-
公开(公告)号：CN110347791A
公开(公告)日：2019-10-18
申请号：CN201910541695.7
申请日：2019-06-20
Applicant: 广东工业大学
Abstract: 本发明涉及教育领域，更具体的，涉及一种基于多标签分类卷积神经网络的题目推荐方法，本发明突出训练集中的高相关标签间的相关性，将相关性高于一定阈值的标签对都视为高相关标签对，能够调整每个标签的不平衡率以及让模型更好的学习高相关性以提高分类的准确度，并且本发明的卷积神经网络可以自动提取题目关键词的特征，能够更好的帮助卷积神经网络对考点特征标签的分类，此外，本发明在卷积神经网络中的第一层全连接层中加入标签间的相关性信息，让模型在训练中考虑标签间的相关性，以提高效率、网络识别分类的准确度。
-
公开(公告)号：CN107169426A
公开(公告)日：2017-09-15
申请号：CN201710284869.7
申请日：2017-04-27
Applicant: 广东工业大学
Abstract: 本发明涉及一种基于深度神经网络的人群情绪异常检测和定位方法，通过监控设备获取视频数据，并对其进行视频关键帧数据提取，并从视频关键帧数据获取每一帧的人脸图像数据，并进行对齐、分组、排序预处理，然后输入到训练好的基于卷积神经网络的人脸情绪识别模型中，并通过训练好的人群情绪检测和定位模型，获取监测视频数据中人群情绪异常检测和定位结果并反馈给监控设备工作人员，本发明设计合理，通过模型能够得到人群情绪异常与人群异常之间的关系，避免了人群异常与具体异常事件相关联而导致的检测局限性问题，另外，模型采用了混合的深度神经网络结构模型，从而进一步提高了视频人群情绪异常检测和定位的效率。
-
公开(公告)号：CN107066446A
公开(公告)日：2017-08-18
申请号：CN201710239556.X
申请日：2017-04-13
Applicant: 广东工业大学
Abstract: 本发明提供一种嵌入逻辑规则的循环神经网络文本情感分析方法，通过抓取用于训练的文本语料，进行情感类别标记，然后将情感标记的文本语料分为训练集语料、测试集语料，并对其进行分词处理，以及去停用词处理，然后采用word2vec算法对做分词处理、去掉停用词后的训练集语料和测试集语料进行训练，得到相应的词向量，将训练集语料和测试集语料输入现有的知识库结合概率图模型进行分析处理，通过逻辑循环神经网络结构(Logic‑RNN与Logic‑LSTM)，将一阶逻辑规则嵌入到循环神经网络中，本发明一方面可以达到控制循环神经网络的训练方向，更倾向人的直觉，另一方面提高了文本情感分析的精度，该方法也可以用于自然语言处理、机器学习的其他领域。
-
公开(公告)号：CN104504637A
公开(公告)日：2015-04-08
申请号：CN201410795360.5
申请日：2014-12-11
Applicant: 广东工业大学
IPC: G06Q50/30
CPC classification number: G06Q50/01
Abstract: 本发明公布了基于行为时间序列的社交网络因果关系发现算法。该算法包括构建全局因果关系图、确定因果影响滞后期、优化因果关系图结构这三个阶段。在构建全局因果关系图阶段，基于行为时间序列数据发现行为时间序列变量间的因果关系，构建全局因果关系图；在确定因果影响的滞后期阶段，基于最小描述长度准则确定存在因果关系的行为时间序列变量间间的影响滞后期，更新全局因果关系图对应边的权值；在优化因果关系图结构阶段，基于全局因果图检查全局因果关系图中所有边及其滞后期，剔除冗余的因果关系以及缩短因果影响中冗余的滞后期，最终实现行为时间序列数据上的可靠因果关系发现。
-
公开(公告)号：CN115170843B
公开(公告)日：2025-05-02
申请号：CN202210827709.3
申请日：2022-07-14
Applicant: 广东工业大学
IPC: G06V10/74 , G06F17/16 , G06V10/762 , G06V10/774
Abstract: 本发明提出一种基于嵌入特征提取的多视图一致性图像聚类方法及系统，涉及多视图图像数据聚类处理的技术领域，通过对原始多视图数据的数据矩阵进行处理，获取每个视图的样本嵌入和特征嵌入，对每个视图的特征嵌入进行群稀疏约束，实现对原始多视图数据特征嵌入的降噪，再通过二部图将原始多视图数据的特征嵌入和样本嵌入相连接进行特征提取，嵌入知识通过二部图在特征嵌入和样本嵌入之间传递，相互促进充分学习视图内的信息，包含在数据特征中的冗余信息和噪声的影响被有效消除，以最大限度提高模型对多视图数据的一致性学习，从而使得最终学习的一致性图能够更加准确，在最后的一致性图对应的拉普拉斯矩阵上加上秩约束从而直接的到聚类结果。
-
Patent Agency Ranking
公开(公告)号：CN111931496B
公开(公告)日：2022-11-15
申请号：CN202010652890.X
申请日：2020-07-08
Applicant: 广东工业大学
IPC: G06F40/289 , G06F40/16 , G06N3/04 , G06N3/08
Abstract: 本发明提供的一种基于递归神经网络模型的文本风格转换系统及方法，包括包括输入模块、原风格样本数据库、目标风格样本数据库、预处理模块、训练模块、模型数据库、输出模块和评价模块，能充分提取文本特征，结合半监督的方法，对平行语料库需求较低，且通过函数映射的方式实现风格转换，需要优化的参数少，容易收敛，便于实际的应用；同时，其引入反馈机制，能适时更具新增样本对模型进行调整，提高输出文本的质量。
-
公开(公告)号：CN111027624B
公开(公告)日：2022-10-21
申请号：CN201911259835.8
申请日：2019-12-10
Applicant: 广东工业大学
IPC: G06V10/762 , G06V40/16
Abstract: 本发明公开了一种基于非线性增强子空间聚类的图像识别方法，首先获取图像数据集；利用局部线性嵌入算法求解图像数据集的局部线性表达矩阵，以提取图像数据集的非线性流形结构；构建基于块对角约束及非线性流形结构的非线性增强子空间聚类目标函数；对非线性增强子空间聚类目标函数进行初始化并求解出最优解；基于最优解构建拉普拉斯矩阵，并通过NCut或K‑means得到最终图像数据集的聚类结果，完成图像识别。本发明通过预先学习图像的非线性流形结构，即局部线性结构拟合非线性流形从而在提高图像识别效果；同时强制构造块对角作为约束条件，通过迭代求解出的邻接矩阵的块对角结构更加契合子空间聚类的目标效果。
-
公开(公告)号：CN111931496A
公开(公告)日：2020-11-13
申请号：CN202010652890.X
申请日：2020-07-08
Applicant: 广东工业大学
IPC: G06F40/289 , G06F40/16 , G06N3/04 , G06N3/08
Abstract: 本发明提供的一种基于递归神经网络模型的文本风格转换系统及方法，包括包括输入模块、原风格样本数据库、目标风格样本数据库、预处理模块、训练模块、模型数据库、输出模块和评价模块，能充分提取文本特征，结合半监督的方法，对平行语料库需求较低，且通过函数映射的方式实现风格转换，需要优化的参数少，容易收敛，便于实际的应用；同时，其引入反馈机制，能适时更具新增样本对模型进行调整，提高输出文本的质量。
-
公开(公告)号：CN111027624A
公开(公告)日：2020-04-17
申请号：CN201911259835.8
申请日：2019-12-10
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于非线性增强子空间聚类的图像识别方法，首先获取图像数据集；利用局部线性嵌入算法求解图像数据集的局部线性表达矩阵，以提取图像数据集的非线性流形结构；构建基于块对角约束及非线性流形结构的非线性增强子空间聚类目标函数；对非线性增强子空间聚类目标函数进行初始化并求解出最优解；基于最优解构建拉普拉斯矩阵，并通过NCut或K-means得到最终图像数据集的聚类结果，完成图像识别。本发明通过预先学习图像的非线性流形结构，即局部线性结构拟合非线性流形从而在提高图像识别效果；同时强制构造块对角作为约束条件，通过迭代求解出的邻接矩阵的块对角结构更加契合子空间聚类的目标效果。
-
公开(公告)号：CN110599195A
公开(公告)日：2019-12-20
申请号：CN201910713859.X
申请日：2019-08-02
Applicant: 广东工业大学
IPC: G06Q30/00 , G06F17/27 , G06N3/08 , G06N3/04 , G06F16/335
Abstract: 本发明涉及一种识别刷单的方法，包括以下步骤：获取大量用户的大量有效评论文本集合，并训练出各评论文本每个词的词向量；多次随机组合两个评论文本与其是否属于同一用户的标识值构成训练集；搭建并训练卷积神经网络，用于预测两个评论文本是否为同一人所写；一个商家若存在大量不同用户的两个评论文本却被预测为同一人所评论的情况，则预测该商家存在刷单行为。本发明利用了人说话、打字具有一定个性的语言、格式风格习惯的特点，利用该思路进而识别刷单，借助神经网络模型通过细节特征、学习评论文本中所带有的语言习惯，进而识别评论文本是否由同一个人所写，最后再基于该模型通过一定方法识别某个网店是否具有刷单行为。
-
-
-
-
-
-
-
-
-
Search Results
48
records
(took 0.026 seconds)
