-
公开(公告)号：CN118314442B
公开(公告)日：2024-09-20
申请号：CN202410741672.1
申请日：2024-06-11
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于深度学习的输电杆塔异物隐患识别方法，包括：构建输电杆塔异物原始数据集并进行预处理，获得处理后的输电杆塔异物数据集；构建基于深度学习的输电杆塔异物隐患识别模型，基于处理后的输电杆塔异物数据集对输电杆塔异物隐患识别模型进行训练，获得训练后的输电杆塔异物隐患识别模型；基于训练后的输电杆塔异物隐患识别模型对输电杆塔中的异物进行识别，获得识别结果。本发明有效提升了在复杂环境下的异物检测准确率和系统的计算效率，还增强了模型在处理不规则和多尺度特征时的适应性和鲁棒性，显著提高了输电杆塔异物隐患别模型的实用性和可靠性。
-
公开(公告)号：CN118430660A
公开(公告)日：2024-08-02
申请号：CN202410637242.5
申请日：2024-05-22
Applicant: 广东工业大学
Abstract: 本发明公开的属于矩阵分解与生物基因结合技术领域，具体为一种基于高阶扰动和灵活三元正则化的协同矩阵分解的LncRNA‑疾病关联预测方法，包括具体步骤如下：获取LncRNA‑疾病的关联矩阵Z；基于已知的关联矩阵Z，计算出LncRNA的功能相似性矩阵Rs和疾病的语义相似性矩阵Ds；将基于已知关联矩阵计算的多阶关联矩阵作为高阶扰动添加到已知关联矩阵中；通过灵活三元正则项的相似性学习，获取相似性矩阵的全局非线性结构相似性信息；本发明基于协同矩阵分解的方法对目标函数进行优化迭代得到最后的预测得分矩阵，使得最终预测lncRNA‑疾病的关联更加准确。
-
公开(公告)号：CN118314532A
公开(公告)日：2024-07-09
申请号：CN202410741819.7
申请日：2024-06-11
Applicant: 广东工业大学
IPC: G06V20/52 , G06N3/045 , G06N3/0464 , G06N3/084 , G06V10/40 , G06V10/764 , G06V10/766 , G06V10/82
Abstract: 本发明公开了一种基于深度学习的变电站红外图像老鼠识别方法，属于深度学习技术领域，包括以下步骤：获取变电站内老鼠的红外图像数据集，并进行预处理；基于特征提取模块、空间金字塔池化结构以及多感知目标检测头，构建变电站红外图像老鼠检测算法；基于预处理后的红外图像数据集对所述变电站红外图像老鼠检测算法进行训练；将训练后的变电站红外图像老鼠检测算法部署在变电站的红外摄像头中，对变电站内老鼠进行实时监控和预警。本发明建立了易于训练的变电站红外图像老鼠目标检测网络，具有高准确率和高泛化性的特点，建模完成后可以部署在各个变电站场景中的红外摄像头内，并建立相对应的预警与监控系统，实现对老鼠目标的实时监控。
-
公开(公告)号：CN118196396A
公开(公告)日：2024-06-14
申请号：CN202410467026.0
申请日：2024-04-18
Applicant: 广东工业大学
IPC: G06V10/25 , G06V10/44 , G06V10/80 , G06V10/774 , G06V10/766 , G06V10/82 , G06V20/05 , G06N3/0464 , G06N3/045 , G06N3/0985 , G06N3/048 , G06V10/764
Abstract: 本发明提供了一种基于深度学习的水下目标检测方法，包括以下步骤：采集水下目标检测数据集，对数据集进行预处理，筛选合格的图像数据，平衡各个类别水下目标样本数量，并对所构建的数据集进行标注；本发明通过结合注意力机制和PReLU激活函数，我们构建了一种全新的目标检测头，称为PRHead。这个PRHead具有动态的特性，能够更好地适应不同目标检测任务的需求。利用注意力机制可以使模型更加集中地关注重要的目标区域，而PReLU激活函数则能够提高模型的非线性拟合能力，进一步增强了PRHead的表达能力，使用本发明提出的方法训练的水下目标检测模型具有更高的检测精度，模型的参数量和计算量更少，满足水下目标检测任务对模型轻量化和高实时性的要求。
-
公开(公告)号：CN117577214B
公开(公告)日：2024-04-12
申请号：CN202310570954.5
申请日：2023-05-19
Applicant: 广东工业大学
Abstract: 本发明提出了一种基于堆叠学习算法的化合物血脑屏障渗透性预测方法，具体实现步骤如下：（1）获取化合物及其BBB标签数据；（2）对数据集进行包括特征生成、数据归一化、特征筛选、样本数量均衡化等数据预处理操作；（3）构建基学习器选择模块，根据输入经过预处理的BBB数据，应用基学习器选择机制来选择用于堆叠学习算法的基学习器；（4）构建融合学习器遴选模块，将基学习器的预测结果构造成一个堆叠矩阵，对比该堆叠矩阵在不同学习器中的训练结果，遴选出堆叠学习算法的最佳融合学习器;（5）根据选出的基学习器与融合学习器，构造化合物BBB渗透性预测模型，并应用网格搜索方法进行参数优化；（6）运用该预测模型进行化合物的BBB渗透性预测。
-
Patent Agency Ranking
公开(公告)号：CN117216656A
公开(公告)日：2023-12-12
申请号：CN202311156905.3
申请日：2023-09-07
Applicant: 广东工业大学
IPC: G06F18/241 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/045 , G06N3/082
Abstract: 本发明提供了一种基于剪枝预训练模型与人工特征编码融合的4mC位点识别算法，包括以下步骤：S1：获取DNA‑4mC的核苷酸序列集L，通过Kmer编码将序列集L转化为数值向量集M；S2：将预训练模型DNABert进行剪枝压缩操作得到的模型DNABert‑Pruning作为基准模型，训练得到序列集L的深层特征信息；S3：根据CKSNAP编码特征方式扩充各核苷酸在序列集L中的特征表示空间，通过双向LSTM网络训练得到序列集L的浅层特征信息；S4：将上述训练得到的浅层信息与深层信息特征同时输入到特征融合注意力模块中，得到更为准确的融合特征表征；S5：对融合后的表征特征使用前馈神经网络和Sigmoid函数输出识别预测，计算其分类评分，本发明可以更准确地预测DNA‑4mC的位点识别信息。
-
公开(公告)号：CN116312805A
公开(公告)日：2023-06-23
申请号：CN202310109046.6
申请日：2023-02-14
Applicant: 广东工业大学
Abstract: 本发明提供一种结合选择性相似性矩阵融合和双向线性邻域标签传播的lncRNA‑疾病关联性预测方法，包括以下步骤：S1：获取lncRNA表达相似矩阵SL和疾病语义相似矩阵SD；S2：获取lncRNA‑疾病关联矩阵LD，并利用LD计算出lncRNA线性邻域相似性矩阵LNL和疾病线性邻域相似性矩阵LND；S3：构建一个非线性迭代的选择性相似性融合方法，将S2步骤所述两种lncRNA相似性和两种疾病相似性分别融合生成lncRNA相似性网络KL和疾病相似性网络KD；S4：最后采用双向线性邻域标签传播方法得到最终预测结果。本发明通过构建相似性融合方法来挖掘更深的邻域相似性信息生成高质量且低噪声相似性网络，结合双向线性邻域标签传播能有效地利用好所构建的相似性网络，从而实现精准预测lncRNA‑疾病的关联。
-
公开(公告)号：CN113160880B
公开(公告)日：2023-06-06
申请号：CN202110295353.9
申请日：2021-03-19
Applicant: 广东工业大学
Abstract: 本发明提供一种基于高阶接近性和矩阵补全算法的lncRNA‑疾病关联预测方法，包括以下步骤：S1：计算lncRNA相似矩阵LS和疾病相似矩阵DS的高阶接近矩阵；S2：获取疾病‑lncRNA邻接矩阵DL，所述疾病‑lncRNA邻接矩阵用于描述lncRNA‑疾病关联关系；S3：构建一个异构性的疾病‑lncRNA关联矩阵，所述疾病‑lncRNA关联矩阵整合了疾病‑lncRNA邻接矩阵DL、lncRNA相似矩阵LS的高阶接近矩阵和疾病相似矩阵DS的高阶接近矩阵；S4：采用矩阵补全法，在所述疾病‑lncRNA关联矩阵中预测lncRNA‑疾病的关联。本发明引入高阶接近性来重构lncRNA和疾病的相似度矩阵，建立一个更好的度量标准来精确描述药物或疾病之间的相似关系，采用构建异构矩阵来利用lncRNA和疾病的相似度信息来辅助预测，实现了更加准确的lncRNA‑疾病的关联预测。
-
公开(公告)号：CN113140327B
公开(公告)日：2023-01-03
申请号：CN202110407996.8
申请日：2021-04-15
Applicant: 广东工业大学
IPC: G16H70/40
Abstract: 本发明针对现有药物重新定位技术的局限性，提出了一种药物‑疾病关联预测方法及系统，方法部分通过运用权值K最近邻算法降低了现有药物‑疾病原始关联矩阵的稀疏性；同时在提取药物和疾病的相似性特征信息时综合了线性和非线性的特征提取方式，从而获得更加全面的相似特征信息，能够充分反映药物与疾病的关系；并采用二分图扩散方法来计算药物‑疾病关联的预测分数，获得了优良的预测性能。
-
公开(公告)号：CN113160880A
公开(公告)日：2021-07-23
申请号：CN202110295353.9
申请日：2021-03-19
Applicant: 广东工业大学
Abstract: 本发明提供一种基于高阶接近性和矩阵补全算法的lncRNA‑疾病关联预测方法，包括以下步骤：S1：计算lncRNA相似矩阵LS和疾病相似矩阵DS的高阶接近矩阵；S2：获取疾病‑lncRNA邻接矩阵DL，所述疾病‑lncRNA邻接矩阵用于描述lncRNA‑疾病关联关系；S3：构建一个异构性的疾病‑lncRNA关联矩阵，所述疾病‑lncRNA关联矩阵整合了疾病‑lncRNA邻接矩阵DL、lncRNA相似矩阵LS的高阶接近矩阵和疾病相似矩阵DS的高阶接近矩阵；S4：采用矩阵补全法，在所述疾病‑lncRNA关联矩阵中预测lncRNA‑疾病的关联。本发明引入高阶接近性来重构lncRNA和疾病的相似度矩阵，建立一个更好的度量标准来精确描述药物或疾病之间的相似关系，采用构建异构矩阵来利用lncRNA和疾病的相似度信息来辅助预测，实现了更加准确的lncRNA‑疾病的关联预测。
-
-
-
-
-
-
-
-
-
Search Results
86
records
(took 0.033 seconds)
