-
公开(公告)号：CN119962572A
公开(公告)日：2025-05-09
申请号：CN202510053556.5
申请日：2025-01-14
Applicant: 吉林大学
IPC: G06N3/042 , G06N3/0455 , G06N3/0464 , G06N3/0442 , G06N3/08 , G06F18/213 , G06F18/25 , G06F123/02
Abstract: 本申请公开了一种多元时间序列预测方法及装置，涉及数据预测技术领域，该方法包括：根据目标非线性动力系统的拓扑结构，构建基于图卷积神经网络的网络模型；所述网络模型包括依次连接的自适应图模块、编码器、空间神经微分方程模块、时间神经微分方程模块和解码器；采用所述目标非线性动力系统的历史数据集训练所述网络模型，得到多元时间序列预测模型；通过空间神经微分方程模块引入状态反馈来揭示时空时间序列在空间维度上的演化模式，并引入基于非线性状态转移理论的神经微分方程来模拟时间层面的状态演化，在融合空间特征同时抑制特征过平滑现象，提高了数据预测的有效性。
-
公开(公告)号：CN119249095A
公开(公告)日：2025-01-03
申请号：CN202411297150.3
申请日：2024-09-18
Applicant: 吉林大学
IPC: G06F18/20 , G06F18/27 , G06N3/0499
Abstract: 本申请公开了一种基于分而治之策略和符号回归的积雪覆盖率确定方法，涉及环境监测技术领域，该方法包括：根据多种目标环境参数，利用数据集对全连接前馈神经网络进行预训练，得到黑盒积雪覆盖率确定模型；基于黑盒积雪覆盖率确定模型，构建符号神经网络；基于权重重要性分数和白盒损失函数优化符号神经网络，得到积雪覆盖率确定方程；获取待测区域多种目标环境参数的实时测量值；将待测区域多种目标环境参数的实时测量值输入到积雪覆盖率确定方程中，得到待测区域的积雪覆盖率，本申请基于分而治之策略搭建符号神经网络并基于权重重要性分数和白盒损失函数完成路径寻优，进而提高积雪覆盖率的确定精度和效率。
-
公开(公告)号：CN116795989A
公开(公告)日：2023-09-22
申请号：CN202310798909.5
申请日：2023-06-30
Applicant: 吉林大学
IPC: G06F16/35 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/045 , G06N3/084 , G06N3/0895 , G06N3/094 , G06Q50/00
Abstract: 本发明公开了一种基于自适应数据增强和对抗性训练的谣言检测框架，旨在克服现有技术在面对数据噪声问题时只考虑结构而忽略特征，不考虑对抗性攻击对谣言检测问题的影响等问题。方法的步骤为：1.对数据集进行处理；2.利用自适应数据增强方法减弱噪声的影响；3.利用图卷积神经网络生成图表示；4.利用对抗性生成模块生成对抗性表示提高模型的鲁棒性；5.构建联合损失函数优化谣言检测任务。
-
公开(公告)号：CN116561702A
公开(公告)日：2023-08-08
申请号：CN202310528787.8
申请日：2023-05-11
Applicant: 吉林大学 , 中国航空工业集团公司沈阳飞机设计研究所
IPC: G06F18/25 , G06F18/214 , G06F18/243 , G06F18/23213 , G06N5/01 , G06N20/00
Abstract: 本发明公开了一种面向开放环境的人机协作意图理解方法、系统及设备。该方法包括：定义任务需求的意图集合；获取设备运行的历史多维时间序列数据；对所述历史多维时间序列数据进行特征融合，构建训练集；以所述训练集为输入，以所述训练集对应的所述意图集合中的意图分布概率为输出，对神经网络模型进行训练；构建基于决策树的产生式规则模型；将当前时刻的多维时间序列数据进行特征融合后与上一时刻的意图进行数据拼接；基于拼接后的数据，通过训练好的神经网络模型和所述产生式规则模型识别设备当前时刻的意图。本发明能够解决现有技术中意图识别的准确率低，且模型复杂的问题。
-
公开(公告)号：CN112000689B
公开(公告)日：2022-10-18
申请号：CN202010825084.8
申请日：2020-08-17
Applicant: 吉林大学
IPC: G06F16/242 , G06F16/28 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种基于文本分析的多知识图谱融合方法，包括：针对文本数据，构建多个知识图谱；使用Transformer生成每个知识图谱KG的实体向量表示；使用注意力机制对每个知识图谱KG的实体邻居进行采样；使用解耦图神经网络表示学习方法聚合每个知识图谱KG的实体的邻居信息；通过距离衡量任意两个知识图谱KG的实体之间相似度；利用正负样本进行神经网络的训练。与现有技术相比，本发明可以更好地区分实体之间的相似性和表达文本中一个实体的可能存在多个不同的社会属性，从而提升知识图谱融合的表达能力。
-
Patent Agency Ranking
公开(公告)号：CN110147911B
公开(公告)日：2022-09-09
申请号：CN201910452492.0
申请日：2019-05-28
Applicant: 吉林大学
Abstract: 本发明公开了一种基于内容感知的社交影响力预测模型及预测方法，涉及社交网络分析领域，包括：使用图卷积网络对网络节点进行特征表示，使用长短期记忆网络(LSTM)对每个节点对应的社交媒体内容进行表示，使用结合社交媒体内容的RN模型对节点和社交媒体内容的特征向量表示进行融合并进行推理计算，将上述得到的output和真实的label进行对比，从而优化目标函数。本发明使用图卷积网络对网络节点进行特征表示，一方面可以更好地集成节点的属性信息，另一方面还可以对网络中的新节点进行预测；同时在建模时考虑了社交媒体的内容信息，将样本按照社交媒体内容进行正负样本划分，有效缓解稀疏的观测数据给进行深入研究带来的问题。
-
公开(公告)号：CN111127364B
公开(公告)日：2022-08-02
申请号：CN201911365687.8
申请日：2019-12-26
Applicant: 吉林大学
Abstract: 本发明涉及一种图像数据增强策略选择方法及人脸识别图像数据增强方法。图像数据增强策略选择方法包括：获取数据增强策略搜索空间和目标物体图像集；在搜索空间中随机选取若干条数据增强策略；分别计算随机选取的若干条数据增强策略对应的图像分类误差，得到初始数据增强策略误差对集合；采用贝叶斯优化方法从搜索空间中搜索选出最优数据增强策略。人脸识别图像数据增强方法包括将选出的最优数据增强策略应用在待增强的人脸识别图像中。本发明的数据增强策略选择方法仅需要根据已有的目标物体图像集运行一次，选出最优数据增强策略，即可将该最优数据增强策略应用到同类的目标物体图像数据中进行图像数据增强，提高图像数据增强方法的使用效率。
-
公开(公告)号：CN108874914B
公开(公告)日：2021-11-02
申请号：CN201810533975.9
申请日：2018-05-29
Applicant: 吉林大学
IPC: G06F16/9535 , G06Q30/06 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于图卷积与神经协同过滤的信息推荐方法，结合图卷积神经网络模型的优点，能够通过直观的方式对多种信息进行融合处理，不仅能够接收用户的特征信息，而且能够接收用户的属性信息，对稀疏的评分数据有较好的推荐性能；另外使用了多种技巧对模型的输入与参数进行优化建模，克服了可能遇到的细节问题。另外，由于引入非线性的基于神经网络的协同过滤方法作为模型的解码器部分，能够很好的利用图卷积编码器输出的用户和物品编码，通过end‑to‑end的模型，所有过程都是运行在同一框架下，不需分别训练。经过输入数据的处理和模型的训练与预测，可以得到完整的评分预测矩阵。
-
公开(公告)号：CN108536844B
公开(公告)日：2021-09-03
申请号：CN201810336473.7
申请日：2018-04-13
Applicant: 吉林大学
IPC: G06F16/35 , G06F16/901
Abstract: 本发明公开了一种文本增强的网络表示学习方法，涉及复杂网络分析技术，基于非负矩阵分解的框架提出了一个新的由文本信息增强的网络表示学习方法，对于网络结构，本文结合了节点之间的一阶和二阶相似性，然后通过分解相似度矩阵得到网络表示；对于与节点相关的文本聚类结构，本文将文本‑词项矩阵进行分解得到文本聚类隶属度矩阵，然后利用该矩阵在网络表示和文本聚类结构之间建立了一致性关系，从而网络表示学习由网络结构和与节点相关的文本聚类结构共同控制，该方法既刻画了网络结构又刻画了与节点相关的文本聚类结构，为网络表示学习增加了除网络结构之外的额外信息，从而使学习到的节点表示包含更多的有用信息，具有更高的可辨识性。
-
公开(公告)号：CN111897974A
公开(公告)日：2020-11-06
申请号：CN202010807155.1
申请日：2020-08-12
Applicant: 吉林大学
IPC: G06F16/36
Abstract: 本发明公开了一种基于多层注意力机制的异质知识图谱学习方法，包括如下步骤：一：将异质知识图谱中各类型实例映射到统一的特征空间中，通过局部级注意力分别学得实例在不同元路径视图下的重要性程度；二：通过全局级注意力学习各个元路径视图的重要性，对实例在各个元路径视图下的嵌入特征进行融合；三：计算损失并进行端到端优化。本发明利用异质知识图谱中丰富的结构特征与实例特征，通过局部与全局级注意力机制的相互作用，为每个实例计算出与它相关的不同实例对其的影响，同时也刻画不同元路径视图对于实例表示的重要性，以此指导实例表示在不同视图下的融合问题，从而学到更具判别性的特征，提升在进行分类、连接预测等任务时的质量。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.024 seconds)
