-
公开(公告)号：CN113762351B
公开(公告)日：2023-12-05
申请号：CN202110923976.6
申请日：2021-08-12
Applicant: 吉林大学
IPC: G06F18/214 , G06N3/044 , G06N3/084 , G06Q10/04
Abstract: 本发明公开了一种基于深层过渡网络的空气质量预测方法，为了提取空气质量数据的深层次空间特征与时间特征，提出了基于辅助信息和深层过渡网络的空气质量预测模型(AI‑DTN)，它包含正反不同方向的两个过渡网络，分别从正反两种时间序列方向上提取特征信息，以增强特征提取的程度。AI‑DTN中的每个过渡网络提取空间特征的融合辅助信息的门控循环单元AI‑GRU和现有的提取时间特征的过渡门控循环单元T‑GRU所组成。AI‑GRU的两种门控中，一个控制辅助信息流入门控循环单元的程度，另一个控制PM2.5与辅助信息的融合程度，这种门控机制可以避免信息融合过程中的相互干扰。
-
公开(公告)号：CN113762351A
公开(公告)日：2021-12-07
申请号：CN202110923976.6
申请日：2021-08-12
Applicant: 吉林大学
Abstract: 本发明公开了一种基于深层过渡网络的空气质量预测方法，为了提取空气质量数据的深层次空间特征与时间特征，提出了基于辅助信息和深层过渡网络的空气质量预测模型(AI‑DTN)，它包含正反不同方向的两个过渡网络，分别从正反两种时间序列方向上提取特征信息，以增强特征提取的程度。AI‑DTN中的每个过渡网络提取空间特征的融合辅助信息的门控循环单元AI‑GRU和现有的提取时间特征的过渡门控循环单元T‑GRU所组成。AI‑GRU的两种门控中，一个控制辅助信息流入门控循环单元的程度，另一个控制PM2.5与辅助信息的融合程度，这种门控机制可以避免信息融合过程中的相互干扰。
-
公开(公告)号：CN103699695B
公开(公告)日：2017-02-01
申请号：CN201410014995.7
申请日：2014-01-14
Applicant: 吉林大学
IPC: G06F17/30
Abstract: 基于中心法的自适应文本聚类算法是一种迭代分割聚类算法，迭代之前，算法首先初始化相关参数，然后随机将数据集分割为大小相同的一组聚簇，并计算每个聚簇的CFC向量；在此之后，算法进入迭代过程，在进入迭代过程之后，每次迭代过程包括下列主要步骤：根据每个文本和不同聚簇的CFC向量的相似度重新组织每个文本，以得到新的一组聚簇；在重新组织每个文本之后，重新计算每个非空聚簇的CFC向量；判定算法是否满足终止条件，若满足则终止，否则继续进行迭代过程；具有如下主要优点：（1）方法简单，易于实现（；2）具有自适应性。
-
公开(公告)号：CN103699695A
公开(公告)日：2014-04-02
申请号：CN201410014995.7
申请日：2014-01-14
Applicant: 吉林大学
IPC: G06F17/30
CPC classification number: G06F17/30705
Abstract: 基于中心法的自适应文本聚类算法是一种迭代分割聚类算法，迭代之前，算法首先初始化相关参数，然后随机将数据集分割为大小相同的一组聚簇，并计算每个聚簇的CFC向量；在此之后，算法进入迭代过程，在进入迭代过程之后，每次迭代过程包括下列主要步骤：根据每个文本和不同聚簇的CFC向量的相似度重新组织每个文本，以得到新的一组聚簇；在重新组织每个文本之后，重新计算每个非空聚簇的CFC向量；判定算法是否满足终止条件，若满足则终止，否则继续进行迭代过程；具有如下主要优点：（1）方法简单，易于实现；（2）具有自适应性。
-
公开(公告)号：CN118095390A
公开(公告)日：2024-05-28
申请号：CN202410115171.2
申请日：2024-01-26
Applicant: 吉林大学
IPC: G06N3/08 , G06N3/0455 , G06N3/047 , G06N3/0475 , G06T11/00 , G06V40/16 , G06V10/44
Abstract: 本发明涉及图像处理技术领域，特别是指一种熵正则化最优传输的变分自编码器表征学习方法及装置，包括：获取原始图像；构建变分自编码器，对变分自编码器进行基于熵正则化的最优传输的表征学习，获得改进后的变分自编码器；将原始图像输入至改进后的变分自编码器，输出特征图像。本发明使用一种简单的对偶随机梯度算法求解熵正则化后的对偶最优传输距离。其收敛速度不仅比辛克豪恩算法更快，而且也能支持大量的数据计算。同时，最优传输距离克服了KL散度在计算时的缺点，同时最优传输距离考虑了底层数据的几何结构，并根据数据样本之间的实际距离计算两个分布之间的差异，提高了表征学习的效果。
-
Patent Agency Ranking
公开(公告)号：CN117648602A
公开(公告)日：2024-03-05
申请号：CN202311582355.1
申请日：2023-11-24
Applicant: 吉林大学
IPC: G06F18/24 , G06V10/764 , G06V20/70 , G06N20/20
Abstract: 本发明涉及计算机应用技术领域，特别是指一种基于联合学习框架的Wasserstein偏多标记学习方法及装置。一种基于联合学习框架的Wasserstein偏多标记学习方法包括：根据不可靠众包的标记图像，获得带有噪声图像；将带有噪声图像进行数据转换，获得矩阵数据；对矩阵数据进行预处理，获得处理后矩阵数据；基于联合学习框架以及Wasserstein距离进行模型构建，获得多标签分类模型；使用处理后矩阵数据，对多标签分类模型进行训练，获得最优多标签分类模型；获取待标记图像；将待标记图像输入最优多标签分类模型，获得标注图像。本发明是一种基于噪声标签的产生原因和改进欧氏距离的准确、高效的偏多标记学习方法。
-
公开(公告)号：CN116152229B
公开(公告)日：2023-07-11
申请号：CN202310397924.9
申请日：2023-04-14
Applicant: 吉林大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提供一种糖尿病视网膜病变诊断模型的构建方法及诊断模型，属于深度学习技术领域。所述构建方法包括：获取眼底图像并进行预处理，得到输入图；将输入图输入骨干网络进行特征提取，得到包含高级特征的特征图；设计改进的分类器，将特征图输入改进的分类器，经过计算分别得到一个分类预测结果和一个回归预测结果；设计相对位置损失函数附加项，上一步骤中的分类预测结果用于计算交叉熵损失函数，回归预测结果用于计算相对位置损失函数附加项；交叉熵损失函数和相对位置损失函数附加项相结合得到最终的联合损失函数，以实现诊断模型的构建。本发明构建的模型能够对糖尿病视网膜病变过程连续性信息进行学习，显著提升模型性能。
-
公开(公告)号：CN118820957B
公开(公告)日：2024-11-15
申请号：CN202411298499.9
申请日：2024-09-18
Applicant: 吉林大学
IPC: G06F18/2415 , G06F18/2431 , G06F18/213 , G06F18/25 , G06F40/284 , G06N3/045 , G06N3/084 , G06N3/094
Abstract: 本发明适用于假新闻检测技术领域，提供了一种多领域假新闻智能检测方法，包括以下步骤：获取历史新闻数据，拆分训练数据，验证数据与测试数据；数据预处理；构建双分支领域对抗网络模型；构建模型整体目标函数；模型训练；待识别假新闻智能识别，实时监控、预警。本发明实际应用于各领域网络平台假新闻内容检测场景下具有切实的实际意义，为加强网络生态环境治理提供了技术支撑。本发明提供的方法解决了因单一领域数据稀疏导致模型无法训练的问题，同时提升模型的检测性能。在监控系统的作用下，可以提升假新闻检测效率，缓解人工压力，避免信息错漏，为假新闻进一步治理提供帮助。
-
公开(公告)号：CN115458174A
公开(公告)日：2022-12-09
申请号：CN202211142980.X
申请日：2022-09-20
Applicant: 吉林大学
Abstract: 本发明公开了一种糖尿病视网膜病变智能诊断模型的构建方法，针对DR的疾病分期等级特点，为了能够使模型能在无标注数据下挖掘出先验知识辅助DR智能诊断模型，并用于早期的DR检测，本发明将自监督对比学习和监督深度学习结合，改进DNN的训练过程，提出了一种糖尿病视网膜病变智能诊断模型的构建方法。所述构建方法包括数据的预处理、前置任务和下游任务。预处理是为了提升数据的质量，将图像进行降噪与归一化处理。前置任务是一个无监督的模型预训练过程，作用是从无标记的数据集中挖掘先验知识，以此辅助模型训练。下游任务是一个有监督的分类模型微调过程，利用先验知识提升模型训练质量，进而提升模型在少量标记数据训练下的DR分类性能。
-
公开(公告)号：CN103714261B
公开(公告)日：2017-02-15
申请号：CN201410014993.8
申请日：2014-01-14
Applicant: 吉林大学
IPC: G06F19/00
Abstract: 一种二阶段混合模型的智能辅助医疗决策支持方法，包括下列主要步骤：基于减聚类方法，对真实的医疗样本数据信息进行加权预处理，将非线性不可分的特征空间转化为可分的线性数据特征空间；基于高效的极限学习机模型，利用预处理得到的加权特征数据，通过数据自学习构建医疗决策支持模型；基于构建的学习模型，采用真实的医疗数据，对研究对象进行分类预测，从而实现为目标用户提供可靠高效的辅助预测支持，主要优点：(1)方法简单，易于实现，并且能产生准确度很高的预测结果；(2)该方法涉及的参数较少，且参数影响较小，即需要人为干预较少，便于操作；(3)该方法计算速度极快，效率高。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.014 seconds)
