-
公开(公告)号：CN114443628A
公开(公告)日：2022-05-06
申请号：CN202111565832.4
申请日：2021-12-20
Applicant: 江南大学 , 浪潮卓数大数据产业发展有限公司
IPC: G06F16/215 , G06K9/62
Abstract: 本发明公开了一种基于聚类的金融缺失数据处理方法，包括：获取金融数据集；对金融数据集进行两步处理；对经过两步处理得到数据集进行聚类操作，整合其聚类后的簇；通过相似度度量将缺失数据对象划分的到最想似的簇中，并通过簇内信息进行填补。本发明提出一种整体和局部相结合的基于聚类的金融缺失数据处理方法，极大程度上保留了原样本的分布情况，减少缺失数据所导致的误差，更准确的对缺失数据进行填充。
-
公开(公告)号：CN114443628B
公开(公告)日：2024-04-26
申请号：CN202111565832.4
申请日：2021-12-20
Applicant: 江南大学 , 浪潮卓数大数据产业发展有限公司
IPC: G06F16/215 , G06F18/23213
Abstract: 本发明公开了一种基于聚类的金融缺失数据处理方法，包括：获取金融数据集；对金融数据集进行两步处理；对经过两步处理得到数据集进行聚类操作，整合其聚类后的簇；通过相似度度量将缺失数据对象划分的到最想似的簇中，并通过簇内信息进行填补。本发明提出一种整体和局部相结合的基于聚类的金融缺失数据处理方法，极大程度上保留了原样本的分布情况，减少缺失数据所导致的误差，更准确的对缺失数据进行填充。
-
公开(公告)号：CN116415121A
公开(公告)日：2023-07-11
申请号：CN202111601207.0
申请日：2021-12-24
Applicant: 江南大学 , 浪潮卓数大数据产业发展有限公司
IPC: G06F18/15 , G06F18/23213 , G06F18/2413 , G06F16/215 , G06F16/23 , G06F16/28 , G06Q40/03
Abstract: 本发明公开了一种基于不完整多视角聚类的金融缺失数据填补方法，包括通过对缺失多视角数据预处理并区分完整和缺失数据；通过自编码器构建多个视角的自表示；以最大化视角间的互信息和最小化视角内的条件熵，进行对比学习获得多视角的一致表示，以此聚类；通过高斯正态分布来对视角之间进行预测，填补潜在缺失数据，优化自表示结果；依据聚类簇分成多类，对每类样本中完整的各个属性，数值型取平均值、字符型取众数进行缺失填补。本发明所述方法能够实现面对多视角数据缺失情况下数据填补，具备较好的聚类效果和可解释性，能够以满足实用性能要求。
-
公开(公告)号：CN114692941A
公开(公告)日：2022-07-01
申请号：CN202111645861.1
申请日：2021-12-30
Applicant: 江南大学 , 浪潮卓数大数据产业发展有限公司
Abstract: 本发明公开了基于多注意力的公司财务预测方法，包括，获取公司的历史财务数据，利用多注意力结合编码器根据历史财务数据，求得历史财务数据的上下文向量，将历史财务数据的上下文向量和目标序列连接，并结合解码器进行解码得到公司下一时刻的利润数据；本发明基于多注意力机制提升了预测财务数据的精准度。
-
公开(公告)号：CN114492929A
公开(公告)日：2022-05-13
申请号：CN202111587189.5
申请日：2021-12-23
Applicant: 江南大学 , 浪潮卓数大数据产业发展有限公司
Abstract: 本发明公开了一种基于XGboost的金融信贷企业信用预测方法，包括初步筛选，筛选出与信用评估有关的数据；数据处理，处理异常值缺失值，并对其进行分类；特征工程，对特征进行处理；划分数据集，将数据分成训练集和验证集；模型训练，通过Xgboost算法对训练集数据进行模型的训练；模型评估和优化，通过验证集数据对模型进行评估，并对xgboost中的各个特征进行分析，根据情况对模型进行优化。本发明所述方法能够实现对企业信用的准确高效评估，具有良好的鲁棒性和稳定性，并且能结合现有的评估体系和结论进行进一步的解释和优化，能够满足实用性和性能的要求。
-
Patent Agency Ranking
公开(公告)号：CN116415121B
公开(公告)日：2024-04-19
申请号：CN202111601207.0
申请日：2021-12-24
Applicant: 江南大学 , 浪潮卓数大数据产业发展有限公司
IPC: G06F18/15 , G06F18/23213 , G06F18/2413 , G06F16/215 , G06F16/23 , G06F16/28 , G06Q40/03
Abstract: 本发明公开了一种基于不完整多视角聚类的金融缺失数据填补方法，包括通过对缺失多视角数据预处理并区分完整和缺失数据；通过自编码器构建多个视角的自表示；以最大化视角间的互信息和最小化视角内的条件熵，进行对比学习获得多视角的一致表示，以此聚类；通过高斯正态分布来对视角之间进行预测，填补潜在缺失数据，优化自表示结果；依据聚类簇分成多类，对每类样本中完整的各个属性，数值型取平均值、字符型取众数进行缺失填补。本发明所述方法能够实现面对多视角数据缺失情况下数据填补，具备较好的聚类效果和可解释性，能够以满足实用性能要求。
-
公开(公告)号：CN112309576B
公开(公告)日：2025-01-14
申请号：CN202011005022.9
申请日：2020-09-22
Abstract: 本发明公开了一种基于深度学习CT影像组学的结直肠癌生存期预测方法。属于医学图像处理技术领域。具体步骤：(1)、获取数据；(2)、对CT影像组学数据进行结直肠肿瘤区域标注；(3)、对获取数据进行预处理；(4)、构建基于深度神经网络的特征学习模型；(5)、利用Lasso回归对结直肠癌CT影像组学深度高通量特征降维，建立患者的风险评分模型；(6)、根据风险评分分组；(7)、曲线及特征有效性验证；(8)、构建深度神经网络多任务逻辑回归(DNN‑MTLR)模型进行生存期概率预测；本发明在得到病人拍摄CT图像后导入系统分析，结果可为医师(特别是年轻经验不足的放射科医生)提供参考，以便更好地了解病人病情并进行下一步决策。
-
公开(公告)号：CN112309576A
公开(公告)日：2021-02-02
申请号：CN202011005022.9
申请日：2020-09-22
Abstract: 本发明公开了一种基于深度学习CT影像组学的结直肠癌生存期预测方法。属于医学图像处理技术领域。具体步骤：(1)、获取数据；(2)、对CT影像组学数据进行结直肠肿瘤区域标注；(3)、对获取数据进行预处理；(4)、构建基于深度神经网络的特征学习模型；(5)、利用Lasso回归对结直肠癌CT影像组学深度高通量特征降维，建立患者的风险评分模型；(6)、根据风险评分分组；(7)、曲线及特征有效性验证；(8)、构建深度神经网络多任务逻辑回归(DNN‑MTLR)模型进行生存期概率预测；本发明在得到病人拍摄CT图像后导入系统分析，结果可为医师(特别是年轻经验不足的放射科医生)提供参考，以便更好地了解病人病情并进行下一步决策。
-
公开(公告)号：CN112164073B
公开(公告)日：2024-11-26
申请号：CN202010999256.3
申请日：2020-09-22
Applicant: 江南大学 , 安徽工大信息技术有限公司
IPC: G06T7/11 , G06T7/155 , G06T5/70 , G06T5/60 , G06T5/30 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度神经网络的影像三维组织分割与测定方法，包括，采集活体猪的CT图像，划分为训练集与测试集并在训练集上进行标注；构建CT床分割网络和内脏分割网络，并利用所述标注好的训练集进行训练得到CT床分割模型和内脏分割模型；利用所述CT床分割模型和所述内脏分割模型预测其掩膜图并去除所述CT床和内脏；结合所述活体猪的CT图像提取出猪体的脂肪、肌肉与骨骼部分并计算猪体的总体质量及各个组织的占比。可以自动、快速、准确分割出种猪的脂肪、肌肉和骨骼等组织，并且本方法适用于任何形状、任何大小的种猪。
-
公开(公告)号：CN118981554A
公开(公告)日：2024-11-19
申请号：CN202411021558.8
申请日：2024-07-29
Applicant: 江南大学
IPC: G06F16/901 , G06F16/215 , G06F16/2458 , G06F18/22 , G06F18/2413 , G06F18/25
Abstract: 本发明涉及图数据挖掘技术领域，具体指一种基于信息补全的异构图嵌入方法，包括：对目标节点进行特征聚合，得到目标节点的初步补全特征向量，并基于异构图中节点之间关系，学习节点之间相似度，得到目标节点在每个关系中的目标邻接矩阵；循环更新节点特征，得到节点的目标特征向量；基于目标节点在每个关系中的目标邻接矩阵以及节点的目标特征向量，对目标节点进行邻域转移，得到目标节点的完整补全特征向量，并采用注意力机制聚合，得到目标节点的最终节点表示。本发明补全了目标节点缺失的属性特征，完善了目标节点的邻域信息，使得关系连接较少的目标节点能够学习到更多信息，从而得到更加完整的节点特征表示，进而提升下游任务性能。
-
-
-
-
-
-
-
-
-
Search Results
120
records
(took 0.065 seconds)
