-
公开(公告)号：CN113033692A
公开(公告)日：2021-06-25
申请号：CN202110378059.4
申请日：2021-04-08
Applicant: 北京理工大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于超图点匹配的分子网络分类方法及系统。包括：获取多个分子网络的超图；超图包括有标签超图和无标签超图；对有标签超图和无标签超图进行超边扩展，得到有标签图和无标签图；通过图遍历的方法对有标签图和无标签图中每个结点生成深度子树；得到有标签子树集合和无标签子树集合；采用结点采样方法进行多次采样，得到多个有标签匹配点集和多个无标签匹配点集；根据有标签子树集合、无标签子树集合、多个有标签匹配点集和多个无标签匹配点集，计算有标签超图和无标签超图之间的相似度；根据有标签超图和无标签超图之间的相似度对无标签超图进行分类。本发明使用超图的比较方法更容易对分子网络进行比较，从而对分子网络进行分类。
-
公开(公告)号：CN112950728A
公开(公告)日：2021-06-11
申请号：CN202110326947.1
申请日：2021-03-26
Applicant: 北京理工大学
Abstract: 本发明公开了一种彩色k‑星核分解方法，步骤如下：S1、设置一个包含k个节点的k‑星图，其中一个中间节点与其他k‑1个点相连，给定图G和一个点u，u作为中间节点参与的k‑星的数量记作该点的k‑星度；S2、用贪婪算法对给定的图G进行着色；S3、计算每个点初始的彩色k‑星度；S4、按彩色k‑星度的大小对所有节点从小到大排序；S5、每次删除当前子图中彩色k‑星度最小的点u直到删除所有点，并将当前的核值赋给u，同时更新该点的邻居的彩色k‑星度，最后得到每个点的彩色k‑星核值以及一个节点被删除的顺序。本发明采用上述的一种彩色k‑星核分解方法，分解过程的复杂度更低，效率加快，能够很好的表征出子图的稠密属性。
-
公开(公告)号：CN118245976A
公开(公告)日：2024-06-25
申请号：CN202410393485.9
申请日：2024-04-02
Applicant: 北京理工大学
IPC: G06F18/26 , G06F18/20 , G06F18/2431 , G06F16/2458 , G06Q50/00 , G06F123/02
Abstract: 本发明公开了一种多标签网络上的时序周期社群挖掘方法，属于数据挖掘技术领域，包括以下步骤：首先将时序图中的节点和边按时间戳统计周期，按周期对节点进行拆点，将拆开的点根据原图上的连接关系以及周期匹配情况重新建边，形成新的标签图G；其次在图G上进行带标签的社区挖掘算法，根据不同的标签节点所构成的子图，分别进行k‑核挖掘算法，得到带有不同标签的若干k‑核，根据蝴蝶计数判断是否满足阈值，若满足则合并不同标签的k‑核；然后社群优化；最后重复上述两步合并优化操作，最后形成一个多标签的周期社群。本发明提供了一种多标签网络上的时序周期社群挖掘方法，保证了结果子网络的密集程度且通过周期社群可以更好的描述图特征。
-
公开(公告)号：CN116720547A
公开(公告)日：2023-09-08
申请号：CN202310357741.4
申请日：2023-04-06
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于知识蒸馏的图对比学习方法，包括以下步骤：步骤1，数据准备：准备合适的图数据集；步骤2，基于图对比学习进行教师模型的设计及其预训练：步骤21，数据增强；步骤22，生成正负样例对；步骤23，计算模型损失；步骤24，重复步骤21‑23降低模型计算损失；步骤3，定义并设计轻量化学生模型；步骤4，进行离线知识蒸馏；步骤5，在测试样本集上进行测试，调整相关参数使模型达到最佳效果。本发明采用上述基于知识蒸馏的图对比学习方法，重点解决了模型复杂程度过高导致的计算时间长、响应变慢的问题，同时极大的降低了图表示学习中对于数据量的依赖。
-
Patent Agency Ranking
公开(公告)号：CN116708577A
公开(公告)日：2023-09-05
申请号：CN202310829897.8
申请日：2023-07-07
Applicant: 北京理工大学
Abstract: 本发明公开了一种智能产线管控云边端体系资源协同方法，属于云边端技术领域，通过结合经济模型和优化方法，使得边缘服务器和终端设备之间合作良好，具体内容如下：(1)智能产线管控云边端体系的资源定价和交易模型，利用经济原理和资金定价的方式来动态量化边缘服务器的资源；(2)基于多臂老虎机强化学习方法的终端周期性任务卸载方法，利用强化学习来优化周期性任务卸载所需的资源配置；(3)基于Stackelberg博弈的资源协同方法，以系统整体的利益最大化为目标，来达到优化系统整体资源利用率的目的，本发明采用上述方法，针对智能产线管控的云边端系统，使得终端设备卸载的任务能在规定的运行时间内最小化运行成本。
-
公开(公告)号：CN116248472A
公开(公告)日：2023-06-09
申请号：CN202211675019.7
申请日：2022-12-26
Applicant: 北京理工大学
IPC: H04L41/06 , H04L41/142 , H04L41/147 , H04L41/0631 , H04L9/40 , G06N3/048 , G06N3/084
Abstract: 本发明公开了基于神经霍克斯过程的云边端系统故障预测方法，将故障时间和故障类型分别以向量进行表示，然后通过向量求和得到故障的初始表示；基于图神经网络对故障的初始表示进行处理，将故障类型之间的相互影响关系附加于故障向量上，从而得到最终的故障向量表示；基于霍克斯过程建立故障预测模型，并通过数据驱动的方法对模型参数优化；最后，基于霍克斯故障预测模型对图神经网络输出的故障向量表示进行预测。本发明采用上述方法，准确建模故障类型之间相互影响关系，故障表示更加丰富和准确，对未来云边端系统中故障预测更加准确。
-
公开(公告)号：CN115242680A
公开(公告)日：2022-10-25
申请号：CN202210912335.5
申请日：2022-07-30
Applicant: 北京理工大学
IPC: H04L43/0817 , H04L41/147 , H04L41/0677 , G06N3/08 , G06N3/04 , G06K9/62
Abstract: 本发明公开了一种通信网络中基于多阶段训练的图神经网络的节点分类方法，步骤如下：S1、根据通信逻辑链路进行建图G，其中节点为服务器，边为逻辑通信链路，确定时间段begin‑time和end‑time，在该时间段内有通信的节点之间添加对应的边；S2、对获得的图G进行补边，将高阶信息补充到原图G上，得到新图G2；S3、在步骤S2获得的图G2上进行节点分类，得到节点宕机的概率。本发明采用上述的一种通信网络中基于多阶段训练的图神经网络的节点分类方法，使得最终学到的节点向量表示更加丰富和准确，提高分类的准确率，从而快速的得到宕机的位置。
-
公开(公告)号：CN115237601A
公开(公告)日：2022-10-25
申请号：CN202210913187.9
申请日：2022-08-01
Applicant: 北京理工大学
IPC: G06F9/50 , G06F16/2458 , G06Q40/02
Abstract: 本发明公开了基于多线程与环算法的信用卡套现关系网挖掘方法，将信用卡借贷人的转账关系网转化为有向图，并将同时间下的重复边捆绑为一条；基于环算法计算处理后的图模型图的可达节点和可达边，然后多个线程基于深度优先遍历算法双向搜索符合条件的可达边并加入环形子图中，最终所得完整环形子图即为套现涉及到的所有人和转账关系网。本发明采用上述信用卡套现关系网挖掘方法，可扩展、易于复用、运行速度快、运行成本低。
-
公开(公告)号：CN112905690A
公开(公告)日：2021-06-04
申请号：CN202110356371.3
申请日：2021-04-01
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于超图的金融时序数据挖掘方法及系统，涉及金融数据处理技术领域，包括获取金融时序数据；所述金融时序数据包括多个用户以及多个交易关系；所述交易关系为两个所述用户或者两个以上所述用户之间的交互关系；利用超图理论和所述金融时序数据，构建金融超图知识图谱；利用频繁子图挖掘算法对所述金融知识超图图谱进行挖掘；本发明能够准确表达金融时序数据，提高挖掘精度。
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.023 seconds)
