公开(公告)号：CN111814454B

公开(公告)日：2023-08-11

申请号：CN202010662871.5

申请日：2020-07-10

Applicant: 重庆大学

Inventor： 熊庆宇 ,  王凯歌 ,  高旻 ,  易华玲 ,  杨正益 ,  文俊浩 ,  邹青宏 ,  胡瑶 ,  张致远

IPC: G06F40/30 ,  G06F40/216 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/08 ,  G06Q50/00

Abstract: 本发明公开了一种社交网络上的多模态网络欺凌检测模型，包括针对多模态数据的编码和针对模态数据的解码，还包括：对数据进行预处理；对视频和/或图像数据进行处理，对每一个视频和/或图像进行打分评价，构成评价标签；针对帖子文本内容，通过双向长短期记忆网络(Bi‑LSTM)和自注意力机制进行训练；针对帖子评论集数据进行双向的GRU分层注意力机制学习；针对图像和/或视频，通过one‑hot编码的方式，然后利用多层感知机进行特征提取；针对不同学习到的向量，通过多层感知机分别进行特征提取，然后将其串联起来整体进行特征提取；本发明将评论数据集的对话形式、具有视觉信息的图像和视频信息进行整合，能够显著提升网络中网络欺凌检测准确度。

公开(公告)号：CN111814454A

公开(公告)日：2020-10-23

申请号：CN202010662871.5

申请日：2020-07-10

Applicant: 重庆大学

Inventor： 熊庆宇 ,  王凯歌 ,  高旻 ,  易华玲 ,  杨正益 ,  文俊浩 ,  邹青宏 ,  胡瑶 ,  张致远

IPC: G06F40/216 ,  G06N3/04 ,  G06N3/08 ,  G06Q50/00

Abstract: 本发明公开了一种社交网络上的多模态网络欺凌检测模型，包括针对多模态数据的编码和针对模态数据的解码，还包括：对数据进行预处理；对视频和/或图像数据进行处理，对每一个视频和/或图像进行打分评价，构成评价标签；针对帖子文本内容，通过双向长短期记忆网络(Bi-LSTM)和自注意力机制进行训练；针对帖子评论集数据进行双向的GRU分层注意力机制学习；针对图像和/或视频，通过one-hot编码的方式，然后利用多层感知机进行特征提取；针对不同学习到的向量，通过多层感知机分别进行特征提取，然后将其串联起来整体进行特征提取；本发明将评论数据集的对话形式、具有视觉信息的图像和视频信息进行整合，能够显著提升网络中网络欺凌检测准确度。

公开(公告)号：CN110333077A

公开(公告)日：2019-10-15

申请号：CN201910611796.7

申请日：2019-07-08

Applicant: 重庆大学

Inventor： 熊庆宇 ,  吉皇 ,  吴映波 ,  王凯歌 ,  吴丹 ,  邹青宏 ,  何委燚

IPC: G01M13/045 ,  G06K9/00 ,  G06K9/62

Abstract: 本发明公开了一种基于近似支持向量的滚动轴承故障诊断方法。首先用MiniBatchKmeans算法和支持向量机快速寻找到“近似支持向量”，然后利用“近似支持向量”在原始样本中筛选出“近似支持向量”附近的样本，最后用筛选出的样本训练支持向量机。本发明极大的减少了支持向量机的训练时间，同时确保故障诊断的准确率。

公开(公告)号：CN110333077B

公开(公告)日：2021-06-15

申请号：CN201910611796.7

申请日：2019-07-08

Applicant: 重庆大学

Inventor： 熊庆宇 ,  吉皇 ,  吴映波 ,  王凯歌 ,  吴丹 ,  邹青宏 ,  何委燚

IPC: G01M13/045 ,  G06K9/00 ,  G06K9/62

Abstract: 本发明公开了一种基于近似支持向量的滚动轴承故障诊断方法。首先用MiniBatchKmeans算法和支持向量机快速寻找到“近似支持向量”，然后利用“近似支持向量”在原始样本中筛选出“近似支持向量”附近的样本，最后用筛选出的样本训练支持向量机。本发明极大的减少了支持向量机的训练时间，同时确保故障诊断的准确率。

公开(公告)号：CN111814883A

公开(公告)日：2020-10-23

申请号：CN202010663993.6

申请日：2020-07-10

Applicant: 重庆大学

Inventor： 熊庆宇 ,  易华玲 ,  杨正益 ,  邹青宏 ,  高旻 ,  吴丹 ,  文俊浩 ,  胡瑶 ,  张致远

IPC: G06K9/62 ,  G06N3/02 ,  G06N20/00

Abstract: 本发明提出了一种基于异质集成的标签噪声纠正方法，在本发明的方法中，数据集D经过P轮K折分层交叉划分，M种异质分类器预测，两轮多数投票集成预测结果，对数据集D中的每个样本均进行了类别标签的更新，实现噪声标签纠正的更新。本发明适用于具有分布不平衡特点的数据集中的标签噪声处理，适用于各种类型的分类器，具有较好的通用性；可独立完成类别标签纠正过程；循环了P轮分层交叉划分，保证每个交叉划分子集具有和原始样本集相同的不平衡程度，且减少了数据集单次交叉划分的偶然性对分类器的影响；通过异质集成方式更新样本的类别标签，可以减轻某种分类器会受数据类型的负面影响。

公开(公告)号：CN110334869A

公开(公告)日：2019-10-15

申请号：CN201910612175.0

申请日：2019-08-15

Applicant: 重庆大学

Inventor： 熊庆宇 ,  邹青宏 ,  李秋德 ,  吴超 ,  王楷 ,  高旻 ,  吉皇

IPC: G06Q10/04 ,  G06Q10/06 ,  G06Q50/02 ,  G06N3/08 ,  G06N3/00

Abstract: 本发明公开了一种基于动态群优化算法的红树林生态健康预测训练方法，包括步骤A，数据预处理；步骤A1，基于PSO算法的数据生成模块；步骤A2，基于相对熵和余弦相似度的相似性评估模块；步骤B，基于DGO算法进行模型训练；步骤B1，组内合作；步骤B2，每一组的质心与其他组的质心进行通信；步骤B3，每一组的成员与种群内的其他成员进行随机交叉；步骤B4，在每一质心之间的通信和每一成员的随机交叉过程中，搜寻所述突变情况，基于该突变情况查出与此对应的成员，将该成员随机转移到其它组；步骤C,结合BP算法和DGO算法配合步骤B进行前馈神经网络的训练。本发明提高了预测数据的准确性以及训练模型的完整度。