-
公开(公告)号：CN116304768A
公开(公告)日：2023-06-23
申请号：CN202310186231.5
申请日：2023-03-01
Applicant: 桂林理工大学
IPC: G06F18/2321 , G06F18/2323 , G06F18/213 , G06F18/22
Abstract: 本发明公开了一种基于改进等距映射的高维密度峰值聚类方法。采用改进等距映射的方法对高维流形数据集进行降维，并将测地距离作为样本间的相似性度量；根据自然邻居的定义，结合自然邻居和测地距离定义新的局部密度。提出了一个基于自然邻居和共享最近邻的分配策略，构造样本相似性矩阵，利用距离和方向信息为流形类簇准确分配样本，从而得到最终的聚类结果。实验表明，本发明提供的基于改进等距映射的高维密度峰值聚类方法，使用改进等距映射的方法对数据降维后，在无需参数的情况下，能够在高维流形数据上获得十分优异的聚类效果，在密度分布不均匀数据集和UCI数据集上的聚类性能比几种常用的改进的密度峰值聚类算法更好。
-
公开(公告)号：CN116489039A
公开(公告)日：2023-07-25
申请号：CN202310401557.5
申请日：2023-04-16
Applicant: 桂林理工大学
Abstract: 本发明公开了一种基于机器学习的云资源预测方法，包括5个步骤：步骤S1.数据归一化；步骤S2.使用WGAN‑GP训练数据；步骤S3.利用BIGRU网络提取信息；步骤S4.计算相似度；步骤S5.预测方法；对数据进行预测，通过上述相似度的度量，集中各模型的预测更加贴合真实值，提高模型的预测性能。借鉴已有GAN技术，提出在云计算资源的预测研究中使用生成对抗网络对云资源数据进行学习扩充，针对传统循环神经网络无法全面利用数据时间相关信息这一局限性，使用双向门控循环单元网络作为预测模型，有效地学习原始样本的数据分布规律，并生成与原始样本高度相似的较高质量的新数据，从而弥补数据匮乏导致预测精度低的缺陷，提高模型预测性能。
-
公开(公告)号：CN118193125A
公开(公告)日：2024-06-14
申请号：CN202410272592.6
申请日：2024-03-11
Applicant: 桂林理工大学
IPC: G06F9/455 , G06N3/0464 , G06N3/0442 , G06N3/049
Abstract: 本发明公开了一种基于时间卷积和长短期记忆网络的容器云资源预测方法。包括5个步骤：步骤S1.异常值剔除：通过箱型图可视化数据分布，判断离群值是否属于异常数据，再异常值进行剔除；步骤S2.缺失值填充：利用N近邻方法对缺失值进行填充；步骤S3.标准化处理：获取极值对数据进行标准化，消除不同特征之间的量纲差异；步骤S4.特征选择：通过判断各个特征的重要性，从原始特征集合中选择一个子集作为模型训练的输入特征；步骤S5.搭建模型：使用基于PyTorch的深度学习来框架搭建用于容器云资源预测的TCN‑LSTM模型，训练模型优化超参数，输出预测结果。该发明能够捕获长时间序列数据的依赖和特征，降低网络的复杂性，有效地提升了预测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN115392975A
公开(公告)日：2022-11-25
申请号：CN202211060710.4
申请日：2022-08-30
Applicant: 桂林理工大学
Abstract: 本发明公开了一种基于Canopy模糊聚类和奇异值分解的个性化推荐方法，包括5个步骤：步骤S1.生成用户‑属性评分矩阵；步骤S2.Canopy优化FCM聚类算法：通过Canopy优化的FCM聚类算法对用户进行模糊聚类；步骤S3.奇异值分解：通过奇异值分解对用户‑属性评分矩阵进行分解；步骤S4.计算相似度：找出目标用户的候选邻居类，利用皮尔逊相关系数计算目标用户与同一类中候选邻居之间的相似度；步骤S5.项目推荐：对目标推荐用户未评分项目进行预测，通过上述相似度的度量，得到评分预测，并按照降序排列，将前n个项目推荐给用户。该发明能够使得推荐的准确度更高，有效缓解了数据稀疏性、用户主观性强等问题，使推荐误差减小，具有良好的推荐效果。
-
公开(公告)号：CN118194063A
公开(公告)日：2024-06-14
申请号：CN202410273558.0
申请日：2024-03-11
Applicant: 桂林理工大学
IPC: G06F18/2321
Abstract: 本发明公开了一种对比学习的深度聚类方法。包括5个步骤：步骤S1.获取重构样本：使用堆叠自编码器，获得样本的重构样本；步骤S2.构造样本对：利用重构样本构造正样本对，其余样本构造负样本对；步骤S3.计算对比损失：利用余弦相似度计算样本的相似性得到样本的对比损失；步骤S4.初始化聚类中心：对编码器获得的低维潜在特征初始化聚类中心；步骤S5.优化聚类网络：使用KNN算法和Softmax函数优化聚类网络，输出聚类结果。该发明能够降低数据的维度，提取数据的关键特征，有效地提升了聚类的性能。
-
公开(公告)号：CN115496138A
公开(公告)日：2022-12-20
申请号：CN202211125238.8
申请日：2022-09-16
Applicant: 桂林理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于自然邻居的自适应密度峰值聚类方法。首先采用自然邻居搜索算法对数据集中的每个点进行搜索，直到达到一种自然稳定状态，实现自适应获得聚类参数。提出了一个综合考虑局部密度和相对距离的两种因素以重新定义簇中心权值的计算公式，然后根据簇中心的分布规律提出自适应的簇类中心提取机制，最后定义了簇间相似度并提出了新的簇合并规则进行簇的合并，从而得到最终的聚类结果。实验表明，本发明提供的基于自然邻居的自适应密度峰值聚类方法，在无需参数的情况下，能够在密度分布不均匀数据上获得十分优异的聚类效果，在流形数据集和UCI数据集上的聚类性能比几种常用的聚类算法更好。
-
公开(公告)号：CN114565073A
公开(公告)日：2022-05-31
申请号：CN202210090319.2
申请日：2022-01-25
Applicant: 桂林理工大学
IPC: G06N3/00
Abstract: 本发明公开了一种基于多变异策略的变异算子NAA，优化了NSGA‑III算法的性能。基于多变异策略的变异算子充分利用变异算子在不同迭代周期的优势，并将种群中个体的适应度值引入突变概率中，提高变异算子的性能。迭代的初期，采用均匀变异算子，根据均匀变异具有很强的全局搜索能力，在搜索的初期扩大种群的多样性；迭代的中期，采用自适应变异算子，并根据个体的适应度值来控制突变的概率，引领个体朝着更好的方向进行突变；迭代的后期，采用多项式变异算子，将个体的适应度值引入突变概率，根据多项式变异的扰动效果，加速整个变异的收敛性能。并将该算子应用到其他的高维多目标优化算法上进行测试，在一定程度上也能表现出较好的性能。
-
公开(公告)号：CN114528483A
公开(公告)日：2022-05-24
申请号：CN202210090338.5
申请日：2022-01-25
Applicant: 桂林理工大学
IPC: G06F16/9535 , G06F16/958 , G06F30/27 , G06N3/00 , G06F111/06
Abstract: 本发明公开了一种基于多目标优化的混合推荐系统及方法，包括：获取推荐系统所需数据并建立对应数据集；用混合推荐方法按照推荐的准确率、新颖性、多样性和召回率等多个指标生成混合推荐算法候选集；将多个评价指标建模成多目标优化问题，将多个评价指标的推荐问题转化为高维多目标优化问题；改进多目标优化方法，在多个混合推荐算法候选集中选择出最符合用户需求的推荐集合。本发明将多目标优化的混合推荐方法应用到推荐系统中，能更为精准的为用户推荐多个推荐结果，更加符合用户的推荐结果的需求。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
