公开(公告)号：CN118333131B

公开(公告)日：2025-04-18

申请号：CN202410350723.8

申请日：2024-03-26

Applicant: 四川大学 ,  中国核动力研究设计院

Inventor： 彭德中 ,  于洋 ,  刘东 ,  秦阳 ,  庞志鑫 ,  孙元 ,  段思远

IPC: G06N3/0895 ,  G06N3/0499 ,  G06N3/0442 ,  G06F18/214 ,  G06F18/24

Abstract: 本发明公开一种基于半监督学习的判别回归流场预测方法，包括以下步骤：获取半监督流场预测数据集；构建基于神经网络的深度流场预测模型；通过预热策略获得初步收敛的深度流场预测模型；利用神经网络记忆效应划分难样本、简单样本数据集；利用判别回归方法训练优化深度流场预测模型；利用深度流场预测模型执行预测，获取回归测试结果。本发明利用神经网络记忆效用实现判别回归预测方法，缓解流场预测半监督学习过拟合的问题；通过将伪标注和真实标注的样本混合，并利用GMM将样本划分为难易样本，有利于后续采取不同的学习策略来增强模型的判别性，进而提高性能；同时利用优化的深度流场预测模型计算样本的预测值，获取回归测试结果。

公开(公告)号：CN118333131A

公开(公告)日：2024-07-12

申请号：CN202410350723.8

申请日：2024-03-26

Applicant: 四川大学 ,  中国核动力研究设计院

Inventor： 彭德中 ,  于洋 ,  刘东 ,  秦阳 ,  庞志鑫 ,  孙元 ,  段思远

IPC: G06N3/0895 ,  G06N3/0499 ,  G06N3/0442 ,  G06F18/214 ,  G06F18/24

Abstract: 本发明公开一种基于半监督学习的判别回归流场预测方法，包括以下步骤：获取半监督流场预测数据集；构建基于神经网络的深度流场预测模型；通过预热策略获得初步收敛的深度流场预测模型；利用神经网络记忆效应划分难样本、简单样本数据集；利用判别回归方法训练优化深度流场预测模型；利用深度流场预测模型执行预测，获取回归测试结果。本发明利用神经网络记忆效用实现判别回归预测方法，缓解流场预测半监督学习过拟合的问题；通过将伪标注和真实标注的样本混合，并利用GMM将样本划分为难易样本，有利于后续采取不同的学习策略来增强模型的判别性，进而提高性能；同时利用优化的深度流场预测模型计算样本的预测值，获取回归测试结果。

公开(公告)号：CN119312091A

公开(公告)日：2025-01-14

申请号：CN202411341151.3

申请日：2024-09-25

Applicant: 四川大学

Inventor： 彭德中 ,  刘东 ,  孙元 ,  于洋 ,  吴汶远 ,  段思远

IPC: G06F18/214 ,  G06F18/15 ,  G06N3/043 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明公开了一种基于深度模糊物理信息神经网络的物理场预测方法，包括以下步骤：S1、采集物理场数据，对存在噪声的数据进行预处理，得到处理后的训练数据集Dtrain和测试数据集Dtest；S2、构建深度模糊物理信息神经网络模型；S3、输入带有高斯噪声的物理场训练数据集和其对应的偏微分方程，对神经网络模型进行训练，得到训练完成的神经网络模型；S4、通过训练完的神经网络模型计算测试数据集中不同时空坐标下的物理量，实现物理场预测；本发明解决了现有的物理信息神经网络方法没有考虑到训练数据集中存在噪声的情况，在噪声数据集的干扰下深度神经网络模型的训练效果不佳，无法准确地学习到偏微分方程中的物理信息，从而导致物理场预测性能严重下降的问题。

公开(公告)号：CN119557730A

公开(公告)日：2025-03-04

申请号：CN202411642626.2

申请日：2024-11-18

Applicant: 四川大学 ,  四川鹏旭斯特科技有限公司

Inventor： 彭德中 ,  苏超 ,  孙元 ,  胡鹏 ,  王旭 ,  孔中 ,  张良 ,  秦阳 ,  段思远 ,  刘浩然 ,  刘杰 ,  付俊英

IPC: G06F18/241 ,  G06F18/22 ,  G06F18/2431 ,  G06F18/2415 ,  G06F16/583 ,  G06F16/58 ,  G06F16/55

Abstract: 本发明公开了一种面向部分标签的多模态学习方法、系统及存储介质，包括以下步骤：S1：处理包括图像和对应文本描述的训练数据集，得到具有部分标签的训练数据集；S2：根据处理后的训练数据集构建面向部分标签的多模态学习模型用于跨模态检索；S3：向多模态学习模型输入需要检索的数据模态，并计算其与检索库中数据的相似性；S4：根据计算的数据相似性进行相似性排序，输出跨模态检索结果；本发明解决了带有部分标签的跨模态检索面临的标签歧义和模态差异问题，提高了跨模态检索的准确率。

公开(公告)号：CN119557644A

公开(公告)日：2025-03-04

申请号：CN202411642621.X

申请日：2024-11-18

Applicant: 四川大学 ,  四川鹏旭斯特科技有限公司

Inventor： 彭德中 ,  蒲睿韬 ,  孙元 ,  胡鹏 ,  王旭 ,  孔中 ,  张良 ,  秦阳 ,  段思远 ,  刘浩然 ,  刘杰 ,  付俊英

IPC: G06F18/214 ,  G06F18/2431 ,  G06F18/2413

Abstract: 本发明公开了一种面向噪声标签的自步哈希多模态学习方法，包括以下步骤：S1：获取所有模态的特征数据集和标签数据集；S2：为每个类别初始化一个哈希中心；S3：使用特定于模态的子网络将每个模态特征投影至一个公共汉明空间并计算每个样本的损失，再使用自步函数区分出噪声样本的同时，再对其他样本损失进行加权，最后优化所有子网络和哈希中心；S4：重复S3优化所有子网络和哈希中心直至收敛；S5：输入各个模态的测试集样本，使用特定于模态的子网络获得哈希码；本发明不仅能够通过评估每个实例的学习难度识别出噪声实例，还能够从易到难学习汉明空间中的每个实例，使模型同时兼具更强的鲁棒性和泛化能力。