-
公开(公告)号：CN113592379B
公开(公告)日：2024-05-14
申请号：CN202110710054.7
申请日：2021-06-25
Applicant: 南京财经大学 , 云境商务智能研究院南京有限公司
IPC: G06Q10/083 , G06F18/214 , G06F18/2411
Abstract: 本发明公开了一种散粮集装箱物流运输环境异常检测的关键特征识别方法，首先构建异常识别的数据样本集、关键特征排序集，初始化特征集合指标集；然后构建训练样本集，训练线性分类模型SVM‑train，计算排序系数；接着找出获取排序系数最大的特征，并从特征集合指标集中消除该特征，更新特征集合指标集和关键特征排序集，直至特征集合指标集为空集；本发明提供的关键特征识别方法使用递归特征消除方法每次迭代删除得分最高的权值系数对应的特征，使线性SVM模型在剩余特征子集上训练得到的间隔最大化，能够快速识别散粮集装箱物流运输环境状态相关的“关键特征”，并得到所有特征对散粮集装箱物流运输环境状态影响的排名。
-
公开(公告)号：CN110929888B
公开(公告)日：2023-05-05
申请号：CN201911077982.3
申请日：2019-11-06
Applicant: 南京财经大学
IPC: G06N20/10 , G06F18/2411 , G06F18/214 , G06Q10/04 , G06Q50/02
Abstract: 本发明涉及一种粮食作物病害预测方法，尤其是一种基于支持向量机的随机紧凑高斯核的粮食作物病害预测方法，属于机器学习在粮食的预测技术领域。本发明在传统单尺度高斯核函数的支持向量机的基础上，扩展了高斯核函数的参数，提出的多尺度高斯核支持向量机，能够对其中的核函数参数随机化赋值，提升了支持向量机参数选择的效率。通过在粮食作物大豆病害标准数据集Soybean上的实验表明，与传统单尺度高斯核函数的支持向量机相比，该方法不仅能够提升大豆病害数据预测的精度，学习模型参数选取的时间仅需传统SVM高斯核方法的不到1％的时间。
-
公开(公告)号：CN112232387B
公开(公告)日：2024-02-06
申请号：CN202011046610.7
申请日：2020-09-29
Applicant: 南京财经大学
IPC: G06F18/214 , G06F18/2411 , G06Q10/0639 , G06Q50/02
Abstract: 本发明公开了一种基于LSELM‑RFE的粮食作物病害症状的有效特征识别方法，该方法首先初始化有效特征排序表和当前特征子集表，并获取当前训练样本集，接着训练最小二乘超限学习机分类器并计算特征的排序系数，找出排序得分最小的因素特征，然后更新有效特征排序表和当前特征子集表，并重复以上步骤直至当前特征子集表为空。本发明的方法相比于传统的递归特征消除类方法，只需调节学习模型参数C，能快速识别粮食作物病害症状的有效特征。通过在UCI标准数据库中的Soybean数据集上的实验表明，相比传统SVM‑RFE方法，本发明方法仅需3％的计算时间，而且仅需1个有效特征在测试集上得到最高的测试精度，识别出的特征更有效。(56)对比文件姚志凤.小麦条锈病早期检测与预测预报关键技术研究《.中国博士学位论文全文数据库 农业科技辑》.2020,(第2期),第D046-9页.
-
公开(公告)号：CN111368176B
公开(公告)日：2023-08-18
申请号：CN202010134513.7
申请日：2020-03-02
Applicant: 南京财经大学
IPC: G06F16/9532 , G06F16/9535
Abstract: 本发明公开了一种基于监督语义耦合一致的跨模态哈希检索方法及系统，该方法包括：提取各模态数据库中模态样本数据的特征，构建样本库集合；求取样本库集合中各模态样本的哈希编码；提取待检索模态数据的特征，并根据该特征求取待检索模态数据的哈希编码；对比待检索模态数据的哈希编码与各模态样本的哈希编码，对比结果符合预设条件的模态样本即作为待检索模态数据的检索结果。本发明不仅考虑了高层语义关系，同时还考虑了各个模态之间的内联耦合性，使得各个模态不仅能够监督学习到自身的哈希码，同时也能够保持各个模态间的语义一致性。本发明能够有效提升哈希码的判别力度和紧凑鲁棒性，加速模态间的检索速率，提升跨模态检索的准确率。
-
公开(公告)号：CN111351645A
公开(公告)日：2020-06-30
申请号：CN201911156283.8
申请日：2019-11-22
Applicant: 南京财经大学
IPC: G01M13/00 , G01M13/045
Abstract: 本发明为一种粮食机械设备微弱故障信号诊断方法，公开了一种时延耗散双稳态随机共振微弱特征提取方法，通过引入时延反馈项来调整双稳态势阱的高度、宽度以及势阱壁陡峭程度，最后达到弱信号增强效果。本发明使系统有效势函数随着时延反馈参数的变化而动态变化，丰富了布朗粒子的运动轨迹，提升了经典耗散双稳态系统的微弱故障特征增强提取能力，然后利用时延控制耗散双稳态随机共振方法对粮食机械设备的不同程度故障特征进行增强提取，进而实现粮食机械设备的有效故障诊断与定性分析。本发明的方法动态调整系统势函数，从而获得更大的输出信噪比和更高的特征频率谱峰。
-
Patent Agency Ranking
公开(公告)号：CN111310559A
公开(公告)日：2020-06-19
申请号：CN201911416762.9
申请日：2019-12-31
Applicant: 南京财经大学
Abstract: 本发明公开了一种可塑性时延反馈双稳态势阱的粮虫图像随机共振复原方法及系统，克服了经典双稳态随机共振系统由于短记忆导致的滤波频带受限问题。本发明将经典双稳态随机共振系统势函数中引入时延反馈控制，使得历史信息被添加至随机共振的负反馈过程中，从而消除了短记忆经典双稳态随机共振系统的滤波频带受限问题，提升了经典双稳态系统的微弱信号增强提取能力，然后利用可塑性时延反馈双稳态势阱随机共振方法对低对比度含噪粮虫图像信号进行复原增强处理，进而实现低对比度粮虫图像的有效增强与定性分析。这种方法的优点在于克服了经典双稳态系统的滤波频带受限，能获得更大的粮虫复原图像峰值信噪比和更高质量的粮虫图像复原效果。
-
公开(公告)号：CN119226344A
公开(公告)日：2024-12-31
申请号：CN202411339357.2
申请日：2024-09-25
Applicant: 南京财经大学
IPC: G06F16/2455 , G06F16/2458 , G06F16/22 , G06F18/213 , G06F18/25 , G06N3/088
Abstract: 本发明属于多模态信息处理领域，公开了大规模低质量多模态无监督哈希方法及动态流数据检索系统，为了充分挖掘大规模低质量多模态数据的强判别力哈希码，采取内层和外层组合的多层哈希码映射模式，构建了稀疏正则化多层哈希映射模型；为了融合低质量多模态数据中各种模态数据之间的独特特征内容和语义一致性特征内容，将不同模态映射对应的归约模态空间，并对各个归约模态空间内联耦合建模。本发明对上述申请方法进一步扩展到动态多模态流数据环境中，构建的动态流数据哈希函数求解器全局损失函数，能够逐步有序稳定的挖掘动态流数据语义信息，增强了低质量动态流数据哈希函数的学习判别力，实现对大规模低质量动态多模态流数据进行快速检索。
-
公开(公告)号：CN119149793A
公开(公告)日：2024-12-17
申请号：CN202411175702.3
申请日：2024-08-26
Applicant: 南京财经大学
IPC: G06F16/9035 , G06F16/901 , G06F16/41 , G06F16/435 , G06F18/213 , G06V10/44 , G06V10/82 , G06N3/0464
Abstract: 本发明属于多模态信息检索领域，公开了基于语义增强的在线多模态相似性检索方法及系统，通过对获取的多模态流数据集均等分组，得到若干批次的多媒体数据块，模拟在线多媒体数据流；构造全局目标优化函数，进行哈希码学习保存，并学习多媒体流数据投影到哈希码的哈希函数；利用哈希函数对查询样本进行解算得到查询二进制码，并将其与数据集中的哈希码进行海明距离解算，得到待检索样本对应的多模态检索结果。当大量流媒体数据动态融入数据库时，本发明能够有效降低模型学习时间复杂度和提高哈希码的判别能力，同时能够有效地解决离散二元约束问题以及在哈希码学习过程中保留更多的语义信息，实现快速精准的在线多模态语义相似性检索。
-
公开(公告)号：CN113592379A
公开(公告)日：2021-11-02
申请号：CN202110710054.7
申请日：2021-06-25
Applicant: 南京财经大学 , 云境商务智能研究院南京有限公司
Abstract: 本发明公开了一种散粮集装箱物流运输环境异常检测的关键特征识别方法，首先构建异常识别的数据样本集、关键特征排序集，初始化特征集合指标集；然后构建训练样本集，训练线性分类模型SVM‑train，计算排序系数；接着找出获取排序系数最大的特征，并从特征集合指标集中消除该特征，更新特征集合指标集和关键特征排序集，直至特征集合指标集为空集；本发明提供的关键特征识别方法使用递归特征消除方法每次迭代删除得分最高的权值系数对应的特征，使线性SVM模型在剩余特征子集上训练得到的间隔最大化，能够快速识别散粮集装箱物流运输环境状态相关的“关键特征”，并得到所有特征对散粮集装箱物流运输环境状态影响的排名。
-
公开(公告)号：CN112232388A
公开(公告)日：2021-01-15
申请号：CN202011046627.2
申请日：2020-09-29
Applicant: 南京财经大学
Abstract: 本发明公开了一种基于ELM‑RFE的购物意图关键因素识别方法，该方法首先初始化因素特征排序表和当前特征子集表，并获取当前训练样本集，接着训练超限学习机分类器并计算特征的排序系数，重复该步骤并找出排序得分最小的因素特征，然后更新关键因素排序指标和当前特征子集表，并重复以上步骤直至当前特征子集表为空。本发明的方法相比于传统的递归特征消除类方法，无需调节学习模型参数，能快速识别影响用户购物意图的最有效的因素。实验表明，相比传统的SVM‑RFE方法，本发明的方法仅需0.1％的计算时间，而且仅需3个因素特征在测试集上得到最高的测试精度。在识别用户购买意图的关键因素应用中，本发明的方法可以提升关键因素特征识别效率。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.019 seconds)
