-
公开(公告)号：CN104636486B
公开(公告)日：2018-01-02
申请号：CN201510087359.1
申请日：2015-02-25
Applicant: 值得看云技术有限公司 , 中国科学院重庆绿色智能技术研究院
Abstract: 本发明提出了一种基于非负交替方向变换的用户特征抽取方法及抽取装置。抽取装置，包括数据接收模块、数据存储模块和执行模块，其中，所述数据接收模块与数据存储模块连接，数据接收模块用于接收服务器采集的用户行为统计数据，并将所接收的服务器采集的用户行为统计数据传递给数据存储模块进行存储，所述数据存储模块与执行模块相连接，执行模块执行服务器发送的进行用户特征抽取的指令，并将抽取的用户特征数据存入数据存储模块中。本发明直接作用于用户行为统计矩阵中的已知数据集合，能够处理具备大量缺失值的、极端稀疏的用户行为统计矩阵，收敛速度快，数据还原准确度高，能够解决大数据处理环境中的用户特征抽取问题。
-
公开(公告)号：CN113641907A
公开(公告)日：2021-11-12
申请号：CN202110942451.7
申请日：2021-08-17
Applicant: 中国科学院重庆绿色智能技术研究院
IPC: G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明涉及计算机大数据处理分析技术领域，具体涉及电子商务系统中一种基于进化算法的超参数自适应深度推荐方法，包括S1.接收推荐数据集、S2.模型重构与超参数深度精细化匹配、S3.目标函数统一化构造、S4.计算最后一层反向传播传递误差、S5.种群初始化、S6.进化算法超参数迭代优化、S7.梯度下降更新模型参数、S8.完成训练存储模型；以及一种基于进化算法的超参数自适应深度推荐装置，包括：数据接收模块、数据存储模块、预处理模块及执行模块，采用本发明提供的技术方案，作用于不同的推荐系统用户项目交互数据集，结合差分进化算法的自适应寻优能力，实现超参数的动态自适应，节约计算资源和人力成本。
-
公开(公告)号：CN107808163A
公开(公告)日：2018-03-16
申请号：CN201710895442.0
申请日：2017-09-28
Applicant: 中国科学院重庆绿色智能技术研究院 , 深圳市想播就播科技有限公司
CPC classification number: G06K9/6232 , G06F16/783
Abstract: 本发明提供一种视频数据线性偏差主特征提取装置和方法，装置包括视频接收模块，用于导入视频数据；计算线性偏差模块，用于根据导入的视频数据获取其对应的线性偏差，并将线性偏差进行组合；视频数据模块，连接用于存储数据，所述数据至少包括视频数据、线性偏差和隐特征；特征提取模块，用于根据线性偏差组合对视频数据的隐特征进行提取；本发明可以专门对视频数据进行隐特征提取，通过针对不同的视频数据，选择最合适的线性偏差组合得到最精确的分解结果，从而揭示视频数据中蕴含的潜在规律和意义，解决了大型复杂系统中的海量视频数据的隐特征提取问题。
-
公开(公告)号：CN103646118B
公开(公告)日：2017-01-18
申请号：CN201310739290.7
申请日：2013-12-27
Applicant: 中国科学院重庆绿色智能技术研究院
IPC: G06F17/30
Abstract: 本发明公开了置信优势关系粗糙集模型及2种属性约简方法，适用于解决不完全偏好决策问题，在一致信息或不一致信息下，发现对决策更重要的属性。本发明提出一种新的拓展优势关系，即置信优势关系，遵从序关系特性，即自反性、传递性及序对称性，与已有的拓展优势关系相比，可避免语义上的矛盾，通过定理证明和实例分析，本发明提出的置信优势关系粗糙集近似模型的近似精度及分类精度更优。此外，为找出对决策更重要的属性，针对不完备一致和不一致情况，发明置信优势关系下的两种属性约简方法，分别是基于辨识矩阵的属性约简方法和基于分类精度的启发式属性约简方法。
-
公开(公告)号：CN107808163B
公开(公告)日：2020-12-29
申请号：CN201710895442.0
申请日：2017-09-28
Applicant: 中国科学院重庆绿色智能技术研究院 , 深圳市想播就播科技有限公司
IPC: G06K9/62 , G06F16/783
Abstract: 本发明提供一种视频数据线性偏差主特征提取装置和方法，装置包括视频接收模块，用于导入视频数据；计算线性偏差模块，用于根据导入的视频数据获取其对应的线性偏差，并将线性偏差进行组合；视频数据模块，连接用于存储数据，所述数据至少包括视频数据、线性偏差和隐特征；特征提取模块，用于根据线性偏差组合对视频数据的隐特征进行提取；本发明可以专门对视频数据进行隐特征提取，通过针对不同的视频数据，选择最合适的线性偏差组合得到最精确的分解结果，从而揭示视频数据中蕴含的潜在规律和意义，解决了大型复杂系统中的海量视频数据的隐特征提取问题。
-
Patent Agency Ranking
公开(公告)号：CN107704830A
公开(公告)日：2018-02-16
申请号：CN201710930280.X
申请日：2017-10-09
Applicant: 中国科学院重庆绿色智能技术研究院
CPC classification number: G06K9/00711 , G06T7/246 , G06T2207/10016
Abstract: 本发明涉及一种视频数据多维非负隐特征的提取装置和方法，属于图像识别领域。该装置包含接收模块，距离目标函数模块，储存模块，特征提取模块；接收模块用于接收视频数据采集设备的图像并指示存储模块对采集的视频数据进行存储；距离目标函数模块选择不同的距离目标函数计算不同维的非负隐特征；储存模块包含隐特征储存单元和视频数据储存单元，视频数据存储单元用于储存接收模块传来的视频数据，隐特征储存单元用于储存提取的不同维的非负隐特征；特征提取模块用于结合不同的距离目标函数计算视频数据的多维非负隐特征提取过程，并将提取的多维非负隐特征存入隐特征储存单元。本发明实现了现代大型视频监控系统中的视频数据的高效高准确度的隐特征提取。
-
公开(公告)号：CN103886397B
公开(公告)日：2017-02-15
申请号：CN201410154826.3
申请日：2014-04-17
Applicant: 中国科学院重庆绿色智能技术研究院
CPC classification number: Y02A20/16
Abstract: 本发明公开了一种分治法与水质周期性结合的水质预测方法，属于水质预测技术领域。本发明提出的水质预测方法针对单一预测器较难对水质数据的复杂变化规律进行充分学习，易造成预测精度不佳的问题，采用了基于数据驱动问题分解求解框架，该框架在学习过程中能够根据数据特点对问题空间进行自主划分，无需人工指定预测器数量，具有更好的鲁棒性。通过将预测器效果评价及水质数据周期性进行融合，更好地利用了水质数据在时间尺度上的变化特点，实现了更加准确的问题分解算法。根据框架学习内容，将待预测的数据映射至对应具有预测优势的预测器组中，由对应的预测器加权得到预测结果，具有更好的准确性及稳定性。
-
公开(公告)号：CN104143473B
公开(公告)日：2016-08-24
申请号：CN201310162834.8
申请日：2013-05-06
Applicant: 中国科学院重庆绿色智能技术研究院
IPC: H01H35/14
Abstract: 本发明涉及一种加速度开关及其控制方法。加速度开关包括：固定电极、第一信号线、第二信号线、控制线和绝缘衬底，固定电极、第一信号线、第二信号线和控制线均设置在绝缘衬底上；加速度开关还包括：质量块，质量块具有平衡位置和触碰位置；质量块在平衡位置与绝缘衬底之间具有间隙；加速度开关还包括：信号触点和可动电极，信号触点和可动电极设置在质量块上；当质量块位于触碰位置时，第一信号线通过信号触点与第二信号线连接，控制线与可动电极连接，控制线用于向可动电极施加与固定电极相反的电荷以使质量块锁定在触碰位置。在监测加速度信号的过程中，不需要始终保持静电力的作用，可在有环境电磁场干扰的情况下，正确地感知加速度信号。
-
公开(公告)号：CN104883718A
公开(公告)日：2015-09-02
申请号：CN201410071818.2
申请日：2014-03-01
Applicant: 中国科学院重庆绿色智能技术研究院
CPC classification number: Y02D70/38
Abstract: 本发明提供了一种传感网络数据传输的多层预测控制方法和系统。多层预测控制方法包括：将节点分成多个簇；确定每个簇内的控制节点和传输节点；根据构建的预测控制策略对每个簇内的传输节点的数据传输流进行预测，控制节点只向预测的预测结果中出现的传输节点进行广播。由于控制节点只向预测的预测结果中出现的传输节点进行广播，因而，避免了长时间等待的耗电，从而在传输时延存在的前提下，加强了节点的能量控制，其有效的数据流预测提高了数据传输的准确率，延长了整个传感网络使用寿命。
-
公开(公告)号：CN103886397A
公开(公告)日：2014-06-25
申请号：CN201410154826.3
申请日：2014-04-17
Applicant: 中国科学院重庆绿色智能技术研究院
CPC classification number: Y02A20/16
Abstract: 本发明公开了一种分治法与水质周期性结合的水质预测方法，属于水质预测技术领域。本发明提出的水质预测方法针对单一预测器较难对水质数据的复杂变化规律进行充分学习，易造成预测精度不佳的问题，采用了基于数据驱动问题分解求解框架，该框架在学习过程中能够根据数据特点对问题空间进行自主划分，无需人工指定预测器数量，具有更好的鲁棒性。通过将预测器效果评价及水质数据周期性进行融合，更好地利用了水质数据在时间尺度上的变化特点，实现了更加准确的问题分解算法。根据框架学习内容，将待预测的数据映射至对应具有预测优势的预测器组中，由对应的预测器加权得到预测结果，具有更好的准确性及稳定性。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.081 seconds)
