-
公开(公告)号：CN113066537B
公开(公告)日：2022-04-08
申请号：CN202110419531.4
申请日：2021-04-19
Abstract: 本发明公开了一种基于图神经网络的化合物分类方法，用于解决现有分类方法忽略了化合物分类中的结构信息导致分类结果不准确和分类效率较低的问题。本发明的步骤为：(1)构建两个图神经网络；(2)生成带有类别标签的训练集和不带有类别标签的训练集；(3)训练两个图神经网络；(4)对不包含类别标签的化合物进行分类。本发明搭建并训练了两个图神经网络，能更好地捕获化合物中所蕴含的结构信息，采用预训练、协同训练与自训练方法使得本发明在处理具有复杂信息的化合物时有着较短的处理时间和较高的化合物分类准确率。
-
公开(公告)号：CN112446542B
公开(公告)日：2023-04-07
申请号：CN202011370857.4
申请日：2020-11-30
IPC: G06Q10/04 , G06Q50/00 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于注意力神经网络的社交网络链路预测方法，其步骤为：(1)构建注意力神经网络；(2)生成社交网络训练集；(3)对训练集采样；(4)训练注意力神经网络；(5)对社交网络样本进行链路预测。本发明搭建并训练了一个注意力神经网络，能更好地捕获社交网络的动态结构信息，采用注意力使得本发明在处理具有复杂信息的社交网络时有着较短的处理时间和较高的链路预测准确率。
-
公开(公告)号：CN113066528B
公开(公告)日：2022-07-19
申请号：CN202110389844.X
申请日：2021-04-12
Abstract: 本发明公开了一种基于主动半监督图神经网络的蛋白质分类方法。其步骤为：(1)生成蛋白质训练集与测试集；(2)构建图神经网络；(3)训练图神经网络；(4)对无标签蛋白质样本进行预测。本发明克服了现有技术中获取大量标记蛋白质样本作为训练集的成本太高，而标记蛋白质样本数量稀缺会导致模型训练效果差的不足，采用主动学习和半监督学习的方法，选取测试集中的样本进行伪标记扩充训练集，使得本发明在处理大量无标记蛋白质时有着较短的处理时间和较大的空间利用率。
-
公开(公告)号：CN113066537A
公开(公告)日：2021-07-02
申请号：CN202110419531.4
申请日：2021-04-19
Abstract: 本发明公开了一种基于图神经网络的化合物分类方法，用于解决现有分类方法忽略了化合物分类中的结构信息导致分类结果不准确和分类效率较低的问题。本发明的步骤为：(1)构建两个图神经网络；(2)生成带有类别标签的训练集和不带有类别标签的训练集；(3)训练两个图神经网络；(4)对不包含类别标签的化合物进行分类。本发明搭建并训练了两个图神经网络，能更好地捕获化合物中所蕴含的结构信息，采用预训练、协同训练与自训练方法使得本发明在处理具有复杂信息的化合物时有着较短的处理时间和较高的化合物分类准确率。
-
公开(公告)号：CN113066528A
公开(公告)日：2021-07-02
申请号：CN202110389844.X
申请日：2021-04-12
Abstract: 本发明公开了一种基于主动半监督图神经网络的蛋白质分类方法。其步骤为：(1)生成蛋白质训练集与测试集；(2)构建图神经网络；(3)训练图神经网络；(4)对无标签蛋白质样本进行预测。本发明克服了现有技术中获取大量标记蛋白质样本作为训练集的成本太高，而标记蛋白质样本数量稀缺会导致模型训练效果差的不足，采用主动学习和半监督学习的方法，选取测试集中的样本进行伪标记扩充训练集，使得本发明在处理大量无标记蛋白质时有着较短的处理时间和较大的空间利用率。
-
Patent Agency Ranking
公开(公告)号：CN112052940B
公开(公告)日：2023-11-24
申请号：CN202010873148.1
申请日：2020-08-26
Applicant: 西安电子科技大学
IPC: G06F18/213 , G06F18/22 , G06F18/2415 , G06N3/094 , G06N3/0475 , G06N3/0455 , G06N3/047 , G06N3/048 , G06N3/0895 , G06N3/084 , G06Q50/00
Abstract: 本发明公开了一种基于向量压缩与重构的社交网络特征动态提取方法。其步骤为：(1)生成训练集；(2)构建深度半监督自编码器网络；(3)构造生成对抗网络；(4)训练网络；(5)在生成对抗网络中完成对社交网络的动态特征提取。本发明搭建并训练了深度半监督自编码器网络，能更好地捕获高阶的社交网络结构信息，基于生成对抗网络的动态特征提取方法，使得本发明在处理大型社交网络时有着较短的处理时间和较大的空间利用率。
-
公开(公告)号：CN112052940A
公开(公告)日：2020-12-08
申请号：CN202010873148.1
申请日：2020-08-26
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于向量压缩与重构的社交网络特征动态提取方法。其步骤为：(1)生成训练集；(2)构建深度半监督自编码器网络；(3)构造生成对抗网络；(4)训练网络；(5)在生成对抗网络中完成对社交网络的动态特征提取。本发明搭建并训练了深度半监督自编码器网络，能更好地捕获高阶的社交网络结构信息，基于生成对抗网络的动态特征提取方法，使得本发明在处理大型社交网络时有着较短的处理时间和较大的空间利用率。
-
公开(公告)号：CN109634600A
公开(公告)日：2019-04-16
申请号：CN201811273773.1
申请日：2018-10-30
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于安全扩展SysML和AADL模型的代码生成方法，用于在面对实现高安全性的实时响应系统时，利用安全扩展的SysML以及AADL模型将待转换的系统需求转换为结构化语言代码，本发明提供的方法首先对SysML进行安全性扩展，支持嵌入式实时系统对安全性的描述；加入了形式化验证方法，尽可能提早发现错误并及时更正，避免将设计错误传播到下一个阶段；通过本发明提供的方法进行代码转换，提高了代码转换的准确率并节省了人力。
-
公开(公告)号：CN102208117A
公开(公告)日：2011-10-05
申请号：CN201110114628.0
申请日：2011-05-04
Applicant: 西安电子科技大学
IPC: G06T17/00
Abstract: 本发明提出一种脊椎的三维几何与有限元混合模型的构建方法，属医学图像处理技术领域。构建过程为：输入脊椎的CT图像；对CT图像进行三维重建和三维切割，得到脊椎三维图像集；建立三维几何形态统计模型，首先对脊椎的特征点定义和手动标定，再对脊椎图像进行对齐和配准，然后对样本集进行训练，得到统计模型；生成有限元模型，将统计模型进行导入，首先生成表面网格模型，然后生成体网格模型；该模型可以直接导入到有限元分析软件中进行生物力学分析。本发明既能够精确描述脊椎的几何外形，又保证有限元分析结果的准确性，提高脊椎模型的精确度，使用方便，便于对脊椎部位的形状和受力进行科学计量。可用于外科医学领域中与脊柱和脊椎相关的研究。
-
公开(公告)号：CN118278952A
公开(公告)日：2024-07-02
申请号：CN202410473220.X
申请日：2024-04-19
Applicant: 西安电子科技大学
IPC: G06Q30/018 , G06Q40/03 , G06N3/0455 , G06N3/0895 , G06N3/098
Abstract: 本发明提出了一种基于对比学习和联邦半监督学习的金融欺诈行为检测方法，实现步骤为：获取训练和测试样本集；服务器构建联邦半监督学习全局模型并对进行迭代预训练；每个客户端对本地模型进行训练后服务器获取训练好的全局模型；获取金融交易行为检测结果。本发明对比学习模块中的第一编码器对第一增强视图进行特征提取，表示器对所提取的表征向量进行线性映射，基于对比学习和对比正则化的方法，充分学习图像表征，能够从空间上拉近同一图像不同视图表征的距离，并推远不同图像视图表征的距离，使模型能够识别同类图像的共同特征，并区分不同类图像的不同特征，且基于联邦半监督学习方法能够提供丰富数据分布，进而提高了检测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.045 seconds)
