-
Patent Agency Ranking
公开(公告)号：CN109858544B
公开(公告)日：2021-01-29
申请号：CN201910077726.8
申请日：2019-01-28
Applicant: 重庆邮电大学
IPC: G06K9/62
Abstract: 本发明属于钢材质量测试领域，具体涉及一种基于区间阴影集和密度峰值聚类的钢材质量检测方法；所述方法包括获取原始钢材数据集，采用欧式距离公式计算得到其距离矩阵；通过密度峰值聚类中的计算公式，获取局部密度矩阵和相对距离矩阵；输出密度峰值聚类中数据集的决策图，并选取m个聚类中心，将非聚类中心进行归类得到m个类簇；计算出m个类簇中各个对象的隶属度值；通过最小化模糊熵差异，确定出m个类簇的最优阈值序列；基于最优阈值序列，采用分类规则分别对m个类簇中的非中心对象按照其隶属度值采用区间阴影集进行三支分类，从而确定出每个对象的质量检测结果，即获得原始钢材数据集的质量检测结果。本发明能够有效且快速的检测出钢材质量。
-
公开(公告)号：CN107909497A
公开(公告)日：2018-04-13
申请号：CN201710963914.1
申请日：2017-10-17
Applicant: 重庆邮电大学
CPC classification number: G06Q50/01 , G06K9/6218
Abstract: 本发明请求保护一种基于密度峰值的多粒度社区发现方法，本方法首先对密度峰值聚类算法存在聚类中心难以确定以及归类易出错的缺点进行改进，使其能准确的发现聚类中心。其次，根据密度峰值聚类的中间结果构造全局社区拓扑结构图，在初始的全局社区图上根据定义的粒层分解规则进行粒层由粗到细自动地划分，通过分解机制划分初始全局社区拓扑结构，得到细粒度层次上的多个独立的社区结构，使得问题求解空间由繁到简。最后，在最终形成的最优粒层空间下得到社交网络社区结构的最优划分。本方法从一定程度上揭示了社交网络内部的层次关系，能快速准确地发现网络中具有的稳定层次结构。
-
公开(公告)号：CN114360654A
公开(公告)日：2022-04-15
申请号：CN202210009139.7
申请日：2022-01-05
Applicant: 重庆邮电大学
Abstract: 本发明属于基因表达数据分析领域，特别涉及一种基于基因表达的图神经网络数据集构建方法；包括获取疾病的基因表达谱数据并提取RNA数据，对RNA数据进行处理生成RNA表达矩阵；对生成的RNA表达矩阵进行标准化处理和差异分析，得到差异表达矩阵；采用WGCNA分析差异表达矩阵并构建重叠拓扑矩阵；将重叠拓扑矩阵中的边信息与节点信息全部导出，对导出的信息进行编码；对编码后的信息进行筛选，采用筛选后的信息构建图神经网络数据集，根据图神经网络数据集识别生物标志物；本发明采取差异表达基因进行WGCNA分析，关注基因与基因之间的关系，并通过对节点和边信息的筛选，构建图神经网络数据集，有利于发现肿瘤的生物标志物。
-
公开(公告)号：CN109858544A
公开(公告)日：2019-06-07
申请号：CN201910077726.8
申请日：2019-01-28
Applicant: 重庆邮电大学
IPC: G06K9/62
Abstract: 本发明属于钢材质量测试领域，具体涉及一种基于区间阴影集和密度峰值聚类的钢材质量检测方法；所述方法包括获取原始钢材数据集，采用欧式距离公式计算得到其距离矩阵；通过密度峰值聚类中的计算公式，获取局部密度矩阵和相对距离矩阵；输出密度峰值聚类中数据集的决策图，并选取m个聚类中心，将非聚类中心进行归类得到m个类簇；计算出m个类簇中各个对象的隶属度值；通过最小化模糊熵差异，确定出m个类簇的最优阈值序列；基于最优阈值序列，采用分类规则分别对m个类簇中的非中心对象按照其隶属度值采用区间阴影集进行三支分类，从而确定出每个对象的质量检测结果，即获得原始钢材数据集的质量检测结果。本发明能够有效且快速的检测出钢材质量。
-
公开(公告)号：CN107491779A
公开(公告)日：2017-12-19
申请号：CN201710502536.7
申请日：2017-06-27
Applicant: 重庆邮电大学
IPC: G06K9/62
CPC classification number: G06K9/6223 , G06K9/6265
Abstract: 本发明请求保护一种基于密度峰值的网格聚类算法，能够高效的对大规模数据进行处理。首先，本文将N维空间粒化为不相交的长方形网格单元，然后统计单元空间的信息。利用密度峰值聚类寻找中心点的思想确定中心单元，即中心网格单元被一些低局部密度的数据单元包围，而且与比自身局部密度高的网格单元的距离相对较大。最后合并与中心网格单元相近网格单元，从而得出聚类结果。在UCI人工数据集上的仿真实验结果表明，本文算法能够较快的得出聚类中心，有效的处理大规模数据的聚类问题，具有较高的效率，与原始的密度峰值聚类算法相比，在不同数据集上时间损耗降低10～100倍，而精度损失维持在5％～8％。
-
-
-
-
Search Results
5
records
(took 0.023 seconds)
