-
公开(公告)号：CN113806923A
公开(公告)日：2021-12-17
申请号：CN202110991468.1
申请日：2021-08-26
Applicant: 南京邮电大学
IPC: G06F30/20 , G16H20/10 , G06F119/02
Abstract: 本发明揭示了一种基于nlmixr包的药动学‑药效学模型超参数自动学习方法及装置，该方法包括以下步骤：S1：基于nlmixr软件包构建药动学‑药效学模型；S2：确定超参数空间；S3：结合机器学习算法来获得候选超参数集合，S4：交叉验证机制；S5：包括已取得最佳结果的超参数的组合评分及提供优化过程期间观察到的最好的评分。本技术方案首先通过nlmixr软件包进行药动‑药效学模型的构建，接着确定模型的超参数空间，并进行药动学‑药效学超参数的初始估计，再结合机器学习相关算法实现初始超参数的自动调优。
-
公开(公告)号：CN113298261A
公开(公告)日：2021-08-24
申请号：CN202110556080.9
申请日：2021-05-21
Applicant: 南京邮电大学
IPC: G06N7/00
Abstract: 一种基于部分可观察马尔科夫决策过程的引导式学习方法，方法具体为：当训练次数t＝1时，设置训练N个用户的总训练样本为M，初始化N个用户训练样本的概率分布pt，N个用户的训练得分ot，N个用户的累计值Qt；根据pt的概率分布形成N个用户的训练样本，对N个用户进行训练，训练完成后，测试训练效果，得到N个用户的训练得分ot。如果满足N个用户的训练成绩要求，或者训练次数t达到预定值T，就结束算法，否则继续下一步；用ot减去ot‑1得到N个用户的变动值Rt；利用指数加权移动平均方法，根据Rt去更新N个用户的累计值Qt；根据累计值Qt获取累计值最大的用户，并根据优先级用户，生成N个用户训练样本的概率分布pt+1。本发明有效解决传统引导式学习方式存在的问题。
-
公开(公告)号：CN113192572A
公开(公告)日：2021-07-30
申请号：CN202110478484.0
申请日：2021-04-29
Applicant: 南京邮电大学
Abstract: 本发明揭示了一种基于分子相似性和半监督学习的药物虚拟筛选方法和装置，该方法包括以下步骤：S1：收集数据集，得到有生物活性值的配体分子样本和无生物活性值的配体分子样本；S2：使用S1步骤中得到的有生物活性值的配体分子样本构建回归模型；S3：计算数据集中分子间的相似度；S4：利用S3步骤中得到的分子相似度和S2步骤中得到的回归模型，计算三元组损失；S5：根据S2步骤和S4步骤得到的损失函数训练模型。基于半监督学习方法，在模型训练中引入大量的无实验生物活性值样本，使用分子相似度和三元组损失对无实验生物活性值样本的模型预测值进行约束，解决实际应用场景中大量无生物活性值的样本无法有效参与模型训练的难题。
-
公开(公告)号：CN112086133A
公开(公告)日：2020-12-15
申请号：CN202010855148.9
申请日：2020-08-24
Applicant: 南京邮电大学
Abstract: 本发明提供一种基于文本隐含信息的药物靶标特征学习方法，所述方法包括步骤：获取药物靶标多个文本关键描述信息以及文献的摘要信息；使用向量计算工具Word2vec和Doc2vec将药物靶标的多个文本关键描述信息转化为多个向量；采用多示例学习算法将多个向量进行单示例化，得到药物靶标的特征表示向量。本发明针对大量的文本信息，运用向量工具挖掘大量文献中隐含的信息并表示为特征向量，训练过程中利用了关键信息的上下文，丰富了语义信息，提高了样本特征提取的准确度；将文本信息转化为向量，运用机器学习的知识，可以用来确定新的药物靶标应于新药的开发，还可以用来预测靶标分子的生物学功能，预测与配体药物的结合，可以用来寻找相似的靶标分子。
-
公开(公告)号：CN111832637A
公开(公告)日：2020-10-27
申请号：CN202010619341.2
申请日：2020-06-30
Applicant: 南京邮电大学
Abstract: 本发明提出了一种基于交替方向乘子法ADMM的分布式深度学习分类方法，包括以下：1：在各个节点的数据库中对图像、视频、文件进行分类标记；2：初始化各节点Alexnet网络层参数，以及拉格朗日乘子矩阵；3：各个节点数据通过Alexnet网络一次前向传播进行提取特征；4：引入最小化分类误差，得到全局最优的分类器；5：全局分类器参数赋值给每个节点Alexnet网络的最后一层，即全连接层，各个节点数据通过Alexnet网络进行再进行一次前向传播；6：固定分类层参数，更新特征层参数；7：判断训练精度是否等于1，是即训练完成，反之，重复3-7；8：分类测试过程，本发明解决了图像，视频，文本等样本数目大，若集中在一起训练，传输量和计算量过大的问题。
-
Patent Agency Ranking
公开(公告)号：CN106778032B
公开(公告)日：2019-06-04
申请号：CN201710015626.3
申请日：2017-02-17
Applicant: 南京邮电大学
Abstract: 本发明公开了药物设计中配体分子海量特征筛选方法。在基于配体的药物分子虚拟筛选中，由于配体分子数量巨大，使用目前最流行的ECFP方法产生的配体分子指纹特征的维数(每一维特征表示一个子结构)将会是海量的，甚至可达上千万维，在实际任务中会陷入“维数灾难”问题。本方法将使用基于EDPP准则的LASSO方法，对配体分子海量的ECFP分子指纹特征进行筛选，利用鲁棒性选择方法得到配体分子相关特征。配体分子的活性通常与少数子结构有关，本方法将快速并大幅去除不相关特征，选择鲁棒的相关特征，解决“维数灾难”问题，得到与配体活性相关的子结构，推动ECFP方法在药物设计中更广泛的应用。
-
公开(公告)号：CN105656692B
公开(公告)日：2019-05-24
申请号：CN201610144784.4
申请日：2016-03-14
Applicant: 南京邮电大学
Abstract: 本发明公开了无线传感网络中基于多示例多标记学习的区域监测方法，利用Fisher Kernel对同一时刻的多个传感器节点数据压缩。压缩后，某一时刻，整个无线传感器网络对应一个单示例数据而不再是多示例数据。利用MMD对历史包数据压缩，挑选出最具代表性的包数据，构成一个数据子集。利用快速多示例多标记算法完成对压缩数据的训练和监测区域状态的评估。本发明在经过两层压缩后的传感数据集上构建传感器网络状态预测模型，能够实现快速的网络状态预测。
-
公开(公告)号：CN106777986B
公开(公告)日：2019-05-21
申请号：CN201611178270.7
申请日：2016-12-19
Applicant: 南京邮电大学
Abstract: 本发明公开了一种药物筛选中基于深度哈希的配体分子指纹生成方法，首先生成分子结构式图像文件，然后定义配体分子对的配对标记，训练DPSH深度哈希学习模型，最后预测新配体分子的分子指纹。本发明将配体分子结构式转换成图像文件，利用深度哈希算法，优化目标损失函数，自动生成分子指纹。本发明将实现第一个“端到端”的分子指纹生成框架，无需手工提取特征，解决了分子指纹生成方法需要开发者对领域知识有较深了解的难题。本发明从全新的角度提供分子指纹生成的通用框架，为现有分子指纹生成方法的重要补充，将会推动分子指纹在药物筛选中更广泛的应用。
-
公开(公告)号：CN104715021B
公开(公告)日：2018-09-11
申请号：CN201510089183.3
申请日：2015-02-27
Applicant: 南京邮电大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于哈希方法的多标记学习的学习方法，该方法是利用哈希算法与基于贝叶斯统计学的多标记学习算法相结合，该方法有效地利用标记之间的相关性以提高多标记学习模型的预测性能，利用近邻的特性，将标记和标记的近邻引入到后验概率的计算中，充分考虑了标记之间的相关性，提高了算法的准确性；利用MinHash算法解决大规模数据的多标记学习中标记空间往往更加高维和稀疏的问题；利用位置敏感哈希(LSH)进行近邻查找解决大规模数据的学习问题，可以进行快速高效的近邻查找，提高了多标记学习算法的可扩展性。
-
公开(公告)号：CN108491865A
公开(公告)日：2018-09-04
申请号：CN201810178168.X
申请日：2018-03-05
Applicant: 南京邮电大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于度量学习的多示例多标记分类方法，该方法在多示例多标记数据集中，选取一部分作为训练集；在训练集中根据每个标记对应的包，得到初始原型包；多示例多标记距离度量学习；求豪斯多夫距离，得到参考近邻和引证近邻；构建分类器；完成对未知标记的包的预测。本发明的优点是采用马氏距离代替欧氏距离，能更精确地找到不同包之间的语义近邻，并且利用改进后的多示例多标记kNN算法，显著提高kNN分类时的性能，同时由于包中标记和示例不是一一对应的，包中的标记事先并不知道采用哪个示例表示，因此本发明相对于事先知道标记和示例关系的包具有更广泛的适用行。
-
-
-
-
-
-
-
-
-
Search Results
111
records
(took 0.033 seconds)
