公开(公告)号：CN112580785B

公开(公告)日：2022-04-05

申请号：CN202011506747.6

申请日：2020-12-18

Applicant: 河北工业大学

Inventor： 成淑慧 ,  武优西 ,  邢欢 ,  马鹏飞 ,  孟玉飞 ,  杨克帅 ,  王珍

IPC: G06N3/04 ,  G06N3/08 ,  G06K9/62

Abstract: 本发明涉及基于三支决策的神经网络拓扑结构优化方法，针对经验公式法确定神经网络的隐藏层结点数目，缺乏一定的理论支撑且算法的准确率不高而提出。这是首次将三支决策理论应用到确定神经网络的隐藏层结点数目的问题。首先，初始化一个隐藏层结点，利用Focal loss损失函数和Adam算法实现神经网络的学习过程；然后，针对神经网络训练阶段的错分样本，使用三支决策理论，在最小决策风险损失的情况下，将其划分至不同的域，并采取相应的策略；最后，当边界域不为空集时，依次增加神经网络的隐藏层结点数目，直至边界域是空集时，停止模型的增长，从而确定神经网络的拓扑结构，同时提高了神经网络的预测精确度。

公开(公告)号：CN112783968A

公开(公告)日：2021-05-11

申请号：CN202110306560.X

申请日：2021-03-23

Applicant: 河北工业大学

Inventor： 武优西 ,  刘锦 ,  耿萌 ,  孟玉飞 ,  王珍 ,  杨鸿茜 ,  杨仕琦

IPC: G06F16/26 ,  G06F16/2458 ,  G06F16/22

Abstract: 本发明为近似保序序列模式挖掘方法，当前的保序序列模式挖掘只挖掘时间序列中满足支持度阈值的相对顺序完全相同(最精确)的子序列，但只挖掘最精确的保序模式往往会遗漏一些重要信息。本发明挖掘方法，既能挖掘最精确的保序模式，也能根据输入参数值的不同挖掘出近似程度不同的保序模式。可以挖掘出更多有意义的保序模式，适应更多的应用领域，更好地帮助人们进行分析和预测。在候选模式生成方面，本方法采用了基于前后缀拼接的模式融合策略，减少了无意义候选模式的数量。在模式支持度计算方面，本方法在频繁模式出现位置的左右获取候选序列，避免了重复扫描数据库，大大减少了模式匹配次数，挖掘性能有了显著提升。

公开(公告)号：CN115033636A

公开(公告)日：2022-09-09

申请号：CN202210295950.6

申请日：2022-03-23

Applicant: 河北工业大学

Inventor： 武优西 ,  刘锦 ,  耿萌 ,  孟玉飞 ,  王珍 ,  杨鸿茜 ,  杨仕琦

IPC: G06F16/26 ,  G06F16/2458 ,  G06F16/22

Abstract: 本发明为近似保序序列模式挖掘方法，当前的保序序列模式挖掘只挖掘时间序列中满足支持度阈值的相对顺序完全相同(最精确)的子序列，但只挖掘最精确的保序模式往往会遗漏一些重要信息。本发明挖掘方法，既能挖掘最精确的保序模式，也能根据输入参数值的不同挖掘出近似程度不同的保序模式。可以挖掘出更多有意义的保序模式，适应更多的应用领域，更好地帮助人们进行分析和预测。在候选模式生成方面，本方法采用了基于前后缀拼接的模式融合策略，减少了无意义候选模式的数量。在模式支持度计算方面，本方法在频繁模式出现位置的左右获取候选序列，避免了重复扫描数据库，大大减少了模式匹配次数，挖掘性能有了显著提升。

公开(公告)号：CN113076357A

公开(公告)日：2021-07-06

申请号：CN202110418449.X

申请日：2021-04-19

Applicant: 河北工业大学

Inventor： 武优西 ,  王珠林 ,  李杨 ,  陈明婕 ,  刘锦 ,  王珍

IPC: G06F16/2458 ,  G06N5/02

Abstract: 本发明为周期间隙约束的负序列模式挖掘方法，该挖掘方法包括以下内容：采用负序列模式增长策略生成候选模式，在模式增长时要同时考虑正元素和负元素，还对参加模式增长的模式提出了约束；采用不完整网树结构帮助计算候选模式在序列中的支持度，同时使用候选模式前缀和后缀的不完整网树数组计算该候选模式的支持度；给定长度为k+1的候选模式长度为k的模式为其前缀；长度为k的模式为其后缀；所有长度为k的前缀都保存在前缀集PreArrk中，所有长度为k的后缀都保存在后缀集SefArrk中。模式增长和不完整网树策略的使用既保证了解的完备性，又提高了算法的时空效率。

公开(公告)号：CN112580785A

公开(公告)日：2021-03-30

申请号：CN202011506747.6

申请日：2020-12-18

Applicant: 河北工业大学

Inventor： 成淑慧 ,  武优西 ,  邢欢 ,  马鹏飞 ,  孟玉飞 ,  杨克帅 ,  王珍

IPC: G06N3/04 ,  G06N3/08 ,  G06K9/62

Abstract: 本发明涉及基于三支决策的神经网络拓扑结构优化方法，针对经验公式法确定神经网络的隐藏层结点数目，缺乏一定的理论支撑且算法的准确率不高而提出。这是首次将三支决策理论应用到确定神经网络的隐藏层结点数目的问题。首先，初始化一个隐藏层结点，利用Focal loss损失函数和Adam算法实现神经网络的学习过程；然后，针对神经网络训练阶段的错分样本，使用三支决策理论，在最小决策风险损失的情况下，将其划分至不同的域，并采取相应的策略；最后，当边界域不为空集时，依次增加神经网络的隐藏层结点数目，直至边界域是空集时，停止模型的增长，从而确定神经网络的拓扑结构，同时提高了神经网络的预测精确度。