-
公开(公告)号：CN105741175A
公开(公告)日：2016-07-06
申请号：CN201610057577.5
申请日：2016-01-27
Applicant: 电子科技大学
IPC: G06Q50/00
Abstract: 本发明公开了一种基于节点相似度的对多个在线社交网络(OSN)中账户进行关联的方法，从OSN网站账户中提取好友关系来关联不同OSN平台上属于同一实体用户的多个账户。该专利五个部分：数据预处理部分对OSN的账户节点关系图进行预处理；节点序列提取部分通过随机游走获得账户节点序列集合；账户向量表示部分通过词转向量工具word2vec生成每个账户的向量模型；计算线性变换矩阵部分通过梯度下降法求得从一个OSN到另一个OSN的线性变换矩阵W；获取关联账户部分将其中一个OSN中的账户映射到另一OSN的坐标空间，通过相似度度量和阈值筛选，得到所有账户对应的关联账户或者对应的候选集。本发明避免了因账户不真实的特征信息对账户关联结果带来的误差，故而提高了账户关联的健壮性。
-
公开(公告)号：CN114609631B
公开(公告)日：2023-12-22
申请号：CN202210227542.7
申请日：2022-03-08
Applicant: 电子科技大学
IPC: G01S13/90 , G01S7/41 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明公开一种基于生成对抗网络的合成孔径雷达欠采样成像方法，应用于雷达技术领域，针对基于卷积神经网络(CNN)的SAR欠采样成像方法对复杂背景目标方位模糊抑制性能差、以及对原始图像细节保留不够完整和准确等问题，本发明将SAR信号处理与生成对抗网络(GAN)相结合，生成网络的代价函数Cost Function选取为L1‑范数，判别网络的代价函数Cost Function选取为二元交叉熵函数；GAN网络通过L1‑范数感知图像的低频信息，通过判别网络感知图像的高频信息；采用本发明的方法能够有效提高对复杂背景的SAR欠采样成像质量。(56)对比文件残云墨雪 . “U-net网络详解”《.https://blog.csdn.net/my201558503128/article/details/103441541》.2019,第1-2页.Olaf Ronneberger 等.“U-Net:Convolutional Networks for BiomedicalImage Segmentation”《.WWW home page:http://lmb.informatik.uni-freiburg.de/》.2015,第1-8页.
-
公开(公告)号：CN113887806B
公开(公告)日：2023-04-07
申请号：CN202111169186.X
申请日：2021-10-08
Applicant: 电子科技大学
Abstract: 本发明公开了一种长尾级联流行度预测模型、训练方法及预测方法，该长尾级联流行度预测模型包括骨干网络、以及位于骨干网络之后的回归器，回归器包括并行设置的原始回归器和子网络SUB；骨干网络和原始回归器构成长尾级联流行度预测模型的基线模型；骨干网络用于提取长尾级联的时间特征和空间特征；原始回归器用于得到该长尾级联流行度的原始预测值；述子网络SUB用于得到该长尾级联流行度的加权偏差；以该长尾级联流行度的原始预测值与加权偏差之和作为最终流行度预测值。本发明利用解耦的思想，整个模型训练分为两个阶段，首先利用不同的采样策略来提取骨干网络的特征表示，然后将骨干网络的参数固定住，再通过几种不同的方法微调回归器，该回归器结合了原始的预测值和由子网络SUB产生的加权偏差值，达到更准确预测流行度的目的。
-
公开(公告)号：CN114021836A
公开(公告)日：2022-02-08
申请号：CN202111352050.2
申请日：2021-11-16
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于不同角度融合的多变量水库入水量预测系统、训练方法及应用，基于水库各变量历史观测值，首先通过随机循环神经网络和生成模型获得符合多模态分布的隐变量，然后通过注意力模型获得注意力矩阵，再将符合多模态分布的隐变量和注意力矩阵输入多层感知机，便可实现未来水库入水量的预测；相较于传统的人工经验判断和统计学方法，本发明对特定的场景具有建模能力；相较于传统的循环神经网络，本发明可以更好地捕捉多个观测值之间的关联和时间上较长的依赖，因而具有更高的准确率，不仅节省了大量的人力和物理成本，而且其预测结果也更有价值。
-
公开(公告)号：CN110232480B
公开(公告)日：2021-05-11
申请号：CN201910515356.1
申请日：2019-06-14
Applicant: 电子科技大学
Abstract: 本发明提供了一种利用变分的正则化流实现的项目推荐模型训练方法及项目推荐方法，采用带注意力机制的循环神经网络并加入正则化流的变分推断，通过学习会话序列的隐含变量，为用户推荐下一次点击的项目，只通过用户点击过的项目序列数据就可以稳定有效地近似推断整个会话序列的下一次点击项目，而且预测模型加入注意力机制来增强会话中重要的项目点的权重，大大提高了预测的精确度。此外，本发明在模型中加入了变分的正则化流去学习隐含变量的真实分布，这可以减小传统的变分模型(比如VAE)在基于会话的推荐问题中的误差。
-
Patent Agency Ranking
公开(公告)号：CN108564129B
公开(公告)日：2020-09-08
申请号：CN201810372762.2
申请日：2018-04-24
Applicant: 电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于生成对抗网络的轨迹数据分类方法，首先将真实轨迹数据输入生成对抗网络，使生成对抗网络训练至生成器生成与真实轨迹数据分布相同的仿真轨迹数据；然后利用生成对抗网络的生成器生成若干组仿真轨迹数据；最好对生成的若干组仿真轨迹数据与真实轨迹数据一起进行分类处理，得到轨迹用户映射。本发明通过生成对抗网络可以模拟真实轨迹数据的分布，以生成的仿真轨迹数据和真实轨迹数据一起作为轨迹数据分类的数据源，对轨迹数据进行分类，可以有效解决数据稀疏问题，避免稀疏轨迹数据对轨迹数据分类产生的负面影响；由于稀疏轨迹数据也存在相应的轨迹用户映射，因此能够实现对稀疏轨迹数据分类有助于提高数据分类效果。
-
公开(公告)号：CN109636658A
公开(公告)日：2019-04-16
申请号：CN201910044138.4
申请日：2019-01-17
Applicant: 电子科技大学
CPC classification number: G06Q50/01 , G06N3/0454
Abstract: 本发明公开了一种基于图卷积的社交网络对齐方法，首先利用图卷积神经网络对社交网络中的用户关系进行网络嵌入，然后利用高斯核函数将嵌入空间升维，得到高维空间中节点的相似度矩阵，利用锚节点来表示非锚节点，得到两个社交网络最终的网络嵌入，再利用已知的锚节点信息来学习一个网络映射函数，最后利用该函数将两个社交网络中的节点进行对齐。本发明不需要提取大量的用户隐私信息，利用图形就能够很好地表示社交网络用户之间的社交关系。通过引入高斯核函数将嵌入空间升维，可以分离原始低维嵌入空间中不可分离的节点。利用已知锚节点来学习网络映射函数，可以大大地提高社交网络对齐的准确率，从而实现了一种优于现有方法的社交网络对齐方法。
-
公开(公告)号：CN118485106A
公开(公告)日：2024-08-13
申请号：CN202410585053.8
申请日：2024-05-13
Applicant: 电子科技大学
Abstract: 本发明属于信息传播技术领域，公开了一种基于级联检索语境学习的信息扩散预测方法，基于历史信息级联序列构建提示池，并对提示池进行增强处理，同时获取提示池的用户嵌入；从提示池中检索若干与查询级联匹配的若干提示；依据提示池的用户嵌入，获取查询级联和若干提示的用户嵌入；进而通过预训练的transformer网络生成级联表示；并将级联表示与查询级联的用户嵌入融合得到最终表示；依据最终表示和提示池的用户嵌入，生成用户预测结果，完成信息扩散预测。本发明探索了基于动态级联提示的级联信息扩散预测方法，并通过检索增强语境学习来获取级联间复杂的相互依赖关系，提升信息扩散预测效果。
-
公开(公告)号：CN113095440B
公开(公告)日：2022-05-17
申请号：CN202110482974.8
申请日：2021-04-30
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于元学习者的训练数据生成方法及因果效应异质反应差异估计方法，首先利用随机现场试验获得原始训练数据学习两个基学习者，再通过元学习者，将两个基学习者对原始训练数据进行交叉测试，生成训练数据；再利用生成的训练数据分别学习一个针对处理组和控制组的任务子学习者，再由两个任务子学习者构成最终的任务学习者；通过最终任务学习者可以实现对用户因果效应异质反应差值的估计。本发明基于元学习者，提出了一套可用估计因果效应异质反应差异的框架，可以与任意基学习者模型结合使用，用于估计任意类型的因果效应反应差异；例如可以用来指导定价的折扣手段、有效广告策略的设计以及产品的尺寸和包装方案的设计等。
-
公开(公告)号：CN112613556B
公开(公告)日：2022-04-19
申请号：CN202011536734.3
申请日：2020-12-23
Applicant: 电子科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于元学习的少样本图像情感分类方法，首先在源数据集上构建多个与目标数据集中具有情感标签信息的少样本图像类似的元学习任务，然后通过对这些元学习任务学习，得到一个良好的分类模型初始化参数，使得分类模型在面对少样本目标数据集中情感图像时能够取得较好的分类效果。本发明不仅可以大大缓解对标注数据的需要，而且基于元学习的方式也更加符合人类的学习方式(人类学习新任务都是基于已经学过任务去学习的)，可以使神经网络模型更加智能化。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.053 seconds)
