-
公开(公告)号：CN118154915A
公开(公告)日：2024-06-07
申请号：CN202410297946.2
申请日：2024-03-15
Applicant: 西安电子科技大学
IPC: G06V10/762 , G06V10/40 , G06V10/82 , G06N3/098
Abstract: 本发明公开了一种基于锚点学习与多图对齐的大规模多视图聚类方法，主要解决现有技术对多视图间的互补信息挖掘利用不充分、多视图锚点学习中存在锚点非对齐的问题。包括：1)输入原始多视图数据，并对多个视图采用锚点表示法；2)对多个锚点表示进行多图对齐，生成中间件虚拟图与置换矩阵；3)将锚点学习与基于虚拟图的多图对齐方法进行联合学习；4)对多个锚点图进行Schatten‑p范数的跨视图锚点表示学习；5)构建目标优化函数，并采用增广拉格朗日和交替方向乘子法求解最优参数；6)利用低秩表示的主对角信息作为关系系数矩阵，获取最终聚类结果并输出。本发明能够提高多视图聚类的聚类效果与效率，同时有效降低计算复杂度。
-
公开(公告)号：CN109617871B
公开(公告)日：2020-04-14
申请号：CN201811487223.X
申请日：2018-12-06
Applicant: 西安电子科技大学
IPC: H04L29/06
Abstract: 本发明提出了一种基于社团结构信息和阈值的网络节点免疫方法，克服现有技术中过分依赖提前设置的网络节点免疫数目，节点免疫的有效性低、节点免疫缺少灵活性，节点免疫效果差的问题。其实现步骤是：(1)读入一幅包含30到10000个节点的待免疫社交网络图；(2)计算节点间信息传播概率；(3)生成有害信息节点集合；(4)对网络节点进行免疫处理；(5)分别输出有害信息节点集合与免疫节点集合内节点的总数。本发明提出的方法依赖网络图的社团结构信息，计算节点间信息传播概率，利用影响力与阈值组成免疫节点集合，对网络节点进行免疫处理，提高了节点免疫能力。
-
公开(公告)号：CN114861450B
公开(公告)日：2025-01-07
申请号：CN202210556524.3
申请日：2022-05-19
IPC: G06F30/20 , G06F30/18 , G06F17/16 , G06F119/02
Abstract: 本发明提出了一种基于潜在表示和图正则非负矩阵分解的属性社区检测方法，主要解决现有方法对于网络中丰富的属性信息利用不充分的问题。方案包括：1)输入网络数据；2)对数据进行处理，计算属性信息的亲和矩阵；3)定义并初始化两个转移矩阵；4)定义并初始化与拓扑图和属性图相关的三个非负矩阵分解因子矩阵；5)设置迭代，获取三个非负矩阵分解因子矩阵和两个转移矩阵的更新公式；6)循环迭代得到更新后的最终节点成员分布矩阵和最终属性类分布矩阵7)根据迭代更新得到的最终矩阵判别节点所属社区，得到社区检测结果并输出。本发明能够充分利用网络中丰富的属性信息，有效提高了社区分布检测的准确度。
-
公开(公告)号：CN114861450A
公开(公告)日：2022-08-05
申请号：CN202210556524.3
申请日：2022-05-19
IPC: G06F30/20 , G06F30/18 , G06F17/16 , G06F119/02
Abstract: 本发明提出了一种基于潜在表示和图正则非负矩阵分解的属性社区检测方法，主要解决现有方法对于网络中丰富的属性信息利用不充分的问题。方案包括：1)输入网络数据；2)对数据进行处理，计算属性信息的亲和矩阵；3)定义并初始化两个转移矩阵；4)定义并初始化与拓扑图和属性图相关的三个非负矩阵分解因子矩阵；5)设置迭代，获取三个非负矩阵分解因子矩阵和两个转移矩阵的更新公式；6)循环迭代得到更新后的最终节点成员分布矩阵和最终属性类分布矩阵7)根据迭代更新得到的最终矩阵判别节点所属社区，得到社区检测结果并输出。本发明能够充分利用网络中丰富的属性信息，有效提高了社区分布检测的准确度。
-
公开(公告)号：CN112229409A
公开(公告)日：2021-01-15
申请号：CN202011101297.2
申请日：2020-10-15
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于贝叶斯和进化算法的无人机协同航迹规划方法，主要解决现有技术中无人机协同航迹规划存在优化难度大及优化效率低的问题。其方案为：通过计算两条航迹节点之间的距离找到一组相同或相近的节点，然后以这些节点为界将两条航迹划分为一组可交换的航迹单元对；再通过计算所有航迹单元对交换之后航迹长度的变化强度，从而确定该航迹单元对的交换强度；最后，根据航迹单元对的交换强度使用贝叶斯推理来确定航迹单元的交换概率，得到无人机的协同总代价。本发明在多种威胁代价的无人机协同航迹规划任务中，可有效避免航迹断点的产生、提高了优化的收敛性，能够更加高效的实现无人机航迹寻优，获取更高的优化性能。
-
Patent Agency Ranking
公开(公告)号：CN112229409B
公开(公告)日：2022-08-12
申请号：CN202011101297.2
申请日：2020-10-15
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种基于贝叶斯和进化算法的无人机协同航迹规划方法，主要解决现有技术中无人机协同航迹规划存在优化难度大及优化效率低的问题。其方案为：通过计算两条航迹节点之间的距离找到一组相同或相近的节点，然后以这些节点为界将两条航迹划分为一组可交换的航迹单元对；再通过计算所有航迹单元对交换之后航迹长度的变化强度，从而确定该航迹单元对的交换强度；最后，根据航迹单元对的交换强度使用贝叶斯推理来确定航迹单元的交换概率，得到无人机的协同总代价。本发明在多种威胁代价的无人机协同航迹规划任务中，可有效避免航迹断点的产生、提高了优化的收敛性，能够更加高效的实现无人机航迹寻优，获取更高的优化性能。
-
公开(公告)号：CN112925992A
公开(公告)日：2021-06-08
申请号：CN202110270710.6
申请日：2021-03-12
Applicant: 西安电子科技大学
IPC: G06F16/9536 , G06Q50/00
Abstract: 本发明提供了一种基于高阶结构和边信息的网络局部社区检测方法，解决了现有局部社区检测方法检测准确度不够高，以及对于低质量种子点检测效果差的技术问题，其实现步骤包括：输入网络和种子点；初始化局部社区；使用高阶信息对局部社区进行扩展；使用中心节点对局部社区进行扩展；使用边信息对局部社区进行最终扩展；输出局部社区，完成基于高阶结构和边信息的网络局部社区检测。本发明对低质量种子点进行特殊处理，设计了考虑种子点质量的局部社区初始化方式，并根据局部社区特性使用高阶信息和边信息进行不同方式的扩展，更好的利用了局部信息，提高了局部社区检测的正确率。用于网络的局部社区检测。
-
公开(公告)号：CN109617871A
公开(公告)日：2019-04-12
申请号：CN201811487223.X
申请日：2018-12-06
Applicant: 西安电子科技大学
IPC: H04L29/06
Abstract: 本发明提出了一种基于社团结构信息和阈值的网络节点免疫方法，克服现有技术中过分依赖提前设置的网络节点免疫数目，节点免疫的有效性低、节点免疫缺少灵活性，节点免疫效果差的问题。其实现步骤是：(1)读入一幅包含30到10000个节点的待免疫社交网络图；(2)计算节点间信息传播概率；(3)生成有害信息节点集合；(4)对网络节点进行免疫处理；(5)分别输出有害信息节点集合与免疫节点集合内节点的总数。本发明提出的方法依赖网络图的社团结构信息，计算节点间信息传播概率，利用影响力与阈值组成免疫节点集合，对网络节点进行免疫处理，提高了节点免疫能力。
-
公开(公告)号：CN106301888A
公开(公告)日：2017-01-04
申请号：CN201610601198.8
申请日：2016-07-27
Applicant: 西安电子科技大学
IPC: H04L12/24
CPC classification number: H04L41/12 , H04L41/0893 , H04L41/142 , H04L41/145
Abstract: 本发明公开了一种基于核节点和社区融合策略的网络社区划分方法，主要解决现有社区融合算法中目标函数本身存在的分辨率问题。其实现步骤是：1)读入一幅网络图S，并生成网络图S对应的邻接矩阵A；2)根据邻接矩阵A计算网络中每个节点的节点度，并查找网络核节点集合C；3)根据相似度函数值F更新网络节点标签集合f′；4)根据网络节点标签集合f′得到网络社区标签集合f；5)基于改进模块密度增量ΔD对当前网络中的社区进行迭代社区融合，输出最终网络节点标签集合fz。本发明具有节点信息利用率高和社区分辨率高的优点，可用于社区检测。
-
公开(公告)号：CN119740061A
公开(公告)日：2025-04-01
申请号：CN202411926912.1
申请日：2024-12-25
Applicant: 西安电子科技大学
IPC: G06F18/2323 , G06F18/20 , G06F18/25 , G06N3/042 , G06N3/0455 , G06N3/0895 , G06N3/094
Abstract: 本发明公开了一种基于特征对抗和图Transformer的自适应图聚类方法，属于图像处理技术领域，原始图通过特征对抗自编码器模块优化表征特征匹配先验分布，得到属性级特征；所述特征对抗自编码器模块包括自编码器和特征对抗模块；原始图通过图Transformer自编码器模块，进行图的局部特征与全局结构的交汇融合和信息传播，得到结构级特征；对来自特征对抗自编码器模块和图Transformer自编码器模块的属性级和结构级双源特征进行自适应融合，完成图聚类；在特征对抗自编码器模块和图Transformer自编码器模块的训练采用自监督学习方式；结合联合优化损失函数指导图表示学习和聚类分配的联合优化，所述联合优化损失包括特征对抗损失函数、优化损失函数和自监督学习损失函数，所述特征对抗损失函数包括自编码器的特征重构损失函数和特征对抗模块的最小化交叉熵损失优化函数。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.039 seconds)
