-
公开(公告)号：CN116882686A
公开(公告)日：2023-10-13
申请号：CN202310871363.1
申请日：2023-07-14
申请人： 南通大学
IPC分类号： G06Q10/0631 , G06N3/126
摘要： 本发明公开一种基于改进遗传算法解决多偏好的超市智能排班算法，包含以下步骤：设置店铺预设条件；基于预设条件构建和改进算法模型；根据改进遗传算法求解排版模型。本发明的基于改进遗传算法解决多偏好的超市智能排班算法，提出一种基于改进的遗传算法，加入依据种群适应度标准差的高斯扰动和增大变异概率进行求解。与传统的的以列表为主的编码方式相比，本发明提出以矩阵为主的编码方式，不同的位置代表不同的班次，可以更直观的表示排班表和种群个体基因的转换，同时可以更好的变异，以加快收敛速度，找到更改的解。
-
公开(公告)号：CN116524256A
公开(公告)日：2023-08-01
申请号：CN202310446642.3
申请日：2023-04-24
申请人： 南通大学
IPC分类号： G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/086 , G06T7/00
摘要： 本发明提供了一种基于残差神经网络和进化算法的脑MRI图像分类方法，属于医学图像信息智能处理技术领域。其技术方案为：包括如下步骤：S1、图像预处理；S2、构建ResNet神经网络模型；S3、利用差分进化算法DE对ResNet神经网络模型进行优化，获得基于差分进化算法优化的ResNet即DE‑ResNet神经网络模型；S4、将预处理后数据增强的脑MRI图像使用DE‑ResNet神经网络模型对待测脑MRI图像分类。本发明提出了一种基于残差神经网络和进化算法的脑MRI图像分类方法有效地进行脑MRI图像分类，获得更高的图像分类精度和效率。
-
公开(公告)号：CN114676298A
公开(公告)日：2022-06-28
申请号：CN202210379210.0
申请日：2022-04-12
申请人： 南通大学
IPC分类号： G06F16/9035 , G06F16/951 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明提供了一种基于质量过滤器的缺陷报告标题自动生成方法，属于软件质量保障技术领域。其技术方案为：首先从GitHub上选择高质量开源项目，再对数据集进行数据预处理，训练自动生成模型，当预测新的缺陷报告时，分别基于通过学习低质量缺陷报告特征进行过滤的深度学习模块和通过判断历史数据集中是否存在与新缺陷报告内容相似的数据实现预测的信息检索模块，来协同预测该缺陷报告能否生成高质量标题，若预测能，则通过自动生成模型生成标题，反之则提出警告。本发明的有益效果为：通过使用正则表达式进行数据预处理，提高了数据处理效率和方法的兼容性；通过双模块协同过滤，提高了自动生成模型生成的标题质量与效率。
-
公开(公告)号：CN113011179A
公开(公告)日：2021-06-22
申请号：CN202110341218.3
申请日：2021-03-30
申请人： 南通大学
IPC分类号： G06F40/284 , G06F40/237 , G06N3/04
摘要： 本发明提供了一种基于缺陷报告摘要中词性信息的严重程度预测方法，通过使用较少数据量实现相近或更优的预测性能，并进一步地利用软件缺陷报告跟踪系统平台上存放的大型项目所含缺陷报告，进行快速且高准确性的软件缺陷报告严重程度的预测。本发明的有益效果为：本发明预测方法首先对缺陷报告中的摘要属性进行文本预处理，得到词根形式的分词；基于大规模文本语料库使用卷积神经网络模型训练，获得包含所属各分词词性和单词间相似度邻接矩阵的Spacy模型，进一步对分词进行筛选，随机抽取并生成相似数据扩充数据集，最终实现对缺陷报告严重程度的预测，相比于其他预测方法使用较少数据实现了更优性能。
-
公开(公告)号：CN112306731A
公开(公告)日：2021-02-02
申请号：CN202011265113.6
申请日：2020-11-12
申请人： 南通大学
IPC分类号： G06F11/07 , G06F40/279 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明提供了基于Spacy词向量的两阶段判别缺陷报告严重程度预测方法，首先从项目所在的缺陷跟踪系统中搜集历史缺陷报告，并抽取描述信息summary属性和严重程度severity属性对应内容得到缺陷报告训练数据集，然后进行预处理及生成对应向量，最后执行两阶段判别过程构建严重程度预测模型。本发明的有益效果为：本发明在两阶段判别过程采用朴素贝叶斯算法，该算法易实现、效果好，可保证预测模型的准确率；该发明的严重程度预测模型对相同的数据进行两次运用，一方面实现对同一批数据的二次利用，有利于提升模型的表现；另一方面实现两阶段判别可在大类分类正确的情况下减轻多分类朴素贝叶斯预测模型的压力，进一步提高预测模型的准确率。
-
公开(公告)号：CN114491540B
公开(公告)日：2024-09-10
申请号：CN202210161142.0
申请日：2022-02-22
申请人： 南通大学
IPC分类号： G06F21/56 , G06F21/57 , G06N3/0442
摘要： 本发明提供了一种基于GraphCodeBERT的安全漏洞检测方法，其技术方案为：首先对源代码进行预处理，得到数据流词元、源代码词元和注释词元，作为安全漏洞检测模型的输入，模型采用编码器‑解码器框架，编码器端使用预训练的GraphCodeBERT，解码器端使用双向长短期记忆(BiLSTM)模型作为分类模型，最终输出一个二分类结果，用来判断代码是否包含安全漏洞。本发明的有益效果为：基于函数粒度，将安全漏洞检测问题建模为二分类问题；与传统的词向量方法不同，通过在编码器端考虑数据流信息，使得模型更容易学到漏洞模式。
-
公开(公告)号：CN113011179B
公开(公告)日：2023-10-20
申请号：CN202110341218.3
申请日：2021-03-30
申请人： 南通大学
IPC分类号： G06F40/284 , G06F40/237 , G06F18/27 , G06F18/241 , G06N3/0464
摘要： 本发明提供了一种基于缺陷报告摘要中词性信息的严重程度预测方法，通过使用较少数据量实现相近或更优的预测性能，并进一步地利用软件缺陷报告跟踪系统平台上存放的大型项目所含缺陷报告，进行快速且高准确性的软件缺陷报告严重程度的预测。本发明的有益效果为：本发明预测方法首先对缺陷报告中的摘要属性进行文本预处理，得到词根形式的分词；基于大规模文本语料库使用卷积神经网络模型训练，获得包含所属各分词词性和单词间相似度邻接矩阵的Spacy模型，进一步对分词进行筛选，随机抽取并生成相似数据扩充数据集，最终实现对缺陷报告严重程度的预测，相比于其他预测方法使用较少数据实现了更优性能。
-
公开(公告)号：CN116523877A
公开(公告)日：2023-08-01
申请号：CN202310487851.2
申请日：2023-05-04
申请人： 南通大学
IPC分类号： G06T7/00 , G06T7/10 , G06N3/0464 , G06N3/08 , G06N3/006
摘要： 本发明提供了一种基于卷积神经网络的脑MRI图像肿瘤块分割方法，属于医学图像信息智能处理技术领域。其技术方案为：包括如下步骤：S1、图像预处理；S2、构建3D‑U‑Net神经网络模型；S3、利用粒子群优化算法PSO对3D‑U‑Net神经网络模型进行优化，获得基于粒子群优化算法优化的三维U‑Net即PSO‑3D‑U‑Net神经网络模型；S4、将预处理后数据增强的脑MRI图像使用PSO‑3D‑U‑Net神经网络模型对待测脑MRI图像分割。本发明的有益效果为：有效地避免了神经网络中初始化权值不当的问题，提高了网络的收敛速度和收敛精度。
-
公开(公告)号：CN114186644A
公开(公告)日：2022-03-15
申请号：CN202111633840.8
申请日：2021-12-29
申请人： 南通大学
摘要： 本发明属于软件质量保障技术领域，具体涉及一种基于优化随机森林的缺陷报告严重程度预测方法。本发明首先从项目所在的缺陷跟踪系统中，搜集历史缺陷报告并下载，对下载的数据集进行预处理，得到目标缺陷报告数据集；然后使用贝叶斯超参优化方法优化随机森林模型，获得最优的超参数，最后根据最优超参数，构建缺陷报告严重程度预测模型。该发明使用随机森林模型，因其内部集成多个基分类器，具有较强的模型泛化能力；利用贝叶斯超参优化方法可在预设的取值范围内找出最优超参数，进一步增强随机森林模型的泛化能力，提高模型的预测能力。
-
公开(公告)号：CN112306731B
公开(公告)日：2021-11-09
申请号：CN202011265113.6
申请日：2020-11-12
申请人： 南通大学
IPC分类号： G06F11/07 , G06F40/279 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明提供了基于Spacy词向量的两阶段判别缺陷报告严重程度预测方法，首先从项目所在的缺陷跟踪系统中搜集历史缺陷报告，并抽取描述信息summary属性和严重程度severity属性对应内容得到缺陷报告训练数据集，然后进行预处理及生成对应向量，最后执行两阶段判别过程构建严重程度预测模型。本发明的有益效果为：本发明在两阶段判别过程采用朴素贝叶斯算法，该算法易实现、效果好，可保证预测模型的准确率；该发明的严重程度预测模型对相同的数据进行两次运用，一方面实现对同一批数据的二次利用，有利于提升模型的表现；另一方面实现两阶段判别可在大类分类正确的情况下减轻多分类朴素贝叶斯预测模型的压力，进一步提高预测模型的准确率。
-
-
-
-
-
-
-
-
-
搜索结果
14 条记录 (耗时 0.026 秒)
