-
公开(公告)号：CN111694913B
公开(公告)日：2023-07-11
申请号：CN202010507856.3
申请日：2020-06-05
Applicant: 海南大学
Abstract: 本发明涉及一种基于卷积自编码器的船舶AIS轨迹聚类方法和装置。本发明的基于卷积自编码器的船舶AIS轨迹聚类方法包括：获取船舶的连续轨迹，将连续轨迹划分为若干子轨迹；对若干子轨迹进行特征工程提取，得到子轨迹特征矩阵；将子轨迹特征矩阵输入多特征融合自编码器，获得位置特征向量、速度特征向量和航向特征向量；对位置特征向量、速度特征向量和航向特征向量进行拼接操作，获得船舶轨迹的潜在特征向量；对提取后的船舶轨迹特征向量进行轨迹聚类操作，得到船舶轨迹聚类结果。本发明的方法不需要根据相关数据量和轨迹类型，计算复杂度，噪声和其他影响因素来选择时空轨迹度量方法，不需要相似度距离公式，从而节省了计算时间和资源。
-
公开(公告)号：CN114691195A
公开(公告)日：2022-07-01
申请号：CN202210306272.9
申请日：2022-03-25
Applicant: 海南大学
Abstract: 本发明属于代码检测技术领域，公开了一种基于事件嵌入和事件依赖图的代码克隆检测方法，包括如下步骤：基于事件嵌入、事件依赖图以及神经网络，建立代码克隆检测模型；将目标源代码输入代码克隆检测模型进行检测，得到克隆检测结果。本发明解决了现有技术存在的没有考虑程序的动态特征，限制了检测语义相似的能力，缺乏较为准确高效的检测能力的问题。
-
公开(公告)号：CN114511141A
公开(公告)日：2022-05-17
申请号：CN202210090571.3
申请日：2022-01-26
Applicant: 海南大学
Abstract: 本发明属于数据预测技术领域，公开了一种基于多特征融合的股票趋势预测系统及其方法，所述的系统包括Web服务单元、数据库单元、数据获取与处理单元、模型预测单元以及模型训练单元；所述的方法包括如下步骤：初始化股票趋势预测系统；获取互联网的互联网股票数据和用户上传的用户股票数据，并进行标准化处理；提取标准化数据并作为训练数据进行模型训练，得到股票趋势预测模型和性能指标；若性能指标满足要求，则输出股票趋势预测模型，否则返回上一步骤；基于股票趋势预测模型进行多特征融合预测。本发明解决了现有技术存在的股票趋势难度大、准确性低，预测方法步骤简单、缺乏融合预测的问题。
-
公开(公告)号：CN114461921A
公开(公告)日：2022-05-10
申请号：CN202210216014.1
申请日：2022-03-07
Applicant: 海南大学
Abstract: 本发明属于物品推荐技术领域，公开了一种基于知识图谱的物品推荐方法，包括如下步骤：基于知识图谱建立物品推荐预测模型；获取若干推荐物品和目标用户的用户数据；将所有推荐物品和目标用户的用户数据输入物品推荐预测模型进行预测，得到所有推荐物品的物品推荐预测结果；根据物品推荐预测结果对所有推荐物品进行排序和筛选，得到物品推荐清单。本发明解决了现有技术存在的物品推荐准确性低，不符合实际情况，用户的使用满意度低的问题。
-
公开(公告)号：CN110971683B
公开(公告)日：2021-06-15
申请号：CN201911191031.9
申请日：2019-11-28
Applicant: 海南大学
Abstract: 本发明公开了一种基于强化学习的服务组合方法，所述服务组合满足动态约束，其包括如下步骤：根据用户的功能性需求建立工作流，为工作流中的每个任务选取候选服务，对所有候选服务的QoS非功能属性进行数据预处理；根据建立的工作流结构搭建基于强化学习的自适应模型；每一次训练自适应模型时，均将根据建立工作流结构随机生成的训练集、用户对QoS非功能属性的偏好和约束输入自适应模型中，循环迭代若干次训练，以得到收敛的自适应模型；将工作流中每个任务的候选服务属性、用户对QoS非功能属性的偏好和约束输入收敛的自适应模型中，输出合适的工作流候选服务序列。本发明的基于强化学习的服务组合方法弥补了传统Q‑learning的不足，大大减少了服务组合过程中耗费的资源。
-
Patent Agency Ranking
公开(公告)号：CN111562943A
公开(公告)日：2020-08-21
申请号：CN202010357023.3
申请日：2020-04-29
Applicant: 海南大学
Abstract: 本发明涉及一种基于事件嵌入树及GAT网络的代码克隆检测方法和装置。本发明的基于事件嵌入树及GAT网络的代码克隆检测方法将源代码转换为其对应的流程图，并使用自定义的IR中间表示文本对该流程图进行描述；通过事件嵌入层(Event Embeddinhg)对IR中每一个节点的语句进行事件嵌入计算，得到节点向量矩阵(Node Vector Matrix)；通过GAT图注意力网络对节点向量矩阵每一节点的事件嵌入向量进行调整融合，使其感知上下文节点的事件嵌入语义，得到节点上下文矩阵(Node Context Vector Matrix)；使用卷积层对节点上下文矩阵中每个节点进行卷积计算，从而提取该程序流程图最终的向量表示；使用该向量表示通过分类器(classifier)判断两个代码片段是否为克隆代码对。
-
公开(公告)号：CN111416854A
公开(公告)日：2020-07-14
申请号：CN202010181430.3
申请日：2020-03-16
Applicant: 海南大学
IPC: H04L29/08
Abstract: 本申请涉及一种云服务发布方法、订阅方法、装置和系统。发布方法包括：接收云服务供应商发送的服务发布信息；根据服务发布信息将发布的实际服务与服务订阅列表中各服务订阅信息对应的所需服务进行对比，当实际服务与任一个所需服务完全匹配时，按照服务订阅信息中的路径将实际服务反向传递至接收服务发布信息的节点对应的上一个节点，上一个节点用于将实际服务依次传输至与服务订阅信息相对应的云服务消费者。该云服务发布方法可以实现在任一个节点以及多节点服务发布，大大提高了服务发布的效率。
-
公开(公告)号：CN110298332A
公开(公告)日：2019-10-01
申请号：CN201910604800.7
申请日：2019-07-05
Applicant: 海南大学
Abstract: 本申请涉及一种行为识别的方法、系统、计算机设备和存储介质。方法包括：获取待识别的视频；对待识别的视频进行处理提取图片信息和人体姿态信息；将图片信息和人体姿态信息输入预先训练的双流卷积神经网络，获得图像特征和人体姿态特征；将图像特征和人体姿态特征进行注意力融合；对融合后的图像特征和人体姿态特征进行分析，计算每个行为类别之间的相对概率；选择相对概率最高的行为类别为行为的预测值，预测值用于确定行为。上述方法采用双流卷积神经网络，在神经网络的空间流中输入RGB图片，时域流中输入人体姿态信息，不需要计算光流信息，大大减少了计算量以及计算成本；另外，还采用了注意力融合技术，能进一步提高识别的准确率。
-
公开(公告)号：CN117273754A
公开(公告)日：2023-12-22
申请号：CN202311007827.0
申请日：2023-08-10
Applicant: 海南大学
IPC: G06Q30/018 , G06Q30/0282 , G06F16/35 , G06F16/951 , G06F18/214 , G06F18/2415 , G06F40/216 , G06F40/258 , G06F40/284 , G06F40/30 , G06N3/045 , G06N3/08
Abstract: 本发明属于欺诈检测技术领域，公开了一种基于NLP的消费欺诈行为检测系统及方法。所述的系统包括依次连接的评论处理模块、欺诈训练模块以及欺诈检测模块。所述的方法包括如下步骤：获取历史评论数据集，进行预处理，得到预处理后历史评论数据集；进行主题提取，得到若干消费主题，并将若干消费主题与消费欺诈法规进行对比，得到若干消费欺诈类别；根据消费欺诈类别，进行分类处理，得到消费欺诈数据集；根据消费欺诈数据集，使用NLP算法进行模型训练，得到消费欺诈行为检测模型；获取实时评论数据，并进行消费欺诈行为检测，得到消费欺诈行为检测结果。本发明解决了现有技术存在的劳动强度大，效率低下以及准确性低的问题。
-
公开(公告)号：CN110929517B
公开(公告)日：2023-04-18
申请号：CN201911190970.1
申请日：2019-11-28
Applicant: 海南大学
IPC: G06F40/289 , G06F16/29 , G06F18/2415 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本发明涉及一种地理位置定位方法、系统、计算机设备和存储介质。方法包括：获取用户文本信息；对用户文本信息进行标注化处理，得到文本序列；提取文本序列中的提及标识符，根据提及标识符分析各用户之间的联系，构建用户的网络视图；对文本序列进行特征提取，得到用户的文本视图；将网络视图和文本视图输入至预先训练后的注意力神经网络模型，得到用户的位置预测数据信息；对位置预测数据信息进行解码，得到地理位置坐标数据。上述方法通过输入的用户文本信息，拟合用户文本中影响地理位置预测的不可见因素，使其能够对社交网络文本数据进行地理位置预测；并采用注意力神经网络模型对复杂的用户关系进行分析得到用户的位置信息，准确度高。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.035 seconds)
