-
公开(公告)号：CN117827679A
公开(公告)日：2024-04-05
申请号：CN202410101473.4
申请日：2024-01-24
Applicant: 华南理工大学
IPC: G06F11/36 , G06F18/214 , G06F18/241 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于宽度学习的智能工业软件诊断方法，包括：获取不平衡的软件缺陷样本构成的数据集并预处理；将预处理后的数据集划分为训练集和测试集，从训练集中随机选取部分的样本，称为Universum数据，并在Universum数据中选择不同类别的数据取平均值生成先验信息，称为Umean数据；使用Umean数据和剩余的训练集数据训练一个改进的CSBLS模型，称为UCSBLS模型；使用训练好的UCSBLS模型对测试集进行分类，预测出智能工业中的缺陷软件。本发明在宽度学习的基础上，使用了代价敏感学习技术并添加了先验信息，提高对不平衡数据分类准确率，在工业软件缺陷数据集上表现出良好的效果，提高软件缺陷诊断准确性。
-
公开(公告)号：CN113361559B
公开(公告)日：2023-10-17
申请号：CN202110278271.3
申请日：2021-03-12
Applicant: 华南理工大学
IPC: G06F18/25 , G06F18/15 , G06F18/214 , G06F18/2415 , G06N3/0455 , G06N3/047 , G06N3/048 , G06N3/084 , G06N3/088 , G06F16/182
Abstract: 本发明公开了一种基于深宽度联合神经网络的多模态数据知识信息提取方法，包括步骤：1)收集智能制造工厂生产所产生的多模态数据，进行数据清洗预处理后存储至Hadoop分布式文件系统中；2)将存储在HDFS中的原始数据日志记录按模态性质进行细分建表，分别将多模态数据处理成单模态数据特征，包括语音，文本，图像等单模态数据特征表等并存储到HIVE数据库中；3)利用深宽度联合网络对多模态数据特征表进行特征提取，得到对应的高层抽象特征知识，从而实现深宽度联合网络对多模态数据知识信息的提取。
-
公开(公告)号：CN112784919B
公开(公告)日：2023-09-05
申请号：CN202110146422.X
申请日：2021-02-03
Applicant: 华南理工大学
IPC: G06F18/2415 , G06F18/25 , G06F18/15 , G06N3/0455 , G06N3/047 , G06N3/048 , G06N3/084 , G06N3/0985 , G06F16/215 , G06F16/27 , G06F16/28 , G06F16/182 , G06F16/35 , G06F40/289
Abstract: 本发明公开了一种面向智能制造多模态数据的分类方法，包括步骤：1)收集和清洗生产数据日志，获取多模态数据；2)对多模态数据按其数据组成形式进行划分，并进行相应的预处理；3)对预处理后的多模态数据进行特征提取与特征融合，对融合后的特征进行分类。本发明通过对多模态数据进行预处理，结合自编码器和嵌入处理方式提取数据表层特征和挖掘数据深层特征，基于在线学习的方式，利用全连接前馈深度神经网络对数据进行实时分类及结果展示，有效提高了多模态数据分类的准确率及提升了AUC指标。
-
公开(公告)号：CN118658014A
公开(公告)日：2024-09-17
申请号：CN202411139984.1
申请日：2024-08-20
Applicant: 华南理工大学
IPC: G06V10/764 , G06V10/77 , G06V10/82
Abstract: 本发明公开了基于多视图特征加权对比学习的晚期B超图像分类方法，所述方法包括：将肝纤维化B超图像数据集划分为多个子集，通过旋转子空间技术生成多视图优化数据；把优化后多视图数据输入目标模型，得到表征向量和概率向量；使用概率向量计算交叉熵损失，使用表征向量计算对比损失，计算联合损失函数；使用联合损失函数训练目标模型；用训练好的目标模型进行肝纤维化B超图像分类。本发明针对早期和晚期肝纤维化在B超图像中差异不显著的难点，使用多视图优化技术提取出对分类结果影响大的子空间特征，并通过对比学习增强该特征的判别性，增大早期和晚期肝纤维化B超图像的特征表示差异性，实现了高精度的肝纤维化晚期B超图像分类。
-
公开(公告)号：CN117437458A
公开(公告)日：2024-01-23
申请号：CN202311267138.3
申请日：2023-09-27
Applicant: 华南理工大学
IPC: G06V10/764 , G16H50/20 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于宽度集成学习的疾病检测系统，包括：数据获取模块，对医疗数据进行预处理得到输入样本；初级分类模块，根据分类误差对输入样本进行序列加权，提高集成多样性，将轻量级的宽度学习网络作为初级分类器，对加权后的样本进行训练，使用宽度学习网络的增量学习模式，选择性集成优秀的初级分类器进行预测，提高集成准确性；次级分类模块，将初级分类器的预测结果作为增强特征输入次级分类器，并根据初级分类器的平均预测精度自适应加入数据获取模块得到的输入样本，训练次级分类器，得到最终的疾病检测结果，辅助医生诊断治疗。本发明可通过机器学习方法对疾病进行早期预防和检测，减轻医疗系统和社会经济负担。
-
Patent Agency Ranking
公开(公告)号：CN114372181A
公开(公告)日：2022-04-19
申请号：CN202111609391.3
申请日：2021-12-27
Applicant: 华南理工大学
IPC: G06F16/906 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q50/04
Abstract: 本发明公开一种基于多模态数据的设备生产智能规划方法，包括：1)对制造过程进行数据采集，得到多模态数据；2)对多模态数据进行标准化；3)对单个制造步骤构建训练集；4)对每个制造步骤的状态构建类别‑动作映射关系；5)构建并训练深度神经网络；6)用训练好的深度神经网络对每个制造过程中采集到的数据进行分类；7)根据分类结果选择相应动作；8)对每个制造步骤重复进行分类和动作选择，完成动作规划。本发明充分利用制造过程中收集到的多模态数据和深度神经网络，不仅可以识别每个步骤的当前状态，并根据当前状态进行动作规划，实现制造过程的动作智能规划，减少人工干预。此外，还可以增加动作规划的可解释性和准确性。
-
公开(公告)号：CN112784919A
公开(公告)日：2021-05-11
申请号：CN202110146422.X
申请日：2021-02-03
Applicant: 华南理工大学
IPC: G06K9/62 , G06F16/215 , G06F16/27 , G06F16/28 , G06F16/182 , G06F16/35 , G06F40/289 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种面向智能制造多模态数据的分类方法，包括步骤：1)收集和清洗生产数据日志，获取多模态数据；2)对多模态数据按其数据组成形式进行划分，并进行相应的预处理；3)对预处理后的多模态数据进行特征提取与特征融合，对融合后的特征进行分类。本发明通过对多模态数据进行预处理，结合自编码器和嵌入处理方式提取数据表层特征和挖掘数据深层特征，基于在线学习的方式，利用全连接前馈深度神经网络对数据进行实时分类及结果展示，有效提高了多模态数据分类的准确率及提升了AUC指标。
-
公开(公告)号：CN119652575A
公开(公告)日：2025-03-18
申请号：CN202411725708.3
申请日：2024-11-28
Applicant: 华南理工大学
IPC: H04L9/40 , G06F18/241 , G06F18/22 , G06N3/042 , G06N3/08
Abstract: 本发明公开了一种基于图嵌入加权宽度网络的网络入侵检测方法，包括：收集网络入侵检测数据并进行预处理；使用预处理后的网络入侵检测数据计算样本构建一个图嵌入矩阵；利用预处理后的网络入侵数据计算类惩罚权重；将得到的图嵌入矩阵和类惩罚权重加入到一个宽度神经网络中，得到一个改进的宽度神经网络，称为图嵌入加权宽度网络；使用训练后的图嵌入加权宽度网络对待测的网络入侵检测数据进行分类，得到分类结果。本发明通过利用宽度网络高效的训练方式和高精确性优点的同时，引入图嵌入技术提高了对网络入侵数据的分类能力，并使用自适应加权惩罚矩阵加强宽度网络在训练过程中对少数类的关注，有助于提高网络入侵检测数据分类的准确性。
-
公开(公告)号：CN119449398A
公开(公告)日：2025-02-14
申请号：CN202411509879.2
申请日：2024-10-28
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于集成学习与主动学习的网络钓鱼页面识别方法，包括：收集网络页面并处理为初始数据集；对初始数据集聚类，构建簇集合；对簇集合中的簇训练单类宽度学习系统，分配权重构建第一集成学习模型；设立缓冲区暂存无法识别的页面，并聚类后识别类型，再训练单类宽度学习系统加入第一集成学习模型，形成第二集成学习模型；设计权重调整机制，适应钓鱼页面变化；利用第二集成学习模型对页面进行识别，若失败则送至缓冲区；若成功则计算置信度分数，并选择最高分数的数据标签来确定页面是否为钓鱼页面。本发明能够减少钓鱼页面识别过程中专业人员的参与，并保持优秀的识别成功率，为网络安全领域提供了一种有效的解决方案。
-
公开(公告)号：CN118658014B
公开(公告)日：2025-01-03
申请号：CN202411139984.1
申请日：2024-08-20
Applicant: 华南理工大学
IPC: G06V10/764 , G06V10/77 , G06V10/82
Abstract: 本发明公开了基于多视图特征加权对比学习的晚期B超图像分类方法，所述方法包括：将肝纤维化B超图像数据集划分为多个子集，通过旋转子空间技术生成多视图优化数据；把优化后多视图数据输入目标模型，得到表征向量和概率向量；使用概率向量计算交叉熵损失，使用表征向量计算对比损失，计算联合损失函数；使用联合损失函数训练目标模型；用训练好的目标模型进行肝纤维化B超图像分类。本发明针对早期和晚期肝纤维化在B超图像中差异不显著的难点，使用多视图优化技术提取出对分类结果影响大的子空间特征，并通过对比学习增强该特征的判别性，增大早期和晚期肝纤维化B超图像的特征表示差异性，实现了高精度的肝纤维化晚期B超图像分类。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.018 seconds)
