-
公开(公告)号：CN110956223A
公开(公告)日：2020-04-03
申请号：CN201911335783.8
申请日：2019-12-23
Applicant: 宁波大学
IPC: G06K9/62
Abstract: 本发明涉及一种复杂网络图的概要方法及其在蛋白质关系网中的应用，将复杂网络图记为G＝(V，E)，V为节点的集合，E为边的集合，包括：步骤1、在复杂网络图中挑选出子图H＝(V′,E′)， 对于子图中任意两节点组成的边满足条件：sup(e(u,v)，H)≥k-2，将这些子图标记为稠密子图；步骤2、将每个稠密子图中的所有节点压缩成一个节点，将该节点标记为超点，将与所有超点相关联的边，标记为超边；步骤3、将所有超点和除超点外的其他节点组成新的节点集合，将超边和除超边外的其他边组成新的边集合，将新的节点集合和新的边集合形成概要图。能有效减小数据规模，降低网络布局中节点和关联边密集的现象，近似保持原始图的幂率性和聚类系数；且能清晰地显示数据整体结构。
-
公开(公告)号：CN107545179A
公开(公告)日：2018-01-05
申请号：CN201710558799.X
申请日：2017-07-11
Applicant: 宁波大学
IPC: G06F21/56
Abstract: 本发明涉及一种垃圾网页识别方法，从已识别的网页中随机选取数目相同的已被标记的垃圾网页和已被标记的非垃圾网页构建训练集，统计训练集中每个训练网页对应的有向图三角的数目，将得到的有向图三角特征与网页中包含的链接特征、链接组合特征、网页标签特征进行组合，使用随机森林对组合特征集进行训练，得到四个训练模型；将未识别网页的有向图三角特征与未识别网页的链接特征、链接组合特征进行组合，四组未识别网页的测试组合特征集分别对应输入到步骤(3)得到的四个训练模型中进行测试，分别得到4个网页标签特征测试结果。本发明的优点在于：使用有向图三角特征提高了垃圾网页识别的准确率。
-
公开(公告)号：CN118552781A
公开(公告)日：2024-08-27
申请号：CN202410669950.7
申请日：2024-05-28
Applicant: 宁波大学
IPC: G06V10/764 , G06V10/82 , G06V10/25 , G06V10/774 , G06N3/0464 , G06N3/094 , G06N3/0475 , G06N3/045 , G06N3/088 , A61B5/055 , A61B5/00
Abstract: 一种基于医学fMRI数据的混合数据增强无监督域自适应分类方法，涉及功能核磁共振成像分类领域。解决由于不同站点数据的分布差异较大以及数据稀缺，仅依靠对齐与对抗策略并不能取得高效的预测结果的问题。方法包括：获取fMRI数据中各个大脑区域中的平均时间序列；选取N个感兴趣区域ROI，根据全部样本数据对每个ROI的时序特征进行归一化处理；通过Cross‑Domain Mix‑up生成新样本；根据原始fMRI数据和生成新样本构建图数据；使用时空图卷积神经网络对图数据进行特征学习；将时空图卷积神经网络学习后的特征进行特征对齐和域对抗；根据类判别器对目标域样本做出分类预测。应用于医学数据分类领域。
-
公开(公告)号：CN110909027B
公开(公告)日：2022-04-01
申请号：CN201910988287.6
申请日：2019-10-17
Applicant: 宁波大学
IPC: G06F16/2455 , G06F16/22
Abstract: 本发明公开了一种哈希检索方法，特点是通过引入Spark分布式集群，将原始数据和查询数据平均分配至Spark分布式集群的每个节点中进行并行计算，其中包括了排序计算和根据损失函数通过梯度下降法对其中的参数进行迭代更新，最终根据迭代完成的最终二进制编码矩阵分别对原始数据集和查询数据集进行哈希编码，通过比较海明距离得到每个查询数据的查询结果，完成哈希检索过程，优点是降低了整体训练过程所需时间，通过实验结果表明，与其他哈希检索方法相比，采用本发明所述哈希检索方法能够大幅度降低算法的训练时间，从而提高训练效率。
-
公开(公告)号：CN107545179B
公开(公告)日：2020-06-19
申请号：CN201710558799.X
申请日：2017-07-11
Applicant: 宁波大学
IPC: G06F21/56
Abstract: 本发明涉及一种垃圾网页识别方法，从已识别的网页中随机选取数目相同的已被标记的垃圾网页和已被标记的非垃圾网页构建训练集，统计训练集中每个训练网页对应的有向图三角的数目，将得到的有向图三角特征与网页中包含的链接特征、链接组合特征、网页标签特征进行组合，使用随机森林对组合特征集进行训练，得到四个训练模型；将未识别网页的有向图三角特征与未识别网页的链接特征、链接组合特征进行组合，四组未识别网页的测试组合特征集分别对应输入到步骤(3)得到的四个训练模型中进行测试，分别得到4个网页标签特征测试结果。本发明的优点在于：使用有向图三角特征提高了垃圾网页识别的准确率。
-
Patent Agency Ranking
公开(公告)号：CN110909027A
公开(公告)日：2020-03-24
申请号：CN201910988287.6
申请日：2019-10-17
Applicant: 宁波大学
IPC: G06F16/2455 , G06F16/22
Abstract: 本发明公开了一种哈希检索方法，特点是通过引入Spark分布式集群，将原始数据和查询数据平均分配至Spark分布式集群的每个节点中进行并行计算，其中包括了排序计算和根据损失函数通过梯度下降法对其中的参数进行迭代更新，最终根据迭代完成的最终二进制编码矩阵分别对原始数据集和查询数据集进行哈希编码，通过比较海明距离得到每个查询数据的查询结果，完成哈希检索过程，优点是降低了整体训练过程所需时间，通过实验结果表明，与其他哈希检索方法相比，采用本发明所述哈希检索方法能够大幅度降低算法的训练时间，从而提高训练效率。
-
公开(公告)号：CN117689092B
公开(公告)日：2024-11-26
申请号：CN202311482987.0
申请日：2023-11-09
Applicant: 宁波大学
IPC: G06Q10/047 , G06N3/126
Abstract: 本发明公开了一种基于动态排序的约束多模态多目标路径优化方法，涉及路径优化领域，生成包括可连通的N个路径个体的第一路径种群及第二路径种群，确定当前迭代次数下用于平衡约束质量与收敛质量冲突的第一权重及第二权重，根据预设协同进化策略、第一权重及第二权重对第一路径种群及第二路径种群进行协同迭代，该策略根据待求解模型的目标函数及约束条件设定以迭代出在满足约束条件的基础上更满足目标函数的优化目标的第一路径种群，在达到预设迭代终止条件时，确定此时第一路径种群中的N个路径个体为N条等效最优路径。本申请平衡了路径的可行性与收敛性之间冲突，提供了多条等效最优路径供决策者选择，利于实际路径优化应用。
-
公开(公告)号：CN112417292B
公开(公告)日：2021-10-08
申请号：CN202011392642.2
申请日：2020-12-02
Applicant: 宁波大学
IPC: G06F16/9535 , G06F16/9536
Abstract: 本发明公开了基于item边CCA对齐的跨域推荐方法，属于跨域推荐技术领域。本方法对辅助域与目标域中的item边按典型相关系数进行线性对齐；将辅助域中对齐后的item隐含空间特征矩阵进行迁移，避免了辅助域的user特征对目标域user特征的干扰。此外，本发明在UV分解过程中保留了目标域的user特征约束，使得item的迁移过程兼顾了辅助域的item特征，并强调了目标域的user特殊性。因此，本发明所提出的CIAM不仅考虑了辅助域item对目标域item的相似性学习问题，还考虑了目标域的user特点，减轻了跨域推荐的“过拟合迁移”问题。
-
公开(公告)号：CN110803406A
公开(公告)日：2020-02-18
申请号：CN201910993388.2
申请日：2019-10-18
Applicant: 宁波大学
Abstract: 本发明公开了一种基于深度学习的智能分类垃圾箱，包括垃圾箱主体结构和智能分类控制器，垃圾箱主体结构包括箱体，箱体内设置有垃圾收纳室以及多个垃圾仓，收纳室底部为活动底板，当活动底板打开时，收纳室与位于其下的垃圾仓连通，初始状态，一个垃圾仓位于收纳室的正下方，活动底板处于关闭状态，智能分类控制器包括识别模块、控制模块、无线通信模块、供电模块、用于安装在智能终端通信设备中的APP模块、垃圾分类选择模块和驱动模块，供电模块与控制模块连接，控制模块分别与识别模块、垃圾分类选择模块、驱动模块和无线通信模块连接，无线通信模块与APP模块连接；优点是可以实现垃圾自动分类，垃圾分类准确度高，且成本较低。
-
公开(公告)号：CN109697467A
公开(公告)日：2019-04-30
申请号：CN201811583927.7
申请日：2018-12-24
Applicant: 宁波大学
IPC: G06K9/62
CPC classification number: G06K9/6224
Abstract: 本发明涉及一种复杂网络图的概要方法，将复杂网络图记为G＝(V，E)，V为节点的集合，E为边的集合，包括：步骤1、在复杂网络图中挑选出子图H＝(V′,E′)， 对于子图中任意两节点组成的边满足条件：sup(e(u,v)，H)≥k-2，将这些子图标记为稠密子图；步骤2、将每个稠密子图中的所有节点压缩成一个节点，将该节点标记为超点，将与所有超点相关联的边，标记为超边；步骤3、将所有超点和除超点外的其他节点组成新的节点集合，将超边和除超边外的其他边组成新的边集合，将新的节点集合和新的边集合形成概要图。能有效减小数据规模，降低网络布局中节点和关联边密集的现象，近似保持原始图的幂率性和聚类系数；且能清晰地显示数据整体结构。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.022 seconds)
