-
公开(公告)号：CN115310003A
公开(公告)日：2022-11-08
申请号：CN202210871528.0
申请日：2022-07-22
Applicant: 扬州大学
IPC: G06F16/9536 , G06N7/00 , G06Q50/00
Abstract: 本发明涉及信息源检测技术领域，尤其涉及一种竞争性谣言传播模型下基于最大后验估计的源定位方法，在考虑到众多现实因素的情况下，能更有效地解决单源的源定位问题，为以后最大后验概率运用于单源问题的研究提供了相应基础。该技术可以提高识别社交网络中影响力传播的源节点方面的效率，扩展了该技术在源定位问题领域的应用范围和实用性。有助于解决电脑病毒、流行病传播源的定位，污染源的定位及舆情谣言的定位。
-
公开(公告)号：CN115018662A
公开(公告)日：2022-09-06
申请号：CN202210658016.6
申请日：2022-06-10
Applicant: 扬州大学
Abstract: 本发明涉及社交网络源定位技术领域，具体涉及一种基于深度学习的多源定位方法，结合自编码网络(Auto‑Encoder,AE)进行节点特征的集成，并利用深度学习对于大量数据的优势提高了算法整体的运行效率，本发明结合时间与图中距离的相对关系，得出一种节点特征提取的方式，综合考虑节点的传播路径可能性以及时间条件，对节点特征有更为详尽的描述，保留了感染子图中大多数传播信息和性质。该方法能够使得在仅仅只获取到一部分感染信息，抽取少量观测节点时，算法就能达到相对较好的精度和较小的误差，大大降低投入成本和计算复杂度。
-
公开(公告)号：CN108804870B
公开(公告)日：2021-11-19
申请号：CN201810499870.6
申请日：2018-05-23
Applicant: 扬州大学
IPC: G16B15/20
Abstract: 本发明的目的是提供一种基于Markov随机游走的关键蛋白质识别方法，属于生物信息技术领域。基于Markov随机游走的关键蛋白质识别方法：使用Markov随机游走的思想，对每一个顶点赋予表示其重要程度的得分，所有顶点的得分构成一个n列的向量，给出得分的初始值，根据一定的概率让得分在网络中随机游走并在传递中进行修改；最终按分值由大到小排列，输出分值对应的k个蛋白质即为最后结果。本发明融合生物属性和拓扑特性提高了识别关键蛋白质的准确性，同时使预测结果更加准确，提高了预测的效率。
-
公开(公告)号：CN108804870A
公开(公告)日：2018-11-13
申请号：CN201810499870.6
申请日：2018-05-23
Applicant: 扬州大学
IPC: G06F19/16
Abstract: 本发明的目的是提供一种基于Markov随机游走的关键蛋白质识别方法，属于生物信息技术领域。基于Markov随机游走的关键蛋白质识别方法：使用Markov随机游走的思想，对每一个顶点赋予表示其重要程度的得分，所有顶点的得分构成一个n列的向量，给出得分的初始值，根据一定的概率让得分在网络中随机游走并在传递中进行修改；最终按分值由大到小排列，输出分值对应的k个蛋白质即为最后结果。本发明融合生物属性和拓扑特性提高了识别关键蛋白质的准确性，同时使预测结果更加准确，提高了预测的效率。
-
公开(公告)号：CN108073552A
公开(公告)日：2018-05-25
申请号：CN201711439468.0
申请日：2017-12-22
Applicant: 扬州大学
Abstract: 本发明涉及独立级联模型下基于最大似然的影响力最大化方法。本发明在复杂网络中确定种子节点，构造基于抽样的缩略图以及顶点分层，计算构造的缩略图中所有顶点的最大似然概率值，对所有的最大似然概率值进行排序，筛选出k个节点。本发明克服了Degree方法在识别有影响力节点方面缺乏准确性，CascadeDiscount方法计算复杂，内存消耗大且运行时间也比较长等缺陷。本发明提出一种构造缩略图的方法从而将复杂网络进行分解，按照条件筛选出包含k个节点的种子节点集合S，避免之前算法中寻找最短路径等其他条件，从而减少了许多不必要的计算，使得预测结果更加的准确，可靠性更高。
-
Patent Agency Ranking
公开(公告)号：CN118411263A
公开(公告)日：2024-07-30
申请号：CN202410337670.6
申请日：2024-03-24
Applicant: 扬州大学
Abstract: 本发明涉及一种基于MCE模型的负面信息影响快速抑制方法，首先根据信息在网络中的传播动态以及传播过程中个体对网络的影响，定义了互抵消热量模型（MCEM）。在该模型中，通过个体的异质性特征量化了节点对网络的影响，并以此建立了动态的节点间信息传播概率；其次由于个体接收信息通道的多样性，定义了信息流行度用来校正个体接收不同信息时的传播概率；考虑到个体无法分辨信息正确性从而产生的厌烦心理，节点会通过决策阈值判别是否转变为消亡状态。为了抑制负面信息的损害，提出了节点总影响优先算法（NTIP）。在该算法中，首先通过节点间传播概率计算节点最终激活概率，之后通过此概率计算每个节点的总影响，并以节点总影响作为指标选择正种子集。
-
公开(公告)号：CN113724787B
公开(公告)日：2024-05-03
申请号：CN202110856089.1
申请日：2021-07-28
Applicant: 扬州大学
Abstract: 本发明提供一种基于核心‑附件结构的蛋白质复合物识别方法，基于核心‑附件结构的蛋白质复合物识别方法使用核心‑附件（Core‑Attachment）的思想，先构建加权的动态PPI网络，随后在PPI网络中通过计算节点的相关属性找到种子节点，通过种子节点以及邻居节点从而形成蛋白质复合物的核心Core,接着为每个核心寻找合适的附件，最后删除一些重叠度较大的蛋白质复合物，得到最终预测的蛋白质复合物。该方法不但考虑了蛋白质相互作用网络的拓扑特征，同时也考虑了蛋白质的生物属性，进而克服数据噪声高所带来的负面影响。融合生物属性和拓扑特性提高了识别蛋白质复合物的准确性，同时使预测结果更加准确，提高了预测的效率。扩展了该技术在生物信息领域的应用范围和实用性。
-
公开(公告)号：CN114067906B
公开(公告)日：2024-04-05
申请号：CN202111349828.4
申请日：2021-11-15
Applicant: 扬州大学
Abstract: 本发明公开了一种融合多源生物信息的关键蛋白质识别方法，包括如下步骤：输入PPI网络和基因表达数据、蛋白质生物功能的注释属性注释数据、亚细胞定位数据；根据静态PPI网络和蛋白质基因表达值数据集，利用3σ法则构建多个动态子网络；计算出节点的点边缘聚类系数值，计算出该节点与邻居节点之间的基因共表达值，计算出该节点的亚细胞定位得分值，最后求该节点与其邻居之间的亚细胞定位得分值之和；计算出该节点与邻居节点之间的注释值，最后求该节点与其所有邻居之间的共表达系数之和；将上述的属性值进行相加，得到蛋白质u的最终关键性得分值。本发明的识别方法，提高了识别关键蛋白质的准确性，同时使预测结果更加准确，提高了预测的效率。
-
公开(公告)号：CN113553541B
公开(公告)日：2023-10-13
申请号：CN202110623693.X
申请日：2021-06-04
Applicant: 扬州大学
IPC: G06F17/18 , G06Q10/047 , G06Q50/00
Abstract: 本说明书一个或多个实施例提供一种独立级联模型下基于独立路径分析的源定位方法，研究了不同源在不同时刻发出的影响力的传播情况，基于相同时间差的受感染节点有更大机率是被同一个源所感染这一前提，我们根据不同的独立路径进行分析判断，根据同一时间出现最多的对应独立路径上的观测者集合来定位可能的源，提高了定位的准确性，相比传统的源定位方法，大部分都是默认源感染的出发点是同一时刻，忽略了不同源节点在不同时刻开始发出影响力的可能，并且在生成独立路径后，对每个源节点的探索过程都是基于这条独立路径来单独分析的，该技术可以提高识别社交网络中影响力传播的源节点方面的效率，扩展了该技术在源定位问题领域的应用范围和实用性。
-
公开(公告)号：CN113724787A
公开(公告)日：2021-11-30
申请号：CN202110856089.1
申请日：2021-07-28
Applicant: 扬州大学
Abstract: 本发明提供一种基于核心‑附件结构的蛋白质复合物识别方法，基于核心‑附件结构的蛋白质复合物识别方法使用核心‑附件（Core‑Attachment）的思想，先构建加权的动态PPI网络，随后在PPI网络中通过计算节点的相关属性找到种子节点，通过种子节点以及邻居节点从而形成蛋白质复合物的核心Core,接着为每个核心寻找合适的附件，最后删除一些重叠度较大的蛋白质复合物，得到最终预测的蛋白质复合物。该方法不但考虑了蛋白质相互作用网络的拓扑特征，同时也考虑了蛋白质的生物属性，进而克服数据噪声高所带来的负面影响。融合生物属性和拓扑特性提高了识别蛋白质复合物的准确性，同时使预测结果更加准确，提高了预测的效率。扩展了该技术在生物信息领域的应用范围和实用性。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.03 seconds)
