-
公开(公告)号：CN118430651A
公开(公告)日：2024-08-02
申请号：CN202410503680.2
申请日：2024-04-24
Applicant: 哈尔滨工业大学
IPC: G16B30/10 , G16B40/00 , G16B50/30 , G06F16/901 , G06F16/9032
Abstract: 本发明提出了一种网络生物数据物种分类识别系统，包括文件类型识别模块、索引构建模块、序列比对与分类模块、物种分类识别比对结果分析模块。索引构建模块允许用户根据需要调节系统的审查严格程度与速度，通过选择增加或减少参考物种的数量来构建索引。序列比对和分类模块通过采用多线程架构和高效的优化的比对算法，生成标准的SAM格式结果。数据统计和分析模块进一步分析这些结果，使用最近公共祖先(LCA)算法确保提供准确的物种识别信息。该系统利用深度学习技术与基于规则的方法识别传入的生物数据文件类型，确保只处理目标生物数据，优化了生物数据的处理流程，提高了数据处理的效率和精确性，特别适合需要高度数据安全和快速响应的应用场景。
-
公开(公告)号：CN118280450A
公开(公告)日：2024-07-02
申请号：CN202410462001.1
申请日：2024-04-17
Applicant: 哈尔滨工业大学
Abstract: 基于双通道异构网络特征表示策略的microRNA‑药物敏感性预测方法及设备，属于生物信息学与化学信息学交叉技术领域。为了解决现有的microRNA‑药物敏感性预测方法存在不能充分整合异质网络中的复杂互作信息从而导致精度不足的问题。本发明首先从数据中构建miRNA序列相似性数据集以及药物SMILES结构相似性数据集，组成异构网络；然后提取双通道特征，并自适应地对特征进行融合处理；最后通过特征嵌入，添加全局节点，构建能够查询出miRNA‑药物敏感性相互作用强弱程度得分的预测模型。本发明进一步挖掘了miRNA、药物特征之间的关联信息，能够高性能miRNA‑药物敏感性相互作用预测效果。
-
公开(公告)号：CN106093783A
公开(公告)日：2016-11-09
申请号：CN201610388922.3
申请日：2016-06-03
Applicant: 哈尔滨工业大学
IPC: G01R31/36
Abstract: 本发明公开了一种卡尔曼滤波与数据驱动融合的电池SOC估计方法，属于电池SOC估计方法技术领域。本发明提出一种噪声方差可变的卡尔曼滤波与最小二乘支持向量机融合的方法(Varied Variance Kalman Filter‑Least Square Support Vector Machine，VVKF‑LSSVM)，以KF的两个方程为根据，每次迭代时设置最适应当前系统状态的噪声方差，克服了卡尔曼滤波噪声方差初值依靠人为经验设定造成精度下降的问题。选用最小二乘支持向量机(Least Square Support Vector Machine，LS‑SVM)作为KF的量测方程从数据角度出发，通过简单样本库的构建完成了适应于多种电池的SOC估计方法，并通过动态建模提高了估计精度。分别使用NASA、CACLE锂电池数据集的部分数据进行实验证明了VVKF较KF的优越性以及整体方法对于锂电池SOC估计的有效性。
-
公开(公告)号：CN104182596A
公开(公告)日：2014-12-03
申请号：CN201410471713.6
申请日：2014-09-16
Applicant: 哈尔滨工业大学
IPC: G06F17/50
Abstract: 一种基于LabVIEW与Matlab混合编程的无线数传设备测试数据挖掘系统及方法，本发明涉及测试数据挖掘系统及方法，本发明要解决人工辨识方法很难对测试数据之间的关联性进行准确识别与提取且工作量较大、使用LabVIEW困难以及Matlab的图形用户界面操作简便、图形美观不如LabVIEW的问题，该系统包括数据预处理模块、参量序列提取模块、波形显示模块、灰色关联分析模块和模糊关联规则挖掘模块；该系统按照以下步骤进行的：1得到精简数组；2对双精度数值型数据进行图形化显示；3计算改进灰色关联度r*i；4将强关联规则数组表达规则进行整理；5得出参量序列之间的关联关系；本发明应用于测试数据挖掘领域。
-
公开(公告)号：CN115631847B
公开(公告)日：2023-07-14
申请号：CN202211280689.9
申请日：2022-10-19
Applicant: 哈尔滨工业大学
IPC: G16H50/20 , G06F18/25 , G06F18/241 , G06V10/82 , G06N20/20
Abstract: 基于多组学特征的早期肺癌诊断系统、存储介质及设备，属于癌症诊断技术领域。为了解决仅使用临床图像的早期肺癌筛查存在准确率较低的问题。本发明所述系统包括针对转化为矩阵形式的影像学数据并分别利用卷积神经网络CNN和深度神经网络DNN进行预测的神经网络预测单元、针对每个组学特征，利用图卷积网络得到全局基因关系矩阵的加权的特征矩阵进而获得多组学特征的组学特征处理单元，以及针对多组学数据分别使用多分类器进行预测的分类器预测单元。本发明适用于早期肺癌诊断。
-
Patent Agency Ranking
公开(公告)号：CN110349619A
公开(公告)日：2019-10-18
申请号：CN201910043415.X
申请日：2019-01-17
Applicant: 哈尔滨工业大学
IPC: G16B5/00
Abstract: 本发明提供了基于相似度计算的疾病与代谢物网络构建方法，属于疾病与代谢物相似度网络构建领域。本发明网络构建方法为：获取不同疾病和代谢物的信息；获取与疾病相关的已知代谢物；使用InfD-isSim方法找出不同疾病的相似性；引入MISM方法获得代谢物的相似性；建立代谢物相似性的网络；通过随机游走发现新的疾病-代谢物的关系。本发明通过该方法可以得知更多与疾病相关的潜在代谢物，对于临床诊断、治疗以及开发新靶向药物具有极其重要的意义；采用该种方法，可以免去生物实验的高昂成本以及效率低下；通过该方法确定某种疾病的前几位候选代谢物，再通过生物实验验证是一种既高效又省钱的方法。
-
公开(公告)号：CN109920477A
公开(公告)日：2019-06-21
申请号：CN201910141392.6
申请日：2019-02-26
Applicant: 哈尔滨工业大学
Abstract: 本发明提供了一种基于Adaboost与BP神经网络融合的多物种Pre-microRNA真伪识别方法，属于多物种Pre-microRNA真伪识别技术领域。本发明提取N-Gram频率、能量特征、基于结构多样性的特征和三重结构序列；通过提取的特征及其相应的标签建立N个BP网络分类器；在训练和建立分类器时，每个分类器将获得相应的权重；最后，通过组合这些N个权重分布的分类器获得了强分类器。本发明不仅可以识别出Pre-microRNA的真伪，还可以识别出其所属物种；可以有效地克服输出不稳定和过拟合现象的缺陷，通过整合多分类器获得了强大的分类器；并且分类器的准确性高于其他方法。
-
公开(公告)号：CN109872773A
公开(公告)日：2019-06-11
申请号：CN201910141438.4
申请日：2019-02-26
Applicant: 哈尔滨工业大学
Abstract: 本发明提供了一种基于Adaboost、BP神经网络和随机森林融合的mirco-RNA前体识别方法，属于mirco-RNA前体识别方法技术领域。本发明从pre-miRNA序列中提取N个特征；通过提取特征及其相应的标签建立N/2个BP分类器和N/2个RF分类器；在训练和建立分类器时，计算每个分类器获得的相应权重；通过组合弱权重分布的分类器获得强分类器。本发明可以避免传统BP神经网络和RF算法分类器过度拟合和不稳定的缺点，整合了多个弱分类器并将权重分配给它们；最后，获得了具有高精度和稳定性的强分类器，可以获得高预测准确度。
-
公开(公告)号：CN115631849B
公开(公告)日：2023-04-28
申请号：CN202211291501.0
申请日：2022-10-19
Applicant: 哈尔滨工业大学
Abstract: 基于深度神经网络的乳腺癌预后指示系统、存储介质及设备，属于癌症预后指示技术领域。本发明为了解决现有的乳腺癌预后预测准确率有待于提高的问题。本发明根据用户输入实例对应的组学特征在TCGA数据库中获取相同的全部乳腺癌实例的组学特征，然后针对每个组学数据分别计算特征的肯德尔相关系数矩阵，根据相关系数矩阵确定全局基因相似系数矩阵及最相近基因相似系数矩阵，并通过迭代计算多组学特征相似性融合矩阵进而获得多组学特征的全局相似性，之后根据非负矩阵分解的方式对其进行分解，根据分解结果对用户取户输入的组学特征进行加权，然后利用机器学习模型进行乳腺癌预后预测。本发明用于乳腺癌的预后指示。
-
公开(公告)号：CN115641955A
公开(公告)日：2023-01-24
申请号：CN202211280416.4
申请日：2022-10-19
Applicant: 哈尔滨工业大学
Abstract: 基于深度学习的胃癌分期判别系统及存储介质，属于癌症辅助判识技术领域。本发明为了解决现有的胃癌分期判别准确率低的问题，本发明首先通过组学特征相关系数计算单元对单一组学特征或多组学计算每个组学的任意两个基因的特征相似性系数，并得到组学特征矩阵；然后通过胃癌标记基因筛选单元：计算图注意力网络中节点i和节点j的注意力系数，计算出q个基因与其它所有基因的注意力系数之后针对每个基因选取其中系数最高的前r个作为参数，并与用户输入的原始数据加权，得到特征矩阵Sq*r；胃癌分期预测单元基于该特征矩阵，利用神经网络对胃癌分期进行预测。本发明用于胃癌的分期判别。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.022 seconds)
