公开(公告)号：CN104408072B

公开(公告)日：2017-07-18

申请号：CN201410605262.0

申请日：2014-10-30

Applicant: 广东电网有限责任公司电力科学研究院 ,  华南理工大学

Inventor： 杨劲锋 ,  肖勇 ,  任龙霞 ,  陈启冠 ,  阙华坤 ,  马千里 ,  王家兵 ,  邢林杰 ,  蒋佳军

IPC: G06F17/30

Abstract: 本发明的目的在于提供一种基于复杂网络理论的适用于分类的时间序列特征提取方法，本方法的步骤包括：首先，将时间序列转化为相应的复杂网络；其次，为了得到适用于分类的特征向量，对所得复杂网络的统计特征进行提取，得到相应的特征向量；最后，将所得特征向量输入分类器，对时间序列进行分类。通过实验验证本发明所提方法的有效性，实验结果表明将该方法所提取特征应用于时间序列分类能够达到较高的准确率。

公开(公告)号：CN114692637B

公开(公告)日：2025-04-18

申请号：CN202210288286.2

申请日：2022-03-23

Applicant: 华南理工大学

Inventor： 范垂钦 ,  王家兵

IPC: G06F40/295 ,  G06F40/211 ,  G06F40/30 ,  G06F18/2431

Abstract: 本发明公开了一种面向句子级别的关系抽取方法、设备及存储介质，包括获得一个句子，在每个实体的两端分别插入特殊标记，输入预训练语言模型得到该句子每个词的词向量；使用随机初始化的多个关系向量分别对每个词向量计算相关度，进一步计算二分类损失；使用平均池化计算句子向量、实体向量，使用最大池化计算关系向量，将这些特殊输入多分类器得到多分类损失；将句子中的实体一定概率掩藏得到另外一个句子，衡量两个句子输出分布的一致性损失；对上述步骤中的所有损失联合训练。本发明能够有效抽取文本中的关键信息，捕捉文本中实体的联系，从而达到良好的关系抽取性能。

公开(公告)号：CN116578752A

公开(公告)日：2023-08-11

申请号：CN202310366864.4

申请日：2023-04-06

Applicant: 华南理工大学

Inventor： 王钢 ,  王家兵

IPC: G06F16/903 ,  G06F16/901

Abstract: 本发明公开了一种优化的新型稠密子图提取方法、系统、装置及介质，其中方法包括：获取原图中所有三角形，计算每个三角形的权重和顶点权重；初始化参数λ，根据计算的权重构造有向流图，将有向流图改造成相应的二部图；应用二部图的最大流算法求解最大流，进行二分搜索参数λ，并更新有向流图；根据搜索出的顶点集求解导出子图，作为目标稠密子图。本发明将原有向流图改造成二部图后，使用二部图的preflow‑push算法代替通用算法来求解源点s或s1到汇点t的最大流，可以极大地降低push和relabel的次数，降低了算法的时间复杂性，且拥有较高的稠密度。本发明可广泛应用于图网络数据挖掘领域。

公开(公告)号：CN109086805B

公开(公告)日：2020-07-28

申请号：CN201810765487.0

申请日：2018-07-12

Applicant: 华南理工大学

Inventor： 黄嘉桥 ,  王家兵

IPC: G06K9/62

Abstract: 本发明公开了一种基于深度神经网络和成对约束的聚类方法，给定一个包含数据间成对约束的数据集；得到数据集样本间的差向量；构建一个自编码网络和一个深度神经网络；将数据集样本作为自编码网络的输入，输入的数据集样本作为自编码网络的输出训练网络，将自编码网络瓶颈处的输出作为深度神经网络的输入，成对约束作为正确标记训练网络；将训练过的自编码网络和深度神经网络结合到聚类算法上；使用聚类算法进行聚类任务。本发明结合了原始数据集中数据间的成对约束，通过自编码网络对输入数据进行降维操作和深度神经网络学习特征，并且提出了该网络模型的损失函数及其基于梯度下降的优化算法，有效提高了聚类算法的聚类精度。

公开(公告)号：CN109086805A

公开(公告)日：2018-12-25

申请号：CN201810765487.0

申请日：2018-07-12

Applicant: 华南理工大学

Inventor： 黄嘉桥 ,  王家兵

IPC: G06K9/62

Abstract: 本发明公开了一种基于深度神经网络和成对约束的聚类方法，给定一个包含数据间成对约束的数据集；得到数据集样本间的差向量；构建一个自编码网络和一个深度神经网络；将数据集样本作为自编码网络的输入，输入的数据集样本作为自编码网络的输出训练网络，将自编码网络瓶颈处的输出作为深度神经网络的输入，成对约束作为正确标记训练网络；将训练过的自编码网络和深度神经网络结合到聚类算法上；使用聚类算法进行聚类任务。本发明结合了原始数据集中数据间的成对约束，通过自编码网络对输入数据进行降维操作和深度神经网络学习特征，并且提出了该网络模型的损失函数及其基于梯度下降的优化算法，有效提高了聚类算法的聚类精度。

公开(公告)号：CN108470187A

公开(公告)日：2018-08-31

申请号：CN201810161468.7

申请日：2018-02-26

Applicant: 华南理工大学

Inventor： 俞彬 ,  王家兵

IPC: G06K9/62

CPC classification number: G06K9/6269 ,  G06K9/6256

Abstract: 本发明公开了一种基于扩充训练数据集的类别不平衡问题分类方法，步骤包括：获取分类任务所需的真实数据集；在真实数据集中筛选出少数类样本，并区分出靠近和远离决策边界的样本；将上述样本作为输入，运行一个生成式对抗网络，得到与真实数据相似的人工样本；将一定数量的人工样本加入到真实数据集中，得到混合数据集；将混合数据集作为输入，使用分类器进行分类任务。本发明结合CycleGAN模型与原始数据集中的边界信息，有效地模拟了真实数据的分布特征。本发明对小样本数据进行过采样，提高了分类器的精度，有效改善了类别不平衡问题对分类任务造成的影响。