-
公开(公告)号：CN108171253A
公开(公告)日：2018-06-15
申请号：CN201711172384.5
申请日：2017-11-22
Applicant: 昆明理工大学
IPC: G06K9/62
CPC classification number: G06K9/6223
Abstract: 本发明涉及一种基于L2范数规范化和余弦定理改进的肘部法则的方法，属于数据挖掘中聚类分析技术领域。本发明包括设定K均值聚类算法中要搜索其最佳聚类数(最佳K值)的范围[Kmin‑Kmax]；计算搜索范围内的Kmax‑Kmin+1个聚类数对应的平均畸变程度；对计算得到的Kmax‑Kmin+1个平均畸变程度进行L2范数规范化处理等步骤。本发明在K均值聚类算法及肘部法则的基础上，通过对肘部法则得到的平均畸变程度进行L2范数规范化处理及利用余弦定理对其进行进一步的计算，进而得到搜索范围内的最佳K值，该方法可以使得到的最佳K值更具有客观性。
-
公开(公告)号：CN115019883B
公开(公告)日：2025-05-23
申请号：CN202210131034.9
申请日：2022-02-13
Applicant: 昆明理工大学
Abstract: 本发明涉及一种基于多网络图卷积的癌症驱动基因识别方法，属于系统生物学技术领域。本发明首先根据蛋白质相互作用网络得到结构网络，再为每个基因计算出增强特征，根据基因的生物特征之间的相似度得到特征网络，然后将结构网络、特征网络和生物特征放入多网络图卷积模型中，对模型进行训练，并利用训练好的模型预测新的癌症驱动基因，最后输出每个基因是否是癌症驱动基因的预测分数。本发明通过多网络图卷积识别方法，提高机器学习模型预测癌症驱动基因识别的准确性。
-
公开(公告)号：CN118395274A
公开(公告)日：2024-07-26
申请号：CN202410837743.8
申请日：2024-06-26
Applicant: 昆明理工大学
IPC: G06F18/241 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 本发明公开了一种基于DeepLabV3+模型的射频干扰抑制方法及装置，属于信号处理、通信技术和深度学习领域。方法包括：对获取的射电时频图像制作掩膜标签图像；将射电时频图像及对应的掩膜标签图像划分为训练集、验证集；将待射频干扰抑制的射电时频图像输入经依据训练集和验证集对基于DeepLabV3+的射频干扰检测模型进行训练和验证后获得的训练好的基于DeepLabV3+的射频干扰检测模型，获得预测的带射频干扰掩膜图像；依据带射频干扰掩膜图像中的干扰标记，对原始待射频干扰抑制的射电时频图像中带干扰部分逐像素点进行干扰置0。本发明所提模型在干扰识别的准确率及干扰边缘识别的精确度上要优于现有的深度学习模型。
-
公开(公告)号：CN116741269A
公开(公告)日：2023-09-12
申请号：CN202310505258.6
申请日：2023-05-08
Applicant: 昆明理工大学
Abstract: 本发明涉及一种融合基因特征和图卷积预测个性化癌症驱动基因的方法，属于系统生物学技术领域。本发明首先通过在基因‑基因网络中执行Deepwalk算法，学习到此网络中蕴含了节点多阶邻居信息的基因结构特征。然后，利用图卷积网络实现癌症样本亚型的预测，提取模型的参数，通过与癌症亚型预测任务关联起来可以得到融合了癌症样本亚型信息的基因特征。然后在构建的基因‑样本关联矩阵中执行图卷积学习得到基因和样本节点的邻居特征和自身特征。最后通过对得到的4个特征加权得到基因的融合特征。接下来我们通过线性相关系数解码器实现基因‑样本关联矩阵的重构，从而实现样本个性化癌症驱动基因的预测。
-
公开(公告)号：CN109683909A
公开(公告)日：2019-04-26
申请号：CN201811449179.3
申请日：2018-11-30
Applicant: 昆明理工大学
Abstract: 本发明提出了基于Docker的MPI并行环境自动部署方法，属于分布式计算系统领域。本发明包括的简要步骤是：第一步对可用机器进行初始化，包括创建Swarm管理的容器云、配置NFS(Network File System)和创建私有镜像仓库。第二步通过独立的自动部署模块构建包含OpenMPI和自动配置脚本的镜像并推送至私有镜像仓库。第三步通过用户接口启动自动部署方法在多台机器上部署MPI并行环境。第四步通过用户接口编写MPI应用程序或启动基于MPI的应用软件完成并行运算，最终实现基于Docker的MPI并行环境自动部署全过程并验证其正确性、时效性和合理性。通过本方法所述步骤，可以快速便捷的部署出不同规模的MPI并行环境以供用户开发或运行基于MPI的应用软件。
-
Patent Agency Ranking
公开(公告)号：CN107886124A
公开(公告)日：2018-04-06
申请号：CN201711090620.9
申请日：2017-11-08
Applicant: 昆明理工大学
IPC: G06K9/62
CPC classification number: G06K9/6223
Abstract: 本发明涉及一种自动识别肘部法则中最优K值的方法，属于机器学习中无监督聚类学习技术领域。本发明包括步骤：设定K-means聚类算法中要查找最优K值的范围[1,M]；计算设定范围聚类数对应的平均畸变程度；对计算得到的平均畸变程度进行0-10的规则化转换；将0-10规则化后的平均畸变程度与范围[1,M]封装成数据对；利用余弦定理求上述封装成的连续三个数据对之间的夹角；找出最小的夹角；利用最小的夹角得到最优的K值。本发明在K-means及肘部法则的基础上，通过对肘部法则得到的平均畸变程度做0-10规则化及利用余弦定理对其进行进一步的计算最终得到指定范围内的最优K值。
-
公开(公告)号：CN107798048A
公开(公告)日：2018-03-13
申请号：CN201710629289.7
申请日：2017-07-28
Applicant: 昆明理工大学
IPC: G06F17/30
CPC classification number: G06F17/30312 , G06F17/30477 , G06F17/30595
Abstract: 本发明涉及一种用于射电日像仪海量数据管理的负数据库管理方法，属于天文技术和海量数据管理技术领域。本发明包括步骤：负数据库的数据初始化；负数据库中数据的查询。负数据库的数据初始化包括步骤：读取射电日像仪原始数据文件中首尾帧的采样时间；判断原始数据文件是否丢帧；根据原始数据文件丢帧情况提出并构造文件中所有帧的元数据的补集信息；存储补集信息到底层数据库。负数据库中数据的查询包括步骤：根据条件检索出相应的补集信息；利用补集信息推导出所有帧的元数据；过滤出最终的元数据信息。本发明在底层数据库的基础上，采用补集的思想，不仅降低了存储空间而且也获得了与关系数据库管理系统相当的查询性能。
-
公开(公告)号：CN106408600A
公开(公告)日：2017-02-15
申请号：CN201610808433.9
申请日：2016-09-08
Applicant: 昆明理工大学
IPC: G06T7/32
CPC classification number: G06T2207/10004 , G06T2207/20021
Abstract: 本发明涉及用于太阳高分辨率图像中图像配准的方法，属天文技术和图像处理领域。本发明先对图像进行预处理，初步匹配高分辨率像在全日面像中的位置；其次，采用最大块方向角法计算方向角差，得到粗转角度；根据粗转角度，在初始匹配的基础上进行粗转；接着，再对数-极空间测量精细旋转量，得到细转角度，根据细转角度，在粗转的基础上进行细转；然后，采用互相关法计算模板图像和搜索窗口之间的互相关值，得到匹配点的转换矩阵，计算旋转角和比例尺，在细转的基础上进行配准；最终得到配准之后的图像。本发明在互相关法和Fourier-Mellin方法的基础上，采用粗匹配加细匹配加点匹配的方法，有效地提高了配准的精度。
-
公开(公告)号：CN119943439A
公开(公告)日：2025-05-06
申请号：CN202510103197.X
申请日：2025-01-22
Applicant: 昆明理工大学
IPC: G16H70/40 , G16H50/70 , G16H20/10 , G06F18/243 , G06N3/042 , G06N3/0455 , G06N3/08 , G06N5/01 , G06N20/20
Abstract: 本发明公开了一种基于超图的协同药物预测方法，属于药物协同组合预测技术领域。该方法首先根据药物组合与细胞系的关系构建超图；其次使用超图节点编码器学习药物特征；接着使用超图超边编码器学习细胞系特征；然后将学习到的两个特征输入超图解码器重建超图计算损失以学习到最优的特征；最后将学习到的特征计算哈达玛积以进行链路预测。本发明能够在不使用任何药物和细胞系特征的前提下，提高协同药物组合预测的准确性，有助于为药物协同组合预测技术领域开阔新的视野。
-
公开(公告)号：CN118332443B
公开(公告)日：2024-08-27
申请号：CN202410755555.0
申请日：2024-06-12
Applicant: 昆明理工大学
IPC: G06F18/243 , G06F18/213 , G06F18/25 , G06V10/44 , G06V10/52 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明公开了一种脉冲星数据射频干扰检测方法，属于图像分割技术和射电天文领域。本发明包括：获取多个脉冲星数据；将获取的各脉冲星数据转换成脉冲星时频图像并制作标签，将带标签的脉冲星时频图像划分为训练集、验证集和测试集；基于编码器‑解码器结构，构建脉冲星数据射频干扰检测模型；依据训练集和验证集对脉冲星数据射频干扰检测模型进行训练和验证，获得训练好的脉冲星数据射频干扰检测模型；依据训练好的脉冲星数据射频干扰检测模型对待测脉冲星时频图像进行检测，获得脉冲星时频图像的分类结果。本发明在真实数据中的射频干扰检测性能更好，能够更全面、精确地检测射频干扰，且在检测效率和检测效果上达到了很好的平衡。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.025 seconds)
