-
公开(公告)号：CN111626344B
公开(公告)日：2022-08-26
申请号：CN202010411275.X
申请日：2020-05-15
Applicant: 南京邮电大学
Abstract: 本发明公开了一种融合组稀疏约束和图趋势过滤的噪声容错多标签分类方法，首先，抽取训练集样本数据的特征表示，训练集中的每个样本都带有事先标注好的语义标签，并基于特征数据以及标签数据建立融合组稀疏约束和图趋势过滤的噪声容错多标签分类数学模型；其次，通过ADMM算法求解提出的数学模型，得到分类器；最后，基于学得的分类器预测未知样本的标签向量。本发明融合组稀疏约束和图趋势过滤技术解决了训练数据中同时含有特征噪声和样本噪声的情况；并通过嵌入特征选择机制同时学习标签共有特征以及标签特有特征，进一步提高了分类性能。
-
公开(公告)号：CN111626344A
公开(公告)日：2020-09-04
申请号：CN202010411275.X
申请日：2020-05-15
Applicant: 南京邮电大学
Abstract: 本发明公开了一种融合组稀疏约束和图趋势过滤的噪声容错多标签分类方法，首先，抽取训练集样本数据的特征表示，训练集中的每个样本都带有事先标注好的语义标签，并基于特征数据以及标签数据建立融合组稀疏约束和图趋势过滤的噪声容错多标签分类数学模型；其次，通过ADMM算法求解提出的数学模型，得到分类器；最后，基于学得的分类器预测未知样本的标签向量。本发明融合组稀疏约束和图趋势过滤技术解决了训练数据中同时含有特征噪声和样本噪声的情况；并通过嵌入特征选择机制同时学习标签共有特征以及标签特有特征，进一步提高了分类性能。
-
公开(公告)号：CN113658721A
公开(公告)日：2021-11-16
申请号：CN202110812104.2
申请日：2021-07-19
Applicant: 南京邮电大学
Abstract: 本发明公开了一种阿尔兹海默疾病进程预测方法，患者在固定时间间隔内测量得到多视图数据，阿尔兹海默疾病进程预测方法包括对多视图数据进行预处理；使用多视图融合神经网络处理多视图数据，得到各视图共享的隐表示矩阵；在隐表示矩阵中引入最小门控单元，以对缺失的多视图数据进行填充以及预测未来时间点的评分数据；并使用多视图数据对多视图融合神经网络和最小门控单元进行协同训练，以实现对疾病发展进程的预测。本发明通过多视图融合神经网络为每个时间点的多视图数据习得各视图间共享的隐表示矩阵，同时，最小门控单元预测得到的下一个时间点的数据用于填补缺失的数据，利用最小门控单元进行未来任意时间点的评分数据预测。
-
公开(公告)号：CN113658721B
公开(公告)日：2024-03-19
申请号：CN202110812104.2
申请日：2021-07-19
Applicant: 南京邮电大学
IPC: G16H70/60 , G16H50/70 , G06N3/0442 , G06N3/082
Abstract: 本发明公开了一种阿尔兹海默疾病进程预测方法，患者在固定时间间隔内测量得到多视图数据，阿尔兹海默疾病进程预测方法包括对多视图数据进行预处理；使用多视图融合神经网络处理多视图数据，得到各视图共享的隐表示矩阵；在隐表示矩阵中引入最小门控单元，以对缺失的多视图数据进行填充以及预测未来时间点的评分数据；并使用多视图数据对多视图融合神经网络和最小门控单元进行协同训练，以实现对疾病发展进程的预测。本发明通过多视图融合神经网络为每个时间点的多视图数据习得各视图间共享的隐表示矩阵，同时，最小门控单元预测得到的下一个时间点的数据用于填补缺失的数据，利用最小门控单元进行未来任意时间点的评分数据预测。
-
-
-
Search Results
4
records
(took 0.019 seconds)
