-
公开(公告)号：CN109284379A
公开(公告)日：2019-01-29
申请号：CN201811106923.X
申请日：2018-09-21
Applicant: 福州大学
Abstract: 本发明涉及一种基于双向量模型的自适应微博话题追踪方法,包括S1:微博分片，将微博按天分片；S2:构建话题双向量模型；S3:微博双向量模型，将话题和微博表示成向量；S4:计算话题与微博的余弦相似度，余弦相似值越大表示话题与微博越相似；S5:相似度阈值的自适应学习和阈值比较，克服相似度阈值不变性带来的话题漂移问题；S6:话题模型更新，克服话题模型不变性带来的话题漂移问题；S7:判断时隙是否都已处理，否，则进入下一个时隙，重复步骤4-7；否则，结束算法。本发明可以实时地跟踪话题并降低了话题相关微博的漏检率和误检率。
-
公开(公告)号：CN108537816A
公开(公告)日：2018-09-14
申请号：CN201810342791.4
申请日：2018-04-17
Applicant: 福州大学
Abstract: 本发明涉及一种基于超像素和背景连接先验的显著物体分割方法，包括以下步骤：1、将输入图像分割为N个超像素，然后计算出每个超像素的显著值；2、通过背景连接先验在伪前景区域标记出前景超像素种子点和可能前景超像素种子点，在非伪前景区域中标记出背景超像素种子点和可能背景超像素种子点；3、利用四种超像素种子点和原图的所有超像素，求得原图中显著物体的超像素尺度分割结果；4、在包含显著物体的矩形区域中利用超像素尺度分割结果得到一个像素尺度的标记图，采用像素尺度GrabCut，计算得到显著物体分割结果。该方法能够快速、准确地利用显著图得出显著物体，为图像压缩、图像重定向、图像超分辨率提供快速有效的预处理结果。
-
公开(公告)号：CN108196957A
公开(公告)日：2018-06-22
申请号：CN201711469032.6
申请日：2017-12-28
Applicant: 福州大学
Abstract: 本发明涉及云计算技术领域，特别是一种云环境下的主机负载预测方法，包括如下步骤：1、取云平台的历史负载数据集X，进行归一化处理，得到归一化后的历史负载数据集 2、根据得到的历史负载数据集构建ARMA预测模型，获得主机负载预测值集合，进而计算得到ARMA预测误差数据集E；3、使用ARMA预测误差数据集E训练Elman网络模型，并根据得到的Elman网络模型进行预测，得到误差预测值集合；4、结合ARMA预测模型和Elman网络模型，修正主机负载预测值集合，得到更高精度的预测模型HARMA-E；5、采用预测模型HARMA-E，预测云平台的实时负载。该方法能有效提升云环境中主机工作负载的预测精度。
-
公开(公告)号：CN104700311B
公开(公告)日：2018-02-06
申请号：CN201510046397.2
申请日：2015-01-30
Applicant: 福州大学
IPC: G06Q50/00
Abstract: 本发明涉及社会网络技术领域，特别是一种社会网络中的邻域跟随社区发现方法，包括以下步骤：步骤A：读取社会网络数据，构造以社会网络用户为节点，用户关系为边的社会网络图；步骤B：根据社会网络图，遍历社会网络图中的节点，确定节点间的跟随关系；步骤C：根据节点间的跟随关系，遍历社会网络图中的节点，将跟随同一节点的节点划分至同一社区，得到社会网络的社区结构。该方法可提高社区检测的精度和效率，且具有接近线性的时间复杂度，能够快速有效地挖掘社会网络中的社区结构，可应用于目标群体挖掘、精确营销等领域。
-
公开(公告)号：CN107609982A
公开(公告)日：2018-01-19
申请号：CN201710829612.5
申请日：2017-09-14
Applicant: 福州大学
Abstract: 本发明涉及一种考虑社区结构稳定度和增量相关节点进行社区发现的方法，包括以下步骤：1、生成初始社区集，设置社区的初始权重，并初始化迭代时刻；2、计算增量相关节点集合IVt；3、遍历每个社区，解散社区集NSt中社区权重和社区规模小于阈值的社区；4、对集合IVt中的节点进行社区划分，生成新社区；5、遍历每个新社区，解散社区规模小于阈值的新社区；6、遍历剩余相关节点集合IVt-rm中各节点，计算节点与相邻社区的相似度，将其加入相似度最高的社区，生成社区集NSt；7、更新每个社区的稳定度和权重；8、计算NSt的社区结构稳定度；9、判断是否满足迭代停止条件，以结束计算。该方法可以高效、准确地进行社区发现。
-
Patent Agency Ranking
公开(公告)号：CN107330431A
公开(公告)日：2017-11-07
申请号：CN201710522004.X
申请日：2017-06-30
Applicant: 福州大学
Abstract: 本发明涉及一种基于K-means聚类拟合的显著性检测优化方法，包括以下步骤：步骤S1：提取图像的场景GIST特征；步骤S2：提取图像的颜色直方图特征；步骤S3：根据场景GIST特征和颜色直方图特征计算图像间的相似性；步骤S4：根据图像间的相似性对图像集合进行K-means聚类，分成k个相互独立的图像簇；步骤S5：计算每个图像簇的拟合模型；步骤S6：判断新的输入图像所属的图像簇，将该图像簇的拟合模型作用在输入图像的显著性图上进行优化。该方法适用于多种显著性检测算法的优化，优化效果明显。
-
公开(公告)号：CN105913427B
公开(公告)日：2017-05-10
申请号：CN201610222900.X
申请日：2016-04-12
Applicant: 福州大学
Abstract: 本发明涉及一种基于机器学习的噪声图像显著性检测方法，包括以下步骤：1、对每个幅度的噪声图像分别采用多种去噪参数，获得每个幅度的最佳去噪参数；2、对每幅噪声图像使用噪声评估算法进行特征提取，获得噪声值特征，组成噪声值特征集；3、将噪声值特征集作为机器学习算法的特征集，并通过机器学习算法和五等分交叉验证方法，获得噪声幅度预测模型；4、采用噪声幅度预测模型对相应的噪声图像进行预测，获得预测噪声幅度值；5、采用每幅噪声图像的预测噪声幅度值和对应的最佳去噪参数进行去噪处理，获得去噪图像集；6、对去噪图像集中的图像使用显著性检测方法，获得最终的显著性图。该方法可提高显著性检测方法在噪声图像中的检测性能。
-
公开(公告)号：CN105354646B
公开(公告)日：2017-04-12
申请号：CN201510878644.5
申请日：2015-12-04
Applicant: 福州大学
IPC: G06F19/00
Abstract: 本发明涉及用电负荷预测技术领域，特别是一种混合粒子群优化与极限学习机的电力负荷预测方法，所述方法包括如下步骤：首先，对电力负荷数据进行预处理，之后采用混合粒子群优化与极限学习机的电力负荷预测方法对电力负荷历史数据进行训练，生成电力负荷预测的极限学习机模型；最后利用生成的极限学习机模型计算未来时刻的电力负荷的预测值。该方法结合粒子群优化对极限学习机方法进行改进，解决极限学习机在电力负荷预测时存在的稳定性问题，该方法可以从历史的电力负荷数据中挖掘出电力负荷数据的特性进而生成稳定的极限学习机预测模型，并对未来的电力负荷数据进行预测，并且有较高的准确度。
-
公开(公告)号：CN103678670B
公开(公告)日：2017-01-11
申请号：CN201310725400.4
申请日：2013-12-25
Applicant: 福州大学
IPC: G06F17/30
Abstract: 本发明涉及社交网络技术领域，特别是一种微博热词与热点话题挖掘系统及方法，所述方法包括如下步骤：对微博中发布的内容数据进行预处理，获得候选热词序列；根据候选热词集合，考虑候选热词在当前时刻和给定历史时间窗口内的出现频率和突发性，计算每个候选热词的生命力，筛选出热词集合；根据筛选出的热词集合，计算热词相关性，构造热词共现网络；根据热词共现网络，使用基于多标签传播的热词聚类算法对热词集合进行划分，获得热点话题集。该系统及方法可以实现微博热词与热点话题的高效挖掘，提高了挖掘精度和处理效率。
-
公开(公告)号：CN103729475B
公开(公告)日：2016-10-26
申请号：CN201410034425.4
申请日：2014-01-24
Applicant: 福州大学
IPC: G06F17/30
Abstract: 本发明涉及社交网络技术领域，特别是一种社交网络中的多标签传播重叠社区发现方法，包括如下步骤：读取社交网络数据，构造以社交网络用户为节点，用户关系为边的社交网络图；根据社交网络图，进行社交网络的初步社区划分，采用综合考虑节点中心度以及标签度分布约束的标签传播方法进行社区发现，获得非重叠社区结构；根据获得的非重叠社区结构以及节点在所属社区的中心度值，标记节点所属的层级；根据节点所属层级，计算不同层级节点之间的标签传播增益，并利用多标签传播进行重叠节点挖掘，得到社交网络的重叠社区结构。该方法可有效挖掘社交网络中的重叠社区结构，有利于提高社区检测的精度和效率，可应用于目标群体挖掘、精确营销等领域。
-
-
-
-
-
-
-
-
-
Search Results
224
records
(took 0.026 seconds)
