-
公开(公告)号：CN113705099B
公开(公告)日：2023-06-13
申请号：CN202111008424.9
申请日：2021-08-31
Applicant: 电子科技大学
IPC: G06F30/27 , G06F18/214 , G06N3/0464 , G06N3/09 , G06F18/241
Abstract: 本发明公开了一种基于对比学习的社交平台谣言检测模型构建方法及预测方法，利用事件增强对原始数据集进行扩充和增强，再将增强后的数据输入对比学习和图神经网络进行自监督图表示学习，得到无标签训练下的模型。然后用部分或全部有标签的数据对网络模型进行训练，利用有监督的信息对模型进行微调，得到代表源博文信息的嵌入表示，最后输入神经网络分类器，获得谣言的分类结果。本发明基于图神经网络的对比学习方法和事件增强策略，缓解了现实情况下谣言数据集稀缺、制作数据集标签困难的现状。进一步，本发明将学习到的谣言嵌入表示输入神经网络分类器，从而达到对在线网络平台谣言检测的目的。
-
公开(公告)号：CN114884877A
公开(公告)日：2022-08-09
申请号：CN202210666799.2
申请日：2022-06-14
Applicant: 电子科技大学
IPC: H04L45/74 , H04L45/7453 , H04L45/748 , H04L45/00 , H04L101/659
Abstract: 本发明属于路由查找技术领域，具体来说是涉及一种哈希表和HOT相结合的IPv6路由查找方法。本发明在分析骨干路由表前缀地址分布规律的基础上，提出一种哈希表与HOT相结合的路由查找算法，其核心思想在于将地址前缀分成两个区间，第一区间不易发生冲突，采用哈希表存储，第二区间查询更新频繁，采用HOT存储。经验证，本发明的方法在查询时间以及空间占用等方面都具有较好的性能。
-
公开(公告)号：CN114609631A
公开(公告)日：2022-06-10
申请号：CN202210227542.7
申请日：2022-03-08
Applicant: 电子科技大学
Abstract: 本发明公开一种基于生成对抗网络的合成孔径雷达欠采样成像方法，应用于雷达技术领域，针对基于卷积神经网络(CNN)的SAR欠采样成像方法对复杂背景目标方位模糊抑制性能差、以及对原始图像细节保留不够完整和准确等问题，本发明将SAR信号处理与生成对抗网络(GAN)相结合，生成网络的代价函数Cost Function选取为L1‑范数，判别网络的代价函数Cost Function选取为二元交叉熵函数；GAN网络通过L1‑范数感知图像的低频信息，通过判别网络感知图像的高频信息；采用本发明的方法能够有效提高对复杂背景的SAR欠采样成像质量。
-
公开(公告)号：CN109635989B
公开(公告)日：2022-03-29
申请号：CN201810999492.8
申请日：2018-08-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于多源异构数据融合的社交网络链路预测的方法，利用包含用户关系拓扑图和用户签到记录这两种异构数据源的基于地理位置信息的社交网络进行链路预测。本发明提出一种混合的框架，通过模型AL充分捕获基于地理位置信息的社交网络中用户关系拓扑图和用户签到记录这两种异构数据源之间的关联，克服使用基于地理位置信息的社交网络中单数据源进行链路预测时，预测结果不准确的问题，有效地提升了链路预测的效果。同时应用局部敏感哈希提高深度学习进行训练的计算速度并降低存储开销。
-
公开(公告)号：CN113887806A
公开(公告)日：2022-01-04
申请号：CN202111169186.X
申请日：2021-10-08
Applicant: 电子科技大学
Abstract: 本发明公开了一种长尾级联流行度预测模型、训练方法及预测方法，该长尾级联流行度预测模型包括骨干网络、以及位于骨干网络之后的回归器，回归器包括并行设置的原始回归器和子网络SUB；骨干网络和原始回归器构成长尾级联流行度预测模型的基线模型；骨干网络用于提取长尾级联的时间特征和空间特征；原始回归器用于得到该长尾级联流行度的原始预测值；述子网络SUB用于得到该长尾级联流行度的加权偏差；以该长尾级联流行度的原始预测值与加权偏差之和作为最终流行度预测值。本发明利用解耦的思想，整个模型训练分为两个阶段，首先利用不同的采样策略来提取骨干网络的特征表示，然后将骨干网络的参数固定住，再通过几种不同的方法微调回归器，该回归器结合了原始的预测值和由子网络SUB产生的加权偏差值，达到更准确预测流行度的目的。
-
Patent Agency Ranking
公开(公告)号：CN112613556A
公开(公告)日：2021-04-06
申请号：CN202011536734.3
申请日：2020-12-23
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于元学习的少样本图像情感分类方法，首先在源数据集上构建多个与目标数据集中具有情感标签信息的少样本图像类似的元学习任务，然后通过对这些元学习任务学习，得到一个良好的分类模型初始化参数，使得分类模型在面对少样本目标数据集中情感图像时能够取得较好的分类效果。本发明不仅可以大大缓解对标注数据的需要，而且基于元学习的方式也更加符合人类的学习方式(人类学习新任务都是基于已经学过任务去学习的)，可以使神经网络模型更加智能化。
-
公开(公告)号：CN110147892A
公开(公告)日：2019-08-20
申请号：CN201910443857.3
申请日：2019-05-27
Applicant: 电子科技大学
Abstract: 本发明公开了基于变分轨迹上下文感知的人类移动模式推测模型、训练方法及推测方法，本发明首先通过循环轨迹编码器和变分轨迹编码器分别获取轨迹语义向量和变分隐变量，再基于变分注意力机制获取轨迹的注意力向量，并将其与变分隐变量进行级联，从而重建解码器的输入数据，最后依据解码器输出语义向量恢复先前轨迹和生成预测轨迹。本发明通过编码器-解码器的框架解决了轨迹上下文学习的问题，并完成了人类移动模式推测的两个子任务——轨迹恢复和轨迹预测，不仅可以估计概率密度并优化数据可能性的下限，还能够捕获人类移动性的顺序和时间特征，有效地解决了根据轨迹上下文感知进行轨迹推测的问题，为人类移动模式的推测带来效果上的提高。
-
公开(公告)号：CN106874516A
公开(公告)日：2017-06-20
申请号：CN201710153067.2
申请日：2017-03-15
Applicant: 电子科技大学
IPC: G06F17/30
CPC classification number: G06F17/30684 , G06F17/30625
Abstract: 本发明公开了一种云存储中基于KCB树和布隆过滤器的高效密文检索方法，为一种基于关键字完全二叉树和布隆过滤器的高效检索密文数据方案。由于在完全二叉树上数据查询与更新的时间复杂度都与树高相关，因此能保证操作时间维持在O(log n)，与现有的最优方案效率相当。在此基础上，本发明利用布隆过滤器再次对索引结构进行优化，在保持查询效率与现有的最优方案相当的同时，减少数据在服务器上的存储开销。该方案目的在于结合关键字完全二叉树在时间和布隆过滤器在空间方面的巨大优势，提出一种高效的可搜索加密索引结构，在实现关键字高效检索的同时，降低加密索引在服务器上的存储开销。
-
公开(公告)号：CN118780360A
公开(公告)日：2024-10-15
申请号：CN202410850246.1
申请日：2024-06-28
Applicant: 电子科技大学 , 喀什地区电子信息产业技术研究院
IPC: G06N5/025 , G06N5/04 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/044 , G06N3/0442 , G06N3/08
Abstract: 本发明属于知识图谱推理技术领域，公开了一种基于长短期依赖的时序知识图谱推理方法，将若干个历史子图序列合并为一个长期稠密图，并使用关系图神经网络进行建模，实体长期嵌入表示；针对当前时刻之前的若干子图序列，使用长期嵌入表示进行初始化，然后针对每一个子图序列，使用基于注意力机制的关系图神经网络和双重循环网络来对事件近期的演化进行建模，生成包含长期演化依赖和短期演化偏好的实体嵌入表示和关系嵌入表示；依据当前时刻的实体嵌入表示、关系嵌入表示和已知实体，通过解码器获取未来事件的最终预测结果。本发明通过联合建模长期和短期的事件演化动态性，以一种自适应的方法巧妙地融合长短期预测，从而提高了对未来事件预测精度。
-
公开(公告)号：CN114609631B
公开(公告)日：2023-12-22
申请号：CN202210227542.7
申请日：2022-03-08
Applicant: 电子科技大学
IPC: G01S13/90 , G01S7/41 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明公开一种基于生成对抗网络的合成孔径雷达欠采样成像方法，应用于雷达技术领域，针对基于卷积神经网络(CNN)的SAR欠采样成像方法对复杂背景目标方位模糊抑制性能差、以及对原始图像细节保留不够完整和准确等问题，本发明将SAR信号处理与生成对抗网络(GAN)相结合，生成网络的代价函数Cost Function选取为L1‑范数，判别网络的代价函数Cost Function选取为二元交叉熵函数；GAN网络通过L1‑范数感知图像的低频信息，通过判别网络感知图像的高频信息；采用本发明的方法能够有效提高对复杂背景的SAR欠采样成像质量。(56)对比文件残云墨雪 . “U-net网络详解”《.https://blog.csdn.net/my201558503128/article/details/103441541》.2019,第1-2页.Olaf Ronneberger 等.“U-Net:Convolutional Networks for BiomedicalImage Segmentation”《.WWW home page:http://lmb.informatik.uni-freiburg.de/》.2015,第1-8页.
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.026 seconds)
