-
公开(公告)号：CN113537399B
公开(公告)日：2024-07-05
申请号：CN202110920086.X
申请日：2021-08-11
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种多目标进化图卷积神经网络的极化SAR图像分类方法及系统，生成训练集和验证集；生成初始种群；将初始种群中的个体解码为图卷积神经网络，训练并将分类精度和浮点运算次数作为个体的适应度；采用交叉、变异和选择操作对种群进行迭代更新；使用最终种群中分类精度最高的个体对应的图卷积神经网络，对待分类极化SAR图像进行分类。本发明采用多目标进化算法同时优化图卷积神经网络的分类精度和浮点运算次数，实现了图卷积神经网络的自动设计，在提高分类精度的同时，降低了图卷积神经网络的计算复杂度。
-
公开(公告)号：CN114548582B
公开(公告)日：2024-05-31
申请号：CN202210192777.7
申请日：2022-02-28
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种动态社交网络社区演化预测方法、系统、存储介质及设备，从时间窗划分机制的通用性出发，建立基于优化的时间窗划分机制模型，时间框架能够根据具体网络自适应调整时间窗口的大小和数量，通过在真实网络上的实验验证，本发明方法可以提高网络社区跟踪的质量，并在减少训练集的情况下保证预测的准确性。
-
公开(公告)号：CN112733769B
公开(公告)日：2023-04-07
申请号：CN202110060277.3
申请日：2021-01-18
Applicant: 西安电子科技大学
IPC: G06V20/13 , G06V10/26 , G06V10/764
Abstract: 本发明提出了一种基于多波段熵率超像素分割的高光谱图像分类方法，用于解决现有技术存在的分类精度较低和分类效率较低的技术问题，实现步骤为：(1)对高光谱图像进行多波段熵率超像素分割；(2)获取训练集和测试集；(3)对多分类支持向量机分类器进行训练；(4)获取高光谱图像的分类结果。本发明采用的基于多波段熵率超像素分割的高光谱图像分类方法，充分利用了高光谱图像地物目标的光谱信息和多波段上的空间分布信息，从而有效提高了高光谱图像的分类精度，且分类效率较高，可应用于灾害监测、地质勘探、城市规划、农业和考古等领域。
-
公开(公告)号：CN109740924B
公开(公告)日：2022-12-06
申请号：CN201811640589.6
申请日：2018-12-29
Applicant: 西安电子科技大学
Abstract: 本发明公开一种融合属性信息网络和矩阵分解的物品评分预测方法，解决了如何更准确地对物品评分预测的问题。实现步骤有：构建属性信息网络；采集数据和信息；构建融合分解模型；初始化参数；选择评价指标和损失函数计算公式；计算预测评分矩阵；计算训练集预测评分矩阵损失；对参数优化更新得到新的预测评分矩阵；计算测试集预测评分矩阵评价指标；判断评价指标；若满足停止条件直接输出结果；否则，返回迭代计算逐渐降低损失；直至满足条件输出结果。本发明将用户和物品更多信息经过属性信息网络得到的维度变换结果又与矩阵分解融合形成预测模型，采用两种损失函数，使得物品评分预测更为准确，本发明可应用于对网上物品进行自动化的预测。
-
公开(公告)号：CN114332557A
公开(公告)日：2022-04-12
申请号：CN202111488930.2
申请日：2021-12-07
Applicant: 西安电子科技大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/00 , G06N3/04
Abstract: 本发明公开了一种基于联邦进化卷积神经网络的极化SAR图像分类方法及系统，将极化SAR数据划分为训练集和验证集；将种群中的个体解码为卷积神经网络，输入训练集进行训练并聚合；对聚合后的卷积神经网络重复运行得到最终聚合的卷积神经网络；将验证集输入最终聚合的卷积神经网络得到对验证集的样本正确分类的数量；对种群中的每一个个体执行差分进化操作得到子代种群；将种群与子代种群合并得到合并种群；执行环境选择操作得到下一代种群；选取最终种群并从中选择适应度最高的个体对应的卷积神经网络；将待分类的极化SAR图像输入卷积神经网络中得到分类结果，完成极化SAR图像分类。本发明提高了卷积神经网络分类精度的同时，降低了卷积神经网络的复杂度。
-
Patent Agency Ranking
公开(公告)号：CN109949099B
公开(公告)日：2022-04-08
申请号：CN201910224593.2
申请日：2019-03-23
Applicant: 西安电子科技大学
IPC: G06Q30/02
Abstract: 本发明公开一种基于聚类及多臂赌博机的信息核构建方法，主要解决现有技术推荐精度偏低和信息核提取时间过长的问题，其实现方案为：1)构建用户物品评分矩阵；2)对用户物品评分矩阵进行降维，得到低维矩阵；3)对低维矩阵中的用户进行重复聚类；4)根据聚类结果，构建虚拟用户物品评分矩阵；5)利用多臂赌博机从虚拟用户物品评分矩阵中提取信息核；6)利用提取出的信息核为用户物品评分矩阵中的每一个用户推荐所需要的物品。本发明具有推荐精度高、提取信息核的速度快的优点，可用于为用户推荐所需要的物品。
-
公开(公告)号：CN114065048A
公开(公告)日：2022-02-18
申请号：CN202111413243.4
申请日：2021-11-25
Applicant: 西安电子科技大学
IPC: G06F16/9535 , G06Q30/06 , G06N3/04
Abstract: 本发明提出了一种基于多异构图图神经网络的物品推荐方法，实现步骤为：获取用户信息、物品信息以及用户‑物品交互信息；构建属性异构图；构建用户‑物品交互异构图；构建全相邻异构图；构建基于多异构图图神经网络的物品推荐模型；对基于多异构图图神经网络的物品推荐模型进行迭代训练；获取向用户推荐的物品。本发明首先通过在多个异构图上构造一个属性辅助层、一个全相邻辅助层和多个图卷积神经网络层以更高效地获得用户嵌入向量和物品嵌入向量，从而更好地挖掘信息；其次通过保留部分层的节点自连接，充分利用了有限的数据，有效提高了物品推荐的准确性。
-
公开(公告)号：CN109995663B
公开(公告)日：2020-04-07
申请号：CN201910224582.4
申请日：2019-03-23
Applicant: 西安电子科技大学
IPC: H04L12/751 , H04L12/721 , H04L12/24
Abstract: 一种基于长度约束和无重复路径的网络信息传播方法，主要解决社交网络中用户的信任传播问题。本发明的步骤为：1、建立信任网络图模型；2、确定中间网络节点；3、选取最优路径；4、计算网络节点信息值；5、传播网络消息；6、丢弃不可信的网络信息。本发明通过建立信任网络图模型，选取最优路径，有效的维护了信任网络的结构属性，提高了信任网络的可用性。本发明使用最优路径起始节点到终端节点的所有路径长度为的无重复路径总数，计算起始节点到终端节点的网络信息接受度，在保证信任网络的完整度的同时，有效的提高了节点间网络信息的准确性。
-
公开(公告)号：CN109995663A
公开(公告)日：2019-07-09
申请号：CN201910224582.4
申请日：2019-03-23
Applicant: 西安电子科技大学
IPC: H04L12/751 , H04L12/721 , H04L12/24
Abstract: 一种基于长度约束和无重复路径的网络信息传播方法，主要解决社交网络中用户的信任传播问题。本发明的步骤为：1、建立信任网络图模型；2、确定中间网络节点；3、选取最优路径；4、计算网络节点信息值；5、传播网络消息；6、丢弃不可信的网络信息。本发明通过建立信任网络图模型，选取最优路径，有效的维护了信任网络的结构属性，提高了信任网络的可用性。本发明使用最优路径起始节点到终端节点的所有路径长度为的无重复路径总数，计算起始节点到终端节点的网络信息接受度，在保证信任网络的完整度的同时，有效的提高了节点间网络信息的准确性。
-
公开(公告)号：CN109978707A
公开(公告)日：2019-07-05
申请号：CN201910224583.9
申请日：2019-03-23
Applicant: 西安电子科技大学
IPC: G06Q50/00
Abstract: 本发明公开了一种基于节点活跃度的社交网络信息传播方法，主要解决现有技术中存在的以下问题：(1)只根据节点的影响力作为种子节点的选择标准；(2)节点影响力之间存在严重重叠。本发明的实现步骤为：(1)建立RIC模型；(2)确定每个节点的活跃度；(3)建立种子集合；(4)确定当前种子集合的激活节点集合；(5)更新种子集合；(6)重复步骤(4)和步骤(5)，直到种子集合大小等于种子预算值；(7)通过种子节点进行信息传播。本发明综合考虑种子节点的两个选择标准，逐步进行种子集合的选择，使单个种子节点具有较大的影响力增量，使整个种子集合获得更大的信息影响范围。
-
-
-
-
-
-
-
-
-
Search Results
166
records
(took 0.041 seconds)
