-
公开(公告)号：CN117530701A
公开(公告)日：2024-02-09
申请号：CN202311338241.2
申请日：2023-10-16
Applicant: 河南大学
IPC: A61B5/369 , A61B5/372 , A61B5/00 , G06F18/2131 , G06F18/25 , G06F18/241 , G06N3/0442 , G06N3/045 , G06F123/02
Abstract: 本发明提供一种认知负荷分类方法和系统。该方法包括获取目标用户的脑电信号；将脑电信号输入至训练好的认知负荷分类模型中，得到目标用户此时的认知负荷等级；认知负荷分类模型的分类过程具体包括：根据输入的用户的脑电信号，生成能量地形图；提取能量地形图中的空间特征；对提取到的空间特征进行频谱时间特征提取以便定位得到最具有区分力的时段内的特征；根据所述最具有区分力的时段内的特征，预测得到用户的认知负荷等级；其中，提取能量地形图中的空间特征具体包括：步骤A1：对能量地形图中每个频段的信息进行独立提取并优化，得到每个频段对应的优化后空间特征；步骤A2：对不同尺度的特征图进行融合，得到最终的空间特征。
-
公开(公告)号：CN117422151A
公开(公告)日：2024-01-19
申请号：CN202311392160.0
申请日：2023-10-25
Applicant: 河南大学
Abstract: 本发明属于联邦学习技术领域，公开一种基于推理相似性与软聚类的联邦学习方法和装置，该方法考虑了non‑IID数据环境中基于推理相似性根据固定阈值进行硬聚类的缺陷，实现了在优化算法的同时提高不同异质程度下的测试精度目标，为了实现这些目标，提出了聚类时基于簇内客户端数量来替代固定阈值的灵活聚类，采用软聚类思路来更好的利用客户端数据特征表现，从而提高了模型的泛化能力和性能。大量的实验结果验证了本发明所提方法的性能和有效性，本发明所提方法与原始算法FLIS比较，在多个数据集下都有不同程度的提升。
-
公开(公告)号：CN117057341A
公开(公告)日：2023-11-14
申请号：CN202311062089.X
申请日：2023-08-22
Applicant: 河南大学
IPC: G06F40/211 , G06F40/279 , G06F40/284 , G06F16/33 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F17/16
Abstract: 本发明公开一种基于语意增强图卷积网络的关系抽取方法及装置，该方法通过分析关键词权重的方法构造关联密度矩阵，根据词与词之间的关联密度进行权重分析，得出关联密度矩阵，并将该矩阵和邻接矩阵相结合；该方法以实体之间的单词相对于实体两边的单词更重要为前提，对原句子进行中心句提取，并把提取后的句子与原句子进行拼接，以实现语意增强的效果。在SemEval‑2010Task 8和KBP37数据集上进行实验，实验结果表明：本发明SE‑GCN模型的F1score在上述两个数据集上比基准模型Two‑channel model分别提升了3.92％和4.21％。
-
公开(公告)号：CN114998633A
公开(公告)日：2022-09-02
申请号：CN202210740023.0
申请日：2022-06-28
Applicant: 河南大学
IPC: G06V10/762 , G06V10/40 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于视图注意力驱动的多视图聚类方法，包括：构建多视图特征提取网络；构建多视图特征提取网络训练时所需损失函数，并进行网络训练，得到多视图特征提取网络模型；将多视图样本数据输入所述多视图特征提取网络模型中，得到不同样本的所有视图特征表示；将同一样本的所有视图的特征表示进行连接，对连接后不同多视图样本特征数据采用k‑means算法进行聚类，得到多视图样本数据的聚类结果。本发明采用对比学习和注意力机制学习不同视图数据的特征表示，在学习不同视图的特征表示时，同时考虑其他视图所关注的信息，从而加强对所有视图中存在的一致性信息的关注和减少仅存于视图子集中与聚类目标无关信息的影响。
-
公开(公告)号：CN114969324A
公开(公告)日：2022-08-30
申请号：CN202210394208.0
申请日：2022-04-15
Applicant: 河南大学
IPC: G06F16/35 , G06F16/33 , G06F40/216 , G06F40/284 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于主题词特征扩展的中文新闻标题分类方法。该方法包括：步骤1：采用多种分词算法对待分类中文新闻标题分别进行分词预处理，得到关于所述中文新闻标题在每种分词算法下的分词结果，合并所有的分词结果得到若干个单词；步骤2：计算每个单词的权重以得到所述待分类中文新闻标题的加权后标题向量；并基于所述分词结果构建所述待分类中文新闻标题的主题向量并计算主题向量权重；步骤3：计算所述加权后标题向量和每个所述主题向量之间的相似度，将相似度最大的主题向量与所述加权后标题向量进行向量拼接，得到特征向量；步骤4：利用卷积神经网络对所述特征向量进行特征提取并分类。
-
Patent Agency Ranking
公开(公告)号：CN114519694A
公开(公告)日：2022-05-20
申请号：CN202111631707.9
申请日：2021-12-28
Applicant: 河南大学
Abstract: 本发明公开了一种基于深度学习的七段数码管液晶显示屏识别方法及系统，该方法步骤如下：(1)识别图像的预处理操作：对输入图像进行归一化、灰度化、高斯滤波、自适应阈值分割、图像去噪等一系列操作；(2)液晶显示屏中七段数码管定位操作：使用YOLOv3对液晶显示屏中的数码管进行区域定位；(3)图像增强操作：对图像进行腐蚀、膨胀操作，以减少图像中的干扰区域，以及使前后背景更加分离，消除数码管之间的空洞；(4)图像识别操作：对处理出来的感兴趣区域进行数字字符分割操作，使每一个数字单独分割为一张图片，然后使用穿线法进行识别。本发明可以更加精确的读取七段数码管液晶显示屏中的相关内容。
-
公开(公告)号：CN113610721A
公开(公告)日：2021-11-05
申请号：CN202110851994.8
申请日：2021-07-27
Applicant: 河南大学
Abstract: 本发明公开了一种基于部分卷积生成对抗网络的图像修复方法，包括，构建部分卷积生成对抗网络，所述部分卷积生成对抗网络由按序相连的部分卷积生成网络和判别器网络组成；获取图像样本集，并将所述图像样本集按比例划分为训练集和测试集，同时将训练集中的图像进行预处理；将预处理后的训练集图像输入所述部分卷积生成对抗网络中，并对所述部分卷积生成对抗网络进行训练，获取完成训练的部分卷积生成对抗网络；将待修复的图像输入到部分卷积生成对抗网络中，所述部分卷积生成对抗网络输出修复图像，具有较好的修复效果。
-
公开(公告)号：CN119670849A
公开(公告)日：2025-03-21
申请号：CN202411534922.0
申请日：2024-10-30
Applicant: 河南大学
IPC: G06N3/098 , G06N3/096 , G06N3/09 , G06N3/045 , G06F18/213 , G06F18/24 , G06F18/21 , H04L67/10 , G06V10/82 , G06V10/40 , G06V10/764 , G06V10/94 , G06V10/776
Abstract: 本发明提供一种基于联邦学习的异构模型训练方法及系统。该方法包括：每个客户端初始化本地异构模型，并将本地异构模型分割为特征提取器和分类器；服务器初始化一个全局适配器；服务器将全局适配器下发至每个客户端；每个客户端将接收到的全局适配器作为待更新的本地适配器，使用本地数据对待更新的本地适配器、特征提取器和分类器进行训练，生成当前最优的本地适配器、特征提取器和分类器；其中，训练过程中，待更新的本地适配器和特征提取器共用分类器；每个客户端将当前最优的本地适配器上传至服务器；服务器对接收到的所有本地适配器进行聚合以得到更新后的全局适配器，迭代更新全局适配器，直至每个客户端上的本地异构模型达到预设要求。
-
公开(公告)号：CN118860597A
公开(公告)日：2024-10-29
申请号：CN202410885572.6
申请日：2024-07-02
Applicant: 河南大学
Abstract: 本发明提供一种基于配置和聚合感知的Spark动态排序优化策略。该方法包括：步骤1：获取待处理任务的任务信息、对应的集群端配置信息和Driver端配置信息；其中，所述任务信息包括任务数据量和任务个数；步骤2：根据任务信息、集群端配置信息和Driver端配置信息分别确定在集群端对待处理任务拟执行排序算子所需的时间Ct以及Driver端拟获取待处理任务的数据传输时间Dt1和在Driver端对待处理任务拟执行排序算子所需的时间Dt2；步骤3：若Dt小于Ct，则将待处理任务直接分配至Driver端执行排序算子；其中，Dt为Dt1和Dt2之和。本发明能够减少集群负担，解决排序算子对数据处理先集群后Driver端导致的资源争用的问题。
-
公开(公告)号：CN118736312A
公开(公告)日：2024-10-01
申请号：CN202410876702.X
申请日：2024-06-28
Applicant: 河南大学
IPC: G06V10/764 , G06V10/74 , G06V10/82 , G06F18/2415 , G06N3/0464
Abstract: 本发明公开一种基于原型补全与动态损失调整的小样本学习方法和系统，该方法包括以下步骤：步骤一：整合原始支持集和原始查询集的信息和标签传播得到新原型，将新原型加入到原始支持集中以形成新支持集；步骤二：使用特征图重建网络根据新支持集得到重建查询集；步骤三：基于构建的动态损失函数计算原始查询集和重建查询集的损失，通过最小化所述损失来训练所述特征重建网络；步骤四：将待分类图像数据集输入至训练好的特征重建网络，得到图像分类结果。本发明通过采用原型补全和动态调整损失函数的两大策略，显著提高了小样本分类任务的性能。
-
-
-
-
-
-
-
-
-
Search Results
78
records
(took 0.017 seconds)
