-
公开(公告)号：CN115861672B
公开(公告)日：2023-09-19
申请号：CN202211645720.4
申请日：2022-12-20
Applicant: 中南大学
IPC: G06V10/762 , G06V10/764 , G06V10/77 , G06V10/774 , G06V10/74
Abstract: 本发明公开了一种基于图像特征联合分布的泡沫浮选运行性能评估方法，包括如下步骤步骤一、得到预处理的泡沫浮选图像特征数据；步骤二、筛选得到用于进行浮选运行性能评估的最终的评价特征；步骤三、得到训练好的聚类算法；步骤四、根据聚类得到的结果建立泡沫浮选运行状况下的高斯分布模型；步骤五、根据高斯分布模型确定待识别工况的所属类别。本发明利用KNN针对K‑means聚类中不同分类簇交界区域的分类情况进行合理优化，在保证簇内相似性的前提下增强簇间相异性；利用聚类得到的分类结果建立高维高斯分布，并以高斯分布进行预测，可以使得簇的形状摆脱原本K‑means的圆，球或超球面，更接近实际的簇形状，从而提高分类和预测精度。
-
公开(公告)号：CN116402133B
公开(公告)日：2024-04-30
申请号：CN202310385458.2
申请日：2023-04-12
Applicant: 中南大学
IPC: G06N5/02 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/084 , G06F16/36
Abstract: 本发明公开了一种基于结构聚合图卷积网络的知识图谱补全方法及系统，获取待补全的知识图谱，首先将其输入LSTM网络提取三元组连接的语义规则，再利用词嵌入模型将知识图谱初步嵌入，将训练集的初步嵌入结果输入结构聚合图卷积网络进行迭代训练，得到最终的实体、关系嵌入表示。再抽取测试集中的头实体‑关系对与测试集中的所有实体作为尾实体，得到新三元组集合，再次利用LSTM网络提取新三元组集合对应的语义规则集。将测试集输入训练好的网络中，利用评分函数与加分函数评估图谱补全的效果。本发明的图谱补全方法比现有的一些方法具有更好的图谱补全性能。
-
公开(公告)号：CN116402133A
公开(公告)日：2023-07-07
申请号：CN202310385458.2
申请日：2023-04-12
Applicant: 中南大学
IPC: G06N5/02 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/084 , G06F16/36
Abstract: 本发明公开了一种基于结构聚合图卷积网络的知识图谱补全方法及系统，获取待补全的知识图谱，首先将其输入LSTM网络提取三元组连接的语义规则，再利用词嵌入模型将知识图谱初步嵌入，将训练集的初步嵌入结果输入结构聚合图卷积网络进行迭代训练，得到最终的实体、关系嵌入表示。再抽取测试集中的头实体‑关系对与测试集中的所有实体作为尾实体，得到新三元组集合，再次利用LSTM网络提取新三元组集合对应的语义规则集。将测试集输入训练好的网络中，利用评分函数与加分函数评估图谱补全的效果。本发明的图谱补全方法比现有的一些方法具有更好的图谱补全性能。
-
公开(公告)号：CN115861672A
公开(公告)日：2023-03-28
申请号：CN202211645720.4
申请日：2022-12-20
Applicant: 中南大学
IPC: G06V10/762 , G06V10/764 , G06V10/77 , G06V10/774 , G06V10/74
Abstract: 本发明公开了一种基于图像特征联合分布的泡沫浮选运行性能评估方法，包括如下步骤步骤一、得到预处理的泡沫浮选图像特征数据；步骤二、筛选得到用于进行浮选运行性能评估的最终的评价特征；步骤三、得到训练好的聚类算法；步骤四、根据聚类得到的结果建立泡沫浮选运行状况下的高斯分布模型；步骤五、根据高斯分布模型确定待识别工况的所属类别。本发明利用KNN针对K‑means聚类中不同分类簇交界区域的分类情况进行合理优化，在保证簇内相似性的前提下增强簇间相异性；利用聚类得到的分类结果建立高维高斯分布，并以高斯分布进行预测，可以使得簇的形状摆脱原本K‑means的圆，球或超球面，更接近实际的簇形状，从而提高分类和预测精度。
-
-
-
Search Results
4
records
(took 0.012 seconds)
