-
公开(公告)号：CN117314193A
公开(公告)日：2023-12-29
申请号：CN202311309176.0
申请日：2023-10-10
Applicant: 南京财经大学
IPC: G06Q10/0637 , G06N3/04 , G06N3/08 , G06N3/006
Abstract: 本发明属于工业生产预测分析技术领域，公开了一种工业生产率宏观预测与关键因素分析方法，其依据可信粒度准则，以工业生产输入数据的特性生成同时兼顾各变量覆盖度和特异性的信息粒，通过将该信息粒输入到已训练好的单隐层数值型神经网络上，并利用改进粒子群优化算法完成对变量信息粒度级别的优化分配，进而得到具有粒度输出的粒度神经网络模型，一方面通过模型的粒度输出解决工业生产率宏观性预测的需求；另一方面通过输入粒化分析挖掘影响工业生产率的关键输入因素。本发明具有严格的理论基础，通用性强、便于灵活运用。
-
公开(公告)号：CN116187306A
公开(公告)日：2023-05-30
申请号：CN202310185499.7
申请日：2023-03-01
Applicant: 南京财经大学
IPC: G06F40/253 , G06F16/901
Abstract: 本发明公开了一种基于图文法的图模糊语法结构处理方法。本发明针对图文法的图模糊结构处理机制进行改进，为点边图中的每条边定义连接概率。在产生式中，连接概率描述了一条边在主图中出现的可能性，并基于连接概率对边进行分类，在模糊结构和确定性结构的描述之间建立了桥梁并为文法操作提供了容错性。为了进一步增加文法的灵活性以适应更多实际应用场景，为每个文法配备了一个阈值，连接概率高于该阈值的边为有益边，低于阈值的边为有害边，并且在文法应用中将连接概率和阈值的差值用于计算图柄的匹配权值，为图柄的选择问题提供了较好的理论依据。与其他方法相比，本发明解决了它们在图模糊语法结构上的问题。
-
公开(公告)号：CN111248473B
公开(公告)日：2022-03-01
申请号：CN202010191527.2
申请日：2020-03-18
Applicant: 南京财经大学
Abstract: 本发明提供了一种猴头菇凝胶食品的4D打印方法，属于菌类食品加工技术领域。本发明可以通过调节猴头菇凝胶体系的pH值和打印温度来调节体系的颜色变化，使打印出来的猴头菇产品随时间变化发生可控的颜色变化，在原有3D打印基础上增加时间维度升级为更加智能化的4D打印，应用前景更广泛。本发明所述方法的制备过程更加简便，不需要预处理，节约成本，操作性强，可直接作为生产方法使用。
-
公开(公告)号：CN113201077A
公开(公告)日：2021-08-03
申请号：CN202110478885.6
申请日：2021-04-30
Applicant: 南京财经大学
Abstract: 本发明涉及一种基于超声辅助的杏鲍菇多糖的提取方法，属于多糖提取技术领域。本发明所述提取方法包括以下步骤：1)将粉碎后的杏鲍菇与乙醇水溶液混合，静置4～12h，离心，得到沉淀；2)将步骤1)得到的沉淀与水混合，超声处理10～50min，离心，得到上清；所述超声处理的功率为348～580W，温度为20～60℃；3)将步骤2)得到的上清与乙醇水溶液混合，离心后取沉淀，得到杏鲍菇多糖。本发明所述方法极大保护了多糖的活性结构，保证了多糖的完整性，安全绿色无毒，工业成本低，时间短，可作为基料用于新型食品生产开发中。
-
公开(公告)号：CN112819495A
公开(公告)日：2021-05-18
申请号：CN201911127080.6
申请日：2019-11-18
Applicant: 南京财经大学
Abstract: 本发明公开了一种用户购物意图预测方法，尤其是一种基于支持向量机的随机多项式核的用户购物意图预测方法。该方法首先收集用户在网站上的行为数据，接着确定支持向量机SVM训练模型在训练测试样本集上的参数组合的最优值，最后利用最优参数组合的支持向量机SVM训练模型测试验证样本集，得到用户的购物意图。本发明在传统单尺度多项式核函数的支持向量机的基础上，扩展了多项式核函数的参数，提升了支持向量机参数选择的效率。与传统单尺度多项式核函数的支持向量机相比，该方法在损失较小的泛化性能的基础上，学习模型参数选取的时间仅需传统SVM多项式核方法的不到1％的时间，并且拥有较好的稳定性。
-
Patent Agency Ranking
公开(公告)号：CN119226344A
公开(公告)日：2024-12-31
申请号：CN202411339357.2
申请日：2024-09-25
Applicant: 南京财经大学
IPC: G06F16/2455 , G06F16/2458 , G06F16/22 , G06F18/213 , G06F18/25 , G06N3/088
Abstract: 本发明属于多模态信息处理领域，公开了大规模低质量多模态无监督哈希方法及动态流数据检索系统，为了充分挖掘大规模低质量多模态数据的强判别力哈希码，采取内层和外层组合的多层哈希码映射模式，构建了稀疏正则化多层哈希映射模型；为了融合低质量多模态数据中各种模态数据之间的独特特征内容和语义一致性特征内容，将不同模态映射对应的归约模态空间，并对各个归约模态空间内联耦合建模。本发明对上述申请方法进一步扩展到动态多模态流数据环境中，构建的动态流数据哈希函数求解器全局损失函数，能够逐步有序稳定的挖掘动态流数据语义信息，增强了低质量动态流数据哈希函数的学习判别力，实现对大规模低质量动态多模态流数据进行快速检索。
-
公开(公告)号：CN119149793A
公开(公告)日：2024-12-17
申请号：CN202411175702.3
申请日：2024-08-26
Applicant: 南京财经大学
IPC: G06F16/9035 , G06F16/901 , G06F16/41 , G06F16/435 , G06F18/213 , G06V10/44 , G06V10/82 , G06N3/0464
Abstract: 本发明属于多模态信息检索领域，公开了基于语义增强的在线多模态相似性检索方法及系统，通过对获取的多模态流数据集均等分组，得到若干批次的多媒体数据块，模拟在线多媒体数据流；构造全局目标优化函数，进行哈希码学习保存，并学习多媒体流数据投影到哈希码的哈希函数；利用哈希函数对查询样本进行解算得到查询二进制码，并将其与数据集中的哈希码进行海明距离解算，得到待检索样本对应的多模态检索结果。当大量流媒体数据动态融入数据库时，本发明能够有效降低模型学习时间复杂度和提高哈希码的判别能力，同时能够有效地解决离散二元约束问题以及在哈希码学习过程中保留更多的语义信息，实现快速精准的在线多模态语义相似性检索。
-
公开(公告)号：CN113592379A
公开(公告)日：2021-11-02
申请号：CN202110710054.7
申请日：2021-06-25
Applicant: 南京财经大学 , 云境商务智能研究院南京有限公司
Abstract: 本发明公开了一种散粮集装箱物流运输环境异常检测的关键特征识别方法，首先构建异常识别的数据样本集、关键特征排序集，初始化特征集合指标集；然后构建训练样本集，训练线性分类模型SVM‑train，计算排序系数；接着找出获取排序系数最大的特征，并从特征集合指标集中消除该特征，更新特征集合指标集和关键特征排序集，直至特征集合指标集为空集；本发明提供的关键特征识别方法使用递归特征消除方法每次迭代删除得分最高的权值系数对应的特征，使线性SVM模型在剩余特征子集上训练得到的间隔最大化，能够快速识别散粮集装箱物流运输环境状态相关的“关键特征”，并得到所有特征对散粮集装箱物流运输环境状态影响的排名。
-
公开(公告)号：CN112232388A
公开(公告)日：2021-01-15
申请号：CN202011046627.2
申请日：2020-09-29
Applicant: 南京财经大学
Abstract: 本发明公开了一种基于ELM‑RFE的购物意图关键因素识别方法，该方法首先初始化因素特征排序表和当前特征子集表，并获取当前训练样本集，接着训练超限学习机分类器并计算特征的排序系数，重复该步骤并找出排序得分最小的因素特征，然后更新关键因素排序指标和当前特征子集表，并重复以上步骤直至当前特征子集表为空。本发明的方法相比于传统的递归特征消除类方法，无需调节学习模型参数，能快速识别影响用户购物意图的最有效的因素。实验表明，相比传统的SVM‑RFE方法，本发明的方法仅需0.1％的计算时间，而且仅需3个因素特征在测试集上得到最高的测试精度。在识别用户购买意图的关键因素应用中，本发明的方法可以提升关键因素特征识别效率。
-
公开(公告)号：CN111368176A
公开(公告)日：2020-07-03
申请号：CN202010134513.7
申请日：2020-03-02
Applicant: 南京财经大学
IPC: G06F16/9532 , G06F16/9535
Abstract: 本发明公开了一种基于监督语义耦合一致的跨模态哈希检索方法及系统，该方法包括：提取各模态数据库中模态样本数据的特征，构建样本库集合；求取样本库集合中各模态样本的哈希编码；提取待检索模态数据的特征，并根据该特征求取待检索模态数据的哈希编码；对比待检索模态数据的哈希编码与各模态样本的哈希编码，对比结果符合预设条件的模态样本即作为待检索模态数据的检索结果。本发明不仅考虑了高层语义关系，同时还考虑了各个模态之间的内联耦合性，使得各个模态不仅能够监督学习到自身的哈希码，同时也能够保持各个模态间的语义一致性。本发明能够有效提升哈希码的判别力度和紧凑鲁棒性，加速模态间的检索速率，提升跨模态检索的准确率。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.039 seconds)
