公开(公告)号：CN112085127A

公开(公告)日：2020-12-15

申请号：CN202011153006.4

申请日：2020-10-26

Applicant: 安徽大学

Inventor： 何天琪 ,  丁宏强 ,  江波

IPC: G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种混合高低阶邻居信息的半监督分类方法，包括如下步骤：A)、图卷积神经网络对一阶邻居信息进行平均聚合，进行图节点分类任务；B)、混合高阶邻接矩阵网络GCN‑H对图中不同阶数的邻居且含有不同重要信息的中心节点进行采集；C)、以右向左相乘的方式，并以稀疏矩阵的形式存储；D)、新卷积算子经过H(K+1)_b＝β4 A2HW，用于计算图像灰度函数的近似梯度；本方案提出了一个新的图卷积层使用的是邻接矩阵的多阶信息，从而使得模型能够学习更高阶的信息，能够学习更高阶的邻居信息来聚合并更新当前节点的表示，而且计算复杂度并没有提升。

公开(公告)号：CN112819046A

公开(公告)日：2021-05-18

申请号：CN202110085918.0

申请日：2021-01-22

Applicant: 安徽大学

Inventor： 张娜 ,  丁宏强 ,  王妍

IPC: G06K9/62

Abstract: 本发明公开了一种面向高维数据基于自适应鲁棒特征表示的K‑means聚类算法，包括如下步骤：A)、把特征表示过程和K‑means聚类过程同时融于一个算法模型中，实现了同时对高维数据数据进行特征表示和K‑means聚类应用；B)、使用增广拉格朗日乘子法去优化提出算法模型中的变量，其规则是当优化一个变量时，通过固定其它不相关的变量，去除目标函数中的不相关项，得到关于优化变量的解；C)、由于特征表示后的数据去除了原始高维数据中大量冗余、噪声和不相关的特征，具有最合适的数据特征和最有价值的信息，所以，K‑means聚类算法应用在特征表示后的数据上大大提高了K‑means聚类算法的性能，解决了K‑means聚类算法在面向现实世界中高维数据聚类性能降低的问题。