公开(公告)号：CN116994093A

公开(公告)日：2023-11-03

申请号：CN202310968428.4

申请日：2023-08-02

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  杨蕴弘 ,  宋璎珞

IPC: G06V10/774 ,  G06V10/82 ,  G06V10/764 ,  G06V10/74 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明基于对偶图卷积神经网络的高光谱图像分类方法属于图像分类技术领域；该方法依次执行以下步骤：步骤a、输入待分类的高光谱图像，并使用主成分分析方法去除光谱冗余；步骤b、利用不同窗口尺寸的滑窗进行裁剪，将去除光谱冗余的高光谱图像划分为训练样本、验证样本和测试样本；步骤c、将训练样本输入到残差连接和深度可分离卷积构造的DPRN(Deep Pyramidal Residual Networks,深度金字塔残差网络)，进行浅层特征提取；步骤d、将提取的浅层特征输入DGCN(Dual Graph Convolutional Network,对偶图卷积网络)中，利用对偶图结构进一步提取深层特征；步骤e、采用随机梯度下降法进行模型参数训练，将深层特征输入softmax层得到分类结果；本发明利用对偶图卷积网络充分提取了高光谱图像的光谱‑空间维度信息，提高了高光谱图像的分类精度。

公开(公告)号：CN114896169A

公开(公告)日：2022-08-12

申请号：CN202210677415.7

申请日：2022-06-15

Applicant: 哈尔滨理工大学

Inventor： 王爱丽 ,  杨林林 ,  杨蕴弘

IPC: G06F11/36 ,  G06N20/00 ,  G06N3/04 ,  G06N3/08 ,  G06K9/62

Abstract: 本发明公开了一种基于联邦原型学习的异构软件缺陷预测方法，该方法包括：联邦参与方对度量元数据使用单边选择OSS(One‑Sided Selection)方法去除异常样本点；对去除异常样本点后的度量元数据进行缺陷率统计获得特征数据；利用卡方检验(chi‑square test)方法对特征数据筛选获得最优特征子集；将最优特征子集输入本地模型，生成预测标签和同类样本嵌入向量均值表示的局部原型；服务器对局部原型平均聚合得到全局原型，并将全局原型返回参与方；参与方利用全局原型正则化局部模型参数；利用测试样本的嵌入向量与全局原型的最短欧氏距离进行分类，获得分类结果。本发明在软件缺陷预测领域存在数据孤岛的背景下，以联邦学习和原型学习为理论基础，采用OSS方法去除异常样本点和卡方检验特征选择方法，在实现联邦通信过程中的数据隐私保护的基础上，有效提高软件缺陷预测模型的分类精度。