-
公开(公告)号：CN114491095B
公开(公告)日：2024-10-01
申请号：CN202210054508.4
申请日：2022-01-18
Applicant: 南京大学
IPC: G06F16/435 , G06F16/432 , G06F16/48
Abstract: 基于时序漂移的潜在因子模型对项目的推荐方法，通过采集所需要推荐项目的历史信息，构建时序漂移矩阵分解模型以及时序漂移联合目标函数后，对联合目标函数进行求解后得到基于时序漂移矩阵分解模型，输入的用户信息后可进行项目推荐。本发明考虑并结合了用户的时序动态偏好演变以及用户过去行为对当前行为的影响关系进行建模，通过构建辅助矩阵捕捉用户两个时期之间演变关系，引入时间影响因子平衡当前和过去行为的影响，并在三个实验数据集中和基线方法对比测试均取得较好的仿真推荐效果，以说明本发明具有更优越的有效性。
-
公开(公告)号：CN116010816A
公开(公告)日：2023-04-25
申请号：CN202211695992.5
申请日：2022-12-28
Applicant: 南京大学
IPC: G06F18/214 , G06F18/10 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于大感受野的LRF大核注意力卷积网络活动识别方法,包括采集动作信号，对所述动作信号进行预处理和数据划分，获取数据集；基于所述数据集对LRF大核注意力卷积网络模型进行训练,将训练完成的所述LRF大核注意力卷积网络模型导入移动可穿戴识别装置中，进行人体姿态识别。本发明通过传感器模态的局部深度卷积网络、沿时间序列的长距离深度卷积网络和1×1普通卷积网络捕捉传感器时序和模态双特征，有效提升模型网络对于动作特征信息的定位和识别，极大拓宽了可穿戴传感器活动识别的种类，增强了不标准动作的识别容错率，促进了基于可穿戴移动设备的识别在健康医疗、智能家居、医疗辅助等领域的部署和发展。
-
公开(公告)号：CN115329800A
公开(公告)日：2022-11-11
申请号：CN202210793457.7
申请日：2022-07-07
Applicant: 南京大学
Abstract: 本发明涉及一种基于解耦训练的卷积神经网络活动识别方法，包括：采集人体活动信号数据，对所述人体活动信号数据进行标记，获得活动类型；设置滑动窗口和重叠率为固定长度，基于所述滑动窗口和所述重叠率对所述人体活动信号数据进行预处理，获得样本数据；将所述样本数据输入到RepHAR解耦网络中进行训练，将训练完成的所述RepHAR解耦网络导入可穿戴识别设备，获取活动识别结果；本发明可同时具备多分枝网络高精度和普通网络的实时性优点，实现了速度和精度均衡的活动识别应用。
-
公开(公告)号：CN113343077A
公开(公告)日：2021-09-03
申请号：CN202110481624.X
申请日：2021-04-30
Applicant: 南京大学
IPC: G06F16/9535 , G06F16/9537 , G06N3/04 , G06N3/08
Abstract: 一种融合用户兴趣时序波动的个性化推荐方法及系统，该方法包括采集用户与商品的交互数据，融合时序波动变化，对用户兴趣时序波动进行识别分类，得到小幅和大幅兴趣两种波动序列，分别使用小幅兴趣波动序列以及大幅兴趣波动序列有针对性地对用户不同时段的兴趣波动变化建模进行预测，并根据预测结果完成对用户的个性化推荐。本发明通过研究抽取不同幅度的用户兴趣波动特征，更好地挖掘和刻画用户兴趣波动变化，实现动态精准的个性化服务，很好地提高预测准确性和可解释性。
-
公开(公告)号：CN116010816B
公开(公告)日：2023-09-08
申请号：CN202211695992.5
申请日：2022-12-28
Applicant: 南京大学
IPC: G06F18/214 , G06F18/10 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及基于大感受野的LRF大核注意力卷积网络活动识别方法,包括采集动作信号，对所述动作信号进行预处理和数据划分，获取数据集；基于所述数据集对LRF大核注意力卷积网络模型进行训练,将训练完成的所述LRF大核注意力卷积网络模型导入移动可穿戴识别装置中，进行人体姿态识别。本发明通过传感器模态的局部深度卷积网络、沿时间序列的长距离深度卷积网络和1×1普通卷积网络捕捉传感器时序和模态双特征，有效提升模型网络对于动作特征信息的定位和识别，极大拓宽了可穿戴传感器活动识别的种类，增强了不标准动作的识别容错率，促进了基于可穿戴移动设备的识别在健康医疗、智能家居、医疗辅助等领域的部署和发展。
-
Patent Agency Ranking
公开(公告)号：CN114358015A
公开(公告)日：2022-04-15
申请号：CN202111617536.4
申请日：2021-12-27
Applicant: 南京大学
IPC: G06F40/30 , G06F40/289 , G06F40/242 , G06F40/216 , G06F16/215 , G06F16/35
Abstract: 基于语义信息的主题识别方法与主题演化路径构建方法，从公众诉求解决模式视角，利用基于词间语义信息的方法，进行社会诉求主题识别与演化趋势分析研究。先考虑公众诉求的时序变化因素，将社会诉求文本进行时间区间划分，接着，基于语义信息网络获得网络社区，并使用PageRank方法识别所有社区中的主题，最后，通过度量相邻时间段间的主题相似性来表现主题间的演化关系，进而识别主题的演化路径，包括演化过程中的新生、分裂、衰亡、融合事件，以此清晰反映出诉求主题的强度以及演化过程，同时，本文以甘肃省公开的领导信箱为例开展实证分析，并对发明的有效性进行了验证。
-
公开(公告)号：CN117272144A
公开(公告)日：2023-12-22
申请号：CN202311277982.4
申请日：2023-09-28
Applicant: 南京大学 , 无锡南创数智发展研究院有限公司
IPC: G06F18/241 , G06F18/213 , G06F18/15 , G06V40/20 , G06V10/764 , G06V10/82 , G06N3/048 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了移动端双解耦网络长尾活动识别方法，具体包括以下步骤：采集动作信号，获取训练集；将所述训练集输入双解耦网络模型，并通过移动可穿戴识别装置实现长尾活动识别；其中，所述双解耦网络模型由神经网络构建并在训练阶段和测试阶段分别进行解耦。本发明通过训练阶段的解耦，即特征提取和活动分类的分离，采用多分支拓扑结构来增强模型的特征提取能力，同时分类器阶段的权重微调可以有效提升模型对长尾分布识别的性能；在本发明中，训练阶段和测试阶段的解耦显著降低了模型参数量，有助于降低可穿戴识别设备的硬件需求，并提高活动识别的实时性。
-
公开(公告)号：CN114491095A
公开(公告)日：2022-05-13
申请号：CN202210054508.4
申请日：2022-01-18
Applicant: 南京大学
IPC: G06F16/435 , G06F16/432 , G06F16/48
Abstract: 基于时序漂移的潜在因子模型对项目的推荐方法，通过采集所需要推荐项目的历史信息，构建时序漂移矩阵分解模型以及时序漂移联合目标函数后，对联合目标函数进行求解后得到基于时序漂移矩阵分解模型，输入的用户信息后可进行项目推荐。本发明考虑并结合了用户的时序动态偏好演变以及用户过去行为对当前行为的影响关系进行建模，通过构建辅助矩阵捕捉用户两个时期之间演变关系，引入时间影响因子平衡当前和过去行为的影响，并在三个实验数据集中和基线方法对比测试均取得较好的仿真推荐效果，以说明本发明具有更优越的有效性。
-
公开(公告)号：CN113761204A
公开(公告)日：2021-12-07
申请号：CN202111039708.4
申请日：2021-09-06
Applicant: 南京大学
Abstract: 一种基于深度学习的emoji文本情感分析方法及系统，包括：1、采集带有emoji的独立用户生成文本；2、对独立用户生成文本进行筛选后得到原始数据集；3、对原始数据集进行series、classes以及veils三个维度的向量封装，并得到标签labels；4、将series向量以及其对应的classes、veils向量和labels按比例划分为训练集、验证集以及测试集；5、构建emoji文本情感分析模型；6、将训练集的series、classes、veils向量以及labels输入至emoji文本情感分析模型进行训练；7、将测试集输入至训练好的emoji文本情感分析模型之后再进行聚类，得到最终的结果。本发明还公开了与所公开方法对应的系统。本发明不引入任何对emoji的先验理解，充分保留文本原来的情绪信息并不做任何破坏，公开的模型比现有模型更准确、细分度更高。
-
公开(公告)号：CN106156894A
公开(公告)日：2016-11-23
申请号：CN201610576289.0
申请日：2016-07-21
Abstract: 本发明公开了一种基于倒向回归方程的应用电力大数据预测GDP的方法：步骤1、采集历史数据；步骤2、进行变量设置；步骤3、对工业企业用电量、GDP等变量进行对数差分处理；步骤4、设置正向回归方程并进行参数估计；步骤5、利用估计的参数推导倒向回归方程模型：则下一期GDP的预测值GDPt+1的计算公式为：GDPt+1＝GDPt·exp(gdpt+1)。利用正向回归方程的参数估计值推导倒向回归方程，解构电力数据并以此预测地区经济发展情况，为电力与经济主管部门提供有效的建模方法及决策参考。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.017 seconds)
