-
公开(公告)号：CN113283586B
公开(公告)日：2022-05-13
申请号：CN202110576400.7
申请日：2021-05-26
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于决策机和特征选择的快速入侵检测方法，包括如下步骤：1）预处理；2）特征选择；3）构建决策机，并对决策机模型进行训练；4）根据决策机获得重构决策树模型的参数，并重构决策树。这种方法不仅入侵检测识别率高以及训练检测模型时间短，而且提高了入侵检测系统的可解释能力。
-
公开(公告)号：CN107545153B
公开(公告)日：2021-06-11
申请号：CN201711011644.0
申请日：2017-10-25
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于卷积神经网络的核小体分类预测方法，其特征是，包括如下步骤：1）特征提取；2）提取核小体或链接体DNA序列中核苷酸的物理化学属性；3）添加生物特性；4）获取第24维向量；5）添加核苷酸化学性质；6）得到包含生物信息的矩阵；7）构建卷积神经网络结构；8）分类核小体。这种方法能精准预测核小体的分类。
-
-
公开(公告)号：CN110379464A
公开(公告)日：2019-10-25
申请号：CN201910688863.5
申请日：2019-07-29
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种细菌中DNA转录终止子的预测方法，包括如下步骤：1）获取细菌的终止子和非终止子序列作为基准数据集和独立数据集；2）特征集提取；3）特征集排序；4）特征集选择；5）特征集提取方法对比；6）训练模型；7）构建组合分类器；8）方法评估。这种预测方法可以提取多种DNA信息中的特征，还减少了计算时间，避免出现过拟合现象，同时还可以选出最优的分类模型，提高了预测终止子预测的准确率。
-
-
Patent Agency Ranking
公开(公告)号：CN119786038A
公开(公告)日：2025-04-08
申请号：CN202411930976.9
申请日：2024-12-26
Applicant: 桂林电子科技大学
IPC: G16H50/30 , G16H30/40 , G06T7/11 , G06T5/70 , G06T5/60 , G06V10/82 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于文字‑3D图像的多模态脑卒中预测方法，其过程包含如下步骤：收集样本数据和预处理：获取脑卒中患者MRI样本以及每个样本病灶区域的自然语言描述信息，并将文字描述转换为向量表示，作为后续模型的输入；构建模型：使用卷积神经网络（CNN）作为图像特征编码模块，均采用U‑Net架构。模型优化：我们采用Soft Dice Loss和Cross Entropy Loss两个的加权作为模型的损失函数，以更好地优化模型；多模态融合：我们利用Transformer结构将视觉和语言信息进行融合，实现跨模态特征的深度交互；模型评估：使用Dice系数、精确度、召回率、HD95共4个评价指标来评估分割模型的性能。通过对比模型在不同评估指标下的表现，不断优化分割结果。
-
公开(公告)号：CN118800452A
公开(公告)日：2024-10-18
申请号：CN202410993056.5
申请日：2024-07-24
Applicant: 桂林电子科技大学
IPC: G16H50/30 , G16H50/70 , G06F18/214 , G06N20/10 , G06N5/01 , G06F18/23213 , G06N3/0985
Abstract: 本发明公开了一种基于聚类下采样和可解释深度森林的脑卒中预测方法，获取脑卒中和正常患者的代谢指标以及分类情况；对特征进行标准化，并对异常值进行处理，获取完整的、标准化数据；使用提出的CBUC算法对不平衡数据重采样，尽可能多地将多类型的数据纳入训练，得到一个平衡训练集；使用级联深度森林模型（DF）对数据集进行预测；采用Grid search技术对预测的模型进行优化；采用10折交叉验证对模型的性能进行评估，使用Specificity（SP）、Sensitivity（SE）、Gmean、Area Under the Curve（AUC）以及Accuracy（ACC）五个指标衡量模型性能；计算深度模型中第一层森林的MDI，对输入的特征进行重要性比较。该方法将极度不平衡脑卒中数据重采样为平衡数据集，提高模型的预测精度，同时兼具可解释性，相比于最先进的方法具有更优越的识别性能且预测过程更加透明。
-
公开(公告)号：CN116779182A
公开(公告)日：2023-09-19
申请号：CN202310822955.4
申请日：2023-07-06
Applicant: 桂林电子科技大学
IPC: G16H50/80 , G16H50/20 , G16H10/40 , G16H15/00 , G16H50/30 , G06F18/10 , G06F18/2411 , G06F18/243 , G06F18/21 , G06N20/20
Abstract: 在这项发明将使用一个集成学习模型（REGX）中来进行COVID‑19的诊断和预后。该集成学习模型使用了两层的多个分类器来提升模型性能。第一级多样化分类器包括额外树、随机森林、梯度提升和极端梯度提升模型，之后第一层的输出被送至第二层SVM分类器。同时，在数据预处理时，本文采用KNNImputer算法来处理空值，使用iForest来筛选异常值，之后再用少数过采样技术(SMOTE)来使数据分布均衡。最后，通过Feature_Importances(scikit‑Learn)和SHapley Additive exPlanations(SHAP)来报告特征重要性，以满足医疗环境中模型可解释性的需求。最后，通过sklearn中的Feature_Importances和SHAP事后可解释性来揭示黑盒模型中揭示由于新型冠状病毒感染感染患者剧增而可能被医疗从业者忽略的重要的生物标志物。
-
-
公开(公告)号：CN109859798B
公开(公告)日：2023-06-23
申请号：CN201910053867.6
申请日：2019-01-21
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种细菌中sRNA与其靶标mRNA相互作用的预测方法，包括如下步骤：1）数据收集和整理；2）特征提取，将数据集转换为矩阵；3）F‑score特征优化；4）训练构建SVM模型并进行预测得出预测结果。这种方法能有效表征RNA序列信息、提高sRNA‑靶标mRNA相互作用预测精度，同时，这种方法还具有成本低、耗时少、预测速度快的优点。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.024 seconds)
