-
公开(公告)号：CN114998891A
公开(公告)日：2022-09-02
申请号：CN202210556272.4
申请日：2022-05-17
Applicant: 电子科技大学
IPC: G06V20/68 , G06N3/08 , G06V10/75 , G06V10/774 , G06V10/82
Abstract: 该发明公开了一种基于迁移学习的智能冰箱食材精准检测方法，属于图像识别领域。数据处理方面，考虑到智能冰箱食材的数据采集体量有限，本发明应用平移、旋转、缩放、Mosaic等方式进行数据增强，同时为了解决智能冰箱开关灯场景的问题，本发明应用图像处理技术对弱光环境图像进行数据增强，以提升模型在弱光环境的鲁棒性。网络模型方面，本发明以常规目标为源域、智能冰箱食材为目标域构建“预训练+微调”的迁移学习框架，通过在源域的大规模数据集上预训练模型以学习基础目标的特征提取经验，然后冻结部分网络，在目标域的有限数据集上微调模型以适应冰箱食材的数据分布特征，从而有效提高检测精度。
-
公开(公告)号：CN113158041B
公开(公告)日：2022-07-29
申请号：CN202110418032.3
申请日：2021-04-19
Applicant: 电子科技大学
IPC: G06F16/9535 , G06F40/284 , G06F16/33 , G06K9/62 , G06N3/08
Abstract: 该发明公开了一种基于多属性特征的文章推荐方法，属于信息处理领域。用多属性文章特征的推荐方法，提取更多文章特征，提升推荐性能：利用基于文章引文网络的struc2vec嵌入向量，基于带有文章作者、机构信息的异构网络的metapath2vec嵌入向量，文章标题、摘要内容doc2vec的嵌入向量，在原引文网络的基础上，通过重构图的方法，该方法能够按照权重结合同构引文网络、异构文章网络、文本信息的嵌入结果。对于多属性特征的重构网络，使用能够结合结构信息和同质信息的方法进行图嵌入，提升推荐性能：通过node2vec方法得到文章节点含有结构信息和同质信息的嵌入向量，最终通过向量相似度进行推荐。
-
公开(公告)号：CN114580529A
公开(公告)日：2022-06-03
申请号：CN202210202568.6
申请日：2022-03-03
Applicant: 电子科技大学
Abstract: 该发明公开了一种选拔和训练足球运动员的系统，属于数据处理领域。本发明收集球员的特征，根据这些特征数据对球员的各方面能力进行分类评估，得出球员的状态，找到球员需要提高的方面。在计算运动员最需要提高的项目时，不仅考虑到运动员在此项目上的表现情况，还额外考虑到此项目的相对重要性。为每个运动员寻找出最需要提高的项目是具有极大现实意义的，依此可以为每名运动员制定出一套个性化的训练方案，提高球队的整体水平。本发明可以从标签为不优秀的运动员中找出那些具有特长的运动员，依此进行强化训练或者弱项补齐可提升球队的核心竞争力；另一方面，全能型球员必然是少之又少的，通过潜力挖掘找出具有潜力的特色型球员具有很大的现实意义。
-
公开(公告)号：CN113343142B
公开(公告)日：2022-05-31
申请号：CN202110527149.5
申请日：2021-05-14
Applicant: 电子科技大学
IPC: G06F16/958 , G06F16/906 , G06N3/04 , G06N3/08 , H04L41/147 , H04L41/142 , H04L67/1396
Abstract: 该发明公开了一种基于用户行为序列填充和筛选的新闻点击率预测方法，属于信息处理领域，特别是基于用户行为序列填充和筛选的新闻点击率预测方法。和现有的技术相比，本发明在用户行为序列较短时，对行为序列进行了有意义的填充，使得序列填充用户潜在可能会点击的行为；当用户行为序列较长时，进行行为的筛选，使得行为序列能够近似全局兴趣的情况下兼顾考虑和候选新闻的关系；建立了用户行为序列填充和筛选方法，只需要通过简单的预训练方法就可以进行文本语义相似度的计算，从而进行用户行为的填充和筛选，大大的节约了计算时间和有助于方法的快速迁移；在真实的数据集上进行了大量的实验并且进行了充分的对比，本发明方法能够取得更好的实验结果。
-
公开(公告)号：CN113343142A
公开(公告)日：2021-09-03
申请号：CN202110527149.5
申请日：2021-05-14
Applicant: 电子科技大学
IPC: G06F16/958 , G06F16/906 , G06N3/04 , G06N3/08 , H04L12/24
Abstract: 该发明公开了一种基于用户行为序列填充和筛选的新闻点击率预测方法，属于信息处理领域，特别是基于用户行为序列填充和筛选的新闻点击率预测方法。和现有的技术相比，本发明在用户行为序列较短时，对行为序列进行了有意义的填充，使得序列填充用户潜在可能会点击的行为；当用户行为序列较长时，进行行为的筛选，使得行为序列能够近似全局兴趣的情况下兼顾考虑和候选新闻的关系；建立了用户行为序列填充和筛选方法，只需要通过简单的预训练方法就可以进行文本语义相似度的计算，从而进行用户行为的填充和筛选，大大的节约了计算时间和有助于方法的快速迁移；在真实的数据集上进行了大量的实验并且进行了充分的对比，本发明方法能够取得更好的实验结果。
-
Patent Agency Ranking
公开(公告)号：CN111325390A
公开(公告)日：2020-06-23
申请号：CN202010096509.6
申请日：2020-02-17
Applicant: 电子科技大学
IPC: G06Q10/04 , G06Q10/10 , G06F16/31 , G06F16/38 , G06F16/383
Abstract: 该发明公开了一种基于兴趣演化的学者合作关系预测方法,涉及数据挖掘领域。本发明考虑到传统方法缺陷的影响，并对于各研究兴趣进行基于时间的权重值计算，目的是在于提供一种时序状态下的准确兴趣刻画方法，从而利用相应的兴趣维度匹配进行合作关系预测。本发明所涉及到的相关系统流程包括:数据采集、数据预处理、时间权重计算和合作关系预测；利用数据驱动，利用论文著作的关键词频数进行学者的兴趣识别，再利用论文的时间节点进行学者的兴趣权重区分，参照以上两个因素形成随时间演化的学者研究领域的兴趣程度刻画；除此之外，将以上方法的结果进行科研学者兴趣匹配，再融入到整个合作关系预测方法当中，从而达到精确地匹配。
-
公开(公告)号：CN111241283A
公开(公告)日：2020-06-05
申请号：CN202010040201.X
申请日：2020-01-15
Applicant: 电子科技大学
IPC: G06F16/35 , G06F40/205 , G06K9/62
Abstract: 该发明公开了一种科研学者画像的快速表征方法，涉及数据挖掘领域。该发明在数据库中用多字段联合查询，通过数据融合匹配的方式将多个分散数据集结合，形成了科研学者 与摘要文本 之间的一对多关系；对全数据集的摘要语料进行相应的文本向量表示，以此作为表征学者画像维度差异性的关键语料。区别于过去基于统计学基础所构建的学者画像维度，本发明利用机器学习方法，在相关算法的基础上，对于所有摘要文本语料进行了聚类，利用同类结果的相似关系检索关键词字段，经统计排序最终形成画像标签的排序向量集合， 用于表征科研学者的研究兴趣。同时，这一排序向量对于科研学者的研究领域相似度计算和社区划分等方面都具有应用价值。
-
公开(公告)号：CN105912727A
公开(公告)日：2016-08-31
申请号：CN201610329748.5
申请日：2016-05-18
Applicant: 电子科技大学
CPC classification number: G06F17/30867 , G06Q50/01
Abstract: 本发明公开了一种在线社交网络标注系统中的快速推荐方法，属于个性化推荐，数据挖掘领域。解决了传统算法或片面追求高准确率而忽略计算成本，或片面追求模型简单，计算迅速而忽略准确率和个性化的问题。本发明不需迭代到收敛的粗聚类算法其本质上是快速根据用户相似度指标将用户分成簇的过程，而基于用户的协同过滤推荐算法也是根据用户之间的相似度进行推荐，所以本发明可以保证高准确率和个性化；从而在保证准确率和个性化的前提下减少了计算的时间开销；在保证推荐系统中推荐算法准确性和个性化的基础上，降低了系统时间开销，同时具有高准确性，高个性化和低系统时间开销的特点。
-
公开(公告)号：CN118861851A
公开(公告)日：2024-10-29
申请号：CN202410876727.X
申请日：2024-07-02
Applicant: 电子科技大学
IPC: G06F18/2415 , G06F18/20 , G06F18/213 , G06F18/15 , G06N3/0464
Abstract: 本发明公开了一种基于水样全吸收光谱数据的地表水分类方法，属于深度学习领域中的时序数据分类领域。本发明从时序数据处理角度通过使用格拉姆角场(Gramian Angular Field)等数据升维方式将光谱数据升维转换为矩阵图像后，基于ResNet等深度学习网络提取图像的卷积特征，通过下游模式识别任务再训练这些特征与水体水质各项指标与其它多种相关因素的复杂关系，使得它们在数学表达上形成了一个高维空间的复杂函数，实现全光谱特征与水质各参数之间的自适应建模。从算法性能角度分析，相比于传统的污染分类方式，该方法能更为有效地拟合高维函数从而完成水质监测过程中污染物类别的预测和分析。
-
公开(公告)号：CN118536503A
公开(公告)日：2024-08-23
申请号：CN202410568603.5
申请日：2024-05-09
Applicant: 电子科技大学
IPC: G06F40/284 , G06F16/33 , G06F18/214 , G06F18/243 , G06F18/213 , G06F18/10
Abstract: 该发明公开了一种基于最优传输的多模态虚假新闻检测方法，属于虚假新闻检测技术领域。结合了多模态数据，为虚假新闻的综合分析提供了更丰富的信息源；利用BERT和ResNet34等预训练模型，本发明能够深入挖掘文本和图像数据中的特征，提升了对虚假新闻的识别能力；本发明应用最优传输理论对多模态特征空间分布进行对齐，在增强模型可解释性的同时降低了多模态数据间的潜在异质性。基于多语言公开数据集的测试结果验证了本发明的有效性；本发明无需引入额外数据，训练时间相较于基准模型并没有明显增长；本发明整体架构采用模块化设计，各组件之间耦合性低，易于维护和升级。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.023 seconds)
