解方法对时序社交网络进行建模，使用已知的时序社交网络时间片进行训练，对参数进行优化更新；最后利用优化得到的参数，结合自回归模型，对未来的时序社交网络进行链接预测。该发明包括时序社交网络数据获取、自回归非负矩阵分解，目标函数的优化和网络的链接预测模块，最终实现对时序社交网络的预测。本发明能够提高社交网络预测的准确性和稳定性。
-
公开(公告)号：CN113743474B
公开(公告)日：2023-09-26
申请号：CN202110911462.9
申请日：2021-08-10
Applicant: 扬州大学
IPC: G06V10/764 , G06V10/774 , G06N3/0464 , G06N3/0895 , G06V10/82
Abstract: 本发明公开了一种基于协同半监督卷积神经网络的数字图片分类方法与系统，首先将原始的数字图片数据集分为有标记数据和无标记数据，然后来训练模型的网络参数，并通过在学生‑教师模型的基础上添加一个独立的学生模型来参与教师模型的参数更新过程以弱化单个学生和教师的强耦合性，将数据输入到两个学生模型中根据不同的类别输出标签，构造损失函数，然后通过学生网络参数更新计算教师模型的网络参数，增加学生和教师模型的一致性损失，来更新学生模型的权重，并引入评价标准来调整两个学生模型对教师模型参数的贡献比重。本发明可解决数字图像数据进行图片分类时因为数据耦合性高的原因而影响最后准确性的问题，提高数字图像数据分类的准确性。
-
公开(公告)号：CN114757271A
公开(公告)日：2022-07-15
申请号：CN202210353954.5
申请日：2022-04-06
Applicant: 扬州大学
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。
-
公开(公告)号：CN113743474A
公开(公告)日：2021-12-03
申请号：CN202110911462.9
申请日：2021-08-10
Applicant: 扬州大学
Abstract: 本发明公开了一种基于协同半监督卷积神经网络的数字图片分类方法与系统，首先将原始的数字图片数据集分为有标记数据和无标记数据，然后来训练模型的网络参数，并通过在学生‑教师模型的基础上添加一个独立的学生模型来参与教师模型的参数更新过程以弱化单个学生和教师的强耦合性，将数据输入到两个学生模型中根据不同的类别输出标签，构造损失函数，然后通过学生网络参数更新计算教师模型的网络参数，增加学生和教师模型的一致性损失，来更新学生模型的权重，并引入评价标准来调整两个学生模型对教师模型参数的贡献比重。本发明可解决数字图像数据进行图片分类时因为数据耦合性高的原因而影响最后准确性的问题，提高数字图像数据分类的准确性。
-
Patent Agency Ranking
公开(公告)号：CN113139556A
公开(公告)日：2021-07-20
申请号：CN202110437449.4
申请日：2021-04-22
Applicant: 扬州大学
Abstract: 本发明公开了一种基于自适应构图的流形多视图图像聚类方法及系统，首先提取样本集中同一样本图像的多种特征，得到多个特征视图；然后利用各个视图上的测地线距离，结合自适应构图方法，令各个视图共享相同的聚类指示矩阵，优化获得每个视图上的流形相似度矩阵；再基于各个视图的流形相似度矩阵，构造正则化优化目标函数，将它们自适应地融合成多视图的中心流形相似度矩阵，同时获得该中心矩阵对应的多视图聚类指示矩阵；最后对最终的聚类指示矩阵进行聚类，获得基于多视图特征的图像聚类结果。本发明可以有效地表达每个图像特征视图的流形相似关系，通过共享的指示矩阵来监督构造的过程，可以提高图像聚类的准确性。
-
公开(公告)号：CN105046338B
公开(公告)日：2019-07-30
申请号：CN201510522278.X
申请日：2015-08-24
Applicant: 扬州大学
Abstract: 本发明涉及移动平台上的智能快递配送方法。本发明建立移动端的数据库包括出发点，各个配送地址和最终目的地，结合地图应用的SDK，使用带轮盘赌的贪心算法和全局k‑opt方法规划出发前的最优配送路径，并根据变化修改，将最优路线的详情以文字和地图的形式显示出来。本发明克服了快递配送效率的严重低下，浪费人力且导致快递配送拖延的缺陷。本发明采用全局k‑opt方法，可以优化配送前的快递配送路线；而采用局部k‑opt方法，通过构建可规划地址集，在不影响已经过路线的基础上，可以优化后续路径，不单可以使快递公司得到配送效率上的基本保障，而且也能把快递员从配送路径规划的负担中解脱出来，实现真正的智慧物流。
-
公开(公告)号：CN108920887A
公开(公告)日：2018-11-30
申请号：CN201810585444.4
申请日：2018-06-08
Applicant: 扬州大学
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：CN105303028B
公开(公告)日：2018-11-23
申请号：CN201510518334.2
申请日：2015-08-20
Applicant: 扬州大学
Abstract: 本发明涉及基于有监督等度规映射的智能医学诊断分类方法。本发明将医学数据编制成训练数据集和测试数据集，训练数据的有监督的等度规映射降维，包括计算测地线距离，对测地线距离融入监督信息，训练数据的流形低维嵌入，构建分类决策面，测试数据的无监督低维嵌入。本发明克服了过去存在的导致流形整体结构信息的损失的缺陷。本发明对高维有标签数据进行了特征提取，然后根据数据特点使用线性支持向量机算法构建分类决策面对降维后的数据构建分类边界面，显式的低维映射加上线性的分类决策面构建，有利于提高可理解性，降低了数据的冗余度，提高了计算分析的精度，也降低了对医学数据的计算代价。
-
公开(公告)号：CN106126474A
公开(公告)日：2016-11-16
申请号：CN201610234826.3
申请日：2016-04-13
Applicant: 扬州大学
Abstract: 本发明涉及一种基于局部样条嵌入的线性分类方法。本发明输入训练数据和测试数据，训练数据的有监督的局部样条嵌入降维，包括构建类内图、类间图选取邻域，构建训练数据点的类内局部切空间和类间局部切空间，获得训练数据点的全局低维坐标，得到对应的最佳线性映射，将测试数据映射至低维流形中去，K近邻分类对降维后的测试数据进行分类，得到测试数据的类别标签。本发明克服了过去没有全面的分析数据的类内近邻图和类间近邻图和利用训练数据的类别信息的缺陷。本发明大大降低了数据的复杂程度，提高了数据的可观测性和可判别性，有助于大大改善对高维流形上数据的分类准确率。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.029 seconds)
