-
公开(公告)号：CN112612968B
公开(公告)日：2024-04-09
申请号：CN202011493247.3
申请日：2020-12-17
Applicant: 北京理工大学
IPC: G06F16/9536 , G06Q50/00
Abstract: 本发明涉及一种基于长期收益的动态社交网络中的链接推荐方法，对链接推荐问题上进行了更进一步的思考，提出了如何更有效地在动态社交网络中面向长期收益的链接推荐的技术方案。本方法将网络中个体选择与其他节点建立链接的过程视作一种在社交网络中“投资”的过程，在有限的代价预算下，为目标节点进行链接推荐以获取长期的社会资本收益，也即对于网络中目标节点，期望通过链接推荐挖掘出一些推荐节点，使得目标节点在当下选择与这些个体建立链接也许并不会带来最高的直接收益，随着网络的动态演化，能够获得更高的长远收益，最终在网络中处于更加优势的社会地位。
-
公开(公告)号：CN112581373B
公开(公告)日：2022-06-10
申请号：CN202011471881.7
申请日：2020-12-14
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于深度学习的图像颜色校正方法，属于深度学习和计算机视觉领域。首先，收集不同光照环境下的图像数据构建色偏图像数据集。之后，对数据进行数据增强和预处理，使数据符合神经网络训练要求。然后，构建一种Encoder‑Decoder结构的基础卷积神经网络，并依据该基础神经网络构建级联的卷积神经网络。同时，针对级联神经网络的特点，设计了特定的神经网络损失函数。通过训练之后，该级联卷积神经网络可将一张色偏的原图片转化为无色偏的图片。本方法不需要进行先验的假设，可快速实时检测，能够应用到各种自动化图像色偏矫正系统和设备中，不仅避免了人工校正的主观性，同时大大提高了矫正效率，减轻了人工矫正负担，提升了图像色偏矫正的准确性。
-
公开(公告)号：CN112818030A
公开(公告)日：2021-05-18
申请号：CN202110082760.1
申请日：2021-01-21
Applicant: 北京理工大学
IPC: G06F16/2458 , G06Q30/06 , G06N3/04
Abstract: 本发明公开了一种自适应的分布式流数据关联规则挖掘方法，属于机器学习数据挖掘技术领域。本方法，在分布式计算集群中每个节点使用滑动时间窗口对单位时间内流式数据进行关联规则挖掘，然后对结果进行汇总得到当前一个时间段内的频繁项集。随后，利用深度强化学习方法对系统参数进行调整。本方法将关联规则挖掘技术、流式数据处理以及深度强化学习方法结合起来，不需要人工对数据进行标注，大大节省人工成本。同时，采用流式算法动态维护模型，可快速实时分析，能够广泛应用于物联网设备环境数据分析、电力状态实时监控分析、金融数据实时分析等众多领域。
-
公开(公告)号：CN112612968A
公开(公告)日：2021-04-06
申请号：CN202011493247.3
申请日：2020-12-17
Applicant: 北京理工大学
IPC: G06F16/9536 , G06Q50/00
Abstract: 本发明涉及一种基于长期收益的动态社交网络中的链接推荐方法，对链接推荐问题上进行了更进一步的思考，提出了如何更有效地在动态社交网络中面向长期收益的链接推荐的技术方案。本方法将网络中个体选择与其他节点建立链接的过程视作一种在社交网络中“投资”的过程，在有限的代价预算下，为目标节点进行链接推荐以获取长期的社会资本收益，也即对于网络中目标节点，期望通过链接推荐挖掘出一些推荐节点，使得目标节点在当下选择与这些个体建立链接也许并不会带来最高的直接收益，随着网络的动态演化，能够获得更高的长远收益，最终在网络中处于更加优势的社会地位。
-
公开(公告)号：CN111444431A
公开(公告)日：2020-07-24
申请号：CN202010235102.7
申请日：2020-03-30
Applicant: 北京理工大学
IPC: G06F16/9535
Abstract: 本发明涉及一种网页推荐方法及系统。该方法包括：根据q学习建立q_table；根据q_table采取一个动作给用户推荐一个网页；计算推荐网页之前的收益；计算推荐网页之后的收益；计算即时收益；判断所述即时收益是否为零；若是，则给用户推荐这个网页；若否，更新q_table，根据更新后的q_table采取一个动作，重新给用户推荐一个网页。本发明根据即时收益来更新q_table中的q值，采用当前最大一步化收益给用户推荐网页，使当前推荐的网页更精准。而且把用户分为偏好特定专业领域的用户和偏好广泛领域的用户，网页推荐也更为精准。
-
Patent Agency Ranking
公开(公告)号：CN108156035A
公开(公告)日：2018-06-12
申请号：CN201711420408.4
申请日：2017-12-25
Applicant: 北京理工大学
IPC: H04L12/24 , H04L12/721 , G06Q50/00
Abstract: 本发明涉及一种社区结构网络的社交圈中的交友策略，属于网络科学及社会学技术领域。根据真实社交网络和用户视角的不同，交友策略分为局部交友策略和全局交友策略。首先获取连接代价和时间代价，然后执行交友策略，建立社区结构局部网络和社区结构全局网络，在社区结构局部网络和社区结构全局网络中寻找新的节点，并根据连接代价和时间代价，判断并决定与目标结点是建立还是解除关系。本发明保证了用户可以在短时间内较快提高自己在网络中的重要性；避免了社交过程中用户隐私的泄露，实现了安全的社交模式；可以为社交网络提供好友推荐的理论支持；可以将本发明中的策略研究应用于其他网络结构中，如在道路网络、合作网络中解决实际问题等。
-
公开(公告)号：CN111400796B
公开(公告)日：2022-03-01
申请号：CN202010164331.4
申请日：2020-03-11
Applicant: 北京理工大学
IPC: G06F30/13 , G06F30/20 , G06Q10/06 , G06Q50/08 , G06F111/08
Abstract: 本发明涉及一种基于Agent的室内应急疏散位置风险评估方法，属于人工智能与智能代理技术领域。包括1)建筑平面图导入模块接收单层建筑平面图并对进行预处理，输出处理后的建筑平面图以及具体的应急情形，再等待外部命令，若外部命令是插入模拟应急安全事件，则跳至2)，若外部命令时验证平面安全性，则跳至3)；2)应急事件生成模块指定应急安全事件发生的位置，并根据应急安全事件性质改变应急安全事件发生位置处的格点状态、调整其与相邻格点连接的奖赏值；3)针对应急情形选择深度学习方法，反馈设计合理的安全性指标，输出平面整体的安全性评价指标。所述方法有效避免了人为制定刚性规则来化解室内应急疏散隐患时存在的缺陷。
-
公开(公告)号：CN112308235A
公开(公告)日：2021-02-02
申请号：CN202011163780.3
申请日：2020-10-27
Applicant: 北京理工大学
IPC: G06N20/00
Abstract: 本发明提出了一种时间序列数据流异常检测方法，属于机器学习异常检测技术领域。本方法使用随机卷积核对时间序列数据进行特征转换，其中卷积核的大小、权重完全随机。随后，使用流式孤立深林对转换后的特征进行离群检测。异常时间序列序列得到特征往往和正常数据偏离远，数据分布密度小，容易孤立出来。本方法采用无监督方式，不需要人工对数据进行标注，大大节省人工成本。同时，采用流式算法，动态维护模型，可快速实时检测。本方法可适应大规模数据异常检测。
-
公开(公告)号：CN107888431B
公开(公告)日：2020-06-16
申请号：CN201711423482.1
申请日：2017-12-25
Applicant: 北京理工大学
IPC: H04L12/24
Abstract: 本发明涉及一种动态核心‑边缘网络的中心化算法及其模型构造方法，属于网络科学技术领域及计算机领域。中心化算法的核心为：在一个动态的核心‑边缘网络中，选中的目标点在每个选定的时刻选择网络中的点连边，目的是最小代价下目标点到达网络的中心。基于代理人的核心‑边缘结构模型构造方法的核心为：依概率选择网络中的点为目标点，假设网络非合作博弈的情况下应用中心化算法，演化给定次数后，得到具有核心‑边缘结构的网络。本发明的中心化算法为核心‑边缘结构的研究提供了个体的视角；在动态网络上算法表现出众；本发明的模型构造方法放宽了现有构造方法的约束。
-
公开(公告)号：CN111223301A
公开(公告)日：2020-06-02
申请号：CN202010164451.4
申请日：2020-03-11
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于图注意力卷积网络的交通流量预测方法，旨在预测中长时间交通车流量，属于城市交通规划及流量预测技术领域。包括：步骤1：对交通流量数据预处理，输出预处理完成后的数据序列；步骤2：基于预处理完成后的数据序列，提取数据序列的空间特征以及时间特征；步骤3、输入经过步骤2两个AGA块的特征提取，经过一层全连接层得到下一时刻预测结果。所述方法未使用无法并行训练的递归结构，模型的所有组件都是卷积结构，可以减少训练时间；所述方法是首次尝试结合基于频谱的图卷积网络和基于空间的卷积网络，分别提取空间特征和时间特征,在时空交通网络上算法表现出众。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.019 seconds)
