-
公开(公告)号：CN106549976A
公开(公告)日：2017-03-29
申请号：CN201611130519.7
申请日：2016-12-09
Applicant: 中南大学
IPC: H04L29/06
Abstract: 本发明公开了一种适用于透明计算系统的用户身份认证方法及系统配置方法，该认证方法包括当用户开机登录时，客户端发送登录请求信息给认证服务器，认证服务器查询后台数据库，获取用户可启动的操作系统权限列表并发送给客户端；用户选择操作系统，向存储服务器发起远程加载请求；存储服务器对客户端的用户名和密码进行认证，认证通过后查看用户操作系统镜像的配置文件，并根据客户端的IP与将要启动的操作系统镜像的IP设置判定认证成功与否。该系统配置方法用于配置使用该用户身份认证方法的透明计算系统。本发明实现了用户的权限管理，能提供一些个性化服务，完善了用户体验。
-
公开(公告)号：CN106446601A
公开(公告)日：2017-02-22
申请号：CN201610406692.9
申请日：2016-06-12
Applicant: 中南大学
IPC: G06F19/18
Abstract: 本发明公开了一种大规模标注lncRNA功能的方法，根据lncRNA-蛋白质的共表达数据及相互作用数据、lncRNA的表达谱数据和蛋白质的相互作用数据，构建一个全局的异构无向图，通过Katz度量计算lncRNA顶点和蛋白质顶点的相似性，从而依据相似蛋白质的功能标注信息对未知的lncRNA进行功能标注。本发明与现有的技术相比，在考虑lncRNA-蛋白质共表达信息的基础上，也整合了lncRNA-蛋白质相互作用数据、lncRNA的表达谱数据和蛋白质的相互作用数据。独立测试表明，本发明预测的召回率、准确性和F-measure都比其它的方法更高，效果更好。由于本发明是一种基于图的全局计算方法，所以可以一次标注出大量的lncRNA，有效的克服了以前局部方法一次只能标注少量lncRNA功能的问题。
-
公开(公告)号：CN105224695A
公开(公告)日：2016-01-06
申请号：CN201510770947.5
申请日：2015-11-12
Applicant: 中南大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于信息熵的文本特征量化方法和装置及文本分类方法和装置，根据特征词在文本文档内的词频和在不同文本类别上分布的信息熵来计算文档内各特征词的权重；同时可根据文本集各类别规模的非平衡性采用不同方式来计算特征词的类间分布熵，另外根据各特征词在文本集中的分布特点按需引入了反文档频率，而且适当缩减了局部词频因子，使得文档内各特征词的权重分配更合理，所生成的文档特征向量更充分地反映了不同类别文本的特征差异。所公开的文本特征量化装置和文本分类装置具备多个选项或参数，通过调节可获得最优的文本分类效果。所述文本特征量化方法不仅提高了文本分类的准确率，而且在不同文本集上的性能比较稳定。
-
公开(公告)号：CN103279924B
公开(公告)日：2015-11-25
申请号：CN201310198958.1
申请日：2013-05-24
Applicant: 中南大学
Abstract: 本发明公开了一种对任意倾斜角度的专利证书图像的校正方法，通过对输入的专利证书图像灰度化后进行高斯滤波；然后对经过滤波的图像进行Canny边缘检测，得到证书图像的基本骨架线；再利用Hough变换获取上述骨架线的倾斜角；并根据少数服从多数的原则，得到第一次校正的倾斜角，然后再旋转图像；接着，根据第一次校正后证书图像中圆章的位置来判断第二次校正的倾斜角，并根据倾角旋转图像，最终完成专利证书图像的倾斜校正。
-
公开(公告)号：CN104837022A
公开(公告)日：2015-08-12
申请号：CN201510212943.5
申请日：2015-04-29
Applicant: 中南大学
IPC: H04N19/46 , H04N19/103 , H04N19/577 , H04N19/85
Abstract: 本发明公开了一种基于HEVC视频编码标准的神经影像数据压缩方法，通过维度重排和帧平面填充得到以不同维度作为编码帧方向的神经影像数据集合，利用高压缩性能的视频编码器对该集合中的神经影像数据进行视频编码，选择最小码流作为神经影像的压缩输出，在不改变标准视频码流结构的前提下，可充分消除神经影像在不同维度上的数据冗余，进一步提高神经影像数据的压缩效率；此外，可以根据实际应用场景的不同，灵活地选用无损压缩和有损压缩，通过面向用户的视频编码参数配置保持压缩性能与压缩开销之间的平衡，通过兼容NIfTI标准神经影像格式确保神经影像的通用性。
-
Patent Agency Ranking
公开(公告)号：CN104063502A
公开(公告)日：2014-09-24
申请号：CN201410322692.1
申请日：2014-07-08
Applicant: 中南大学
IPC: G06F17/30
CPC classification number: G06F17/30908 , G06F17/30705
Abstract: 本发明提出了一种基于语义模型的WSDL半结构化文档的相似性分析及分类方法，利用WordNet词典建立WSDL半结构化文档语义模型，并通过最大熵模型消除词语歧义，建立WSDL半结构化文档语料库特征向量模型，生成WSDL半结构化文档的文档特征矩阵，从而对两个不同文档进行内容的分类与评估，最终得到服务功能的相似性比较。本发明所述方法提高了文档相似性判断准确度，提升了文档分类速度以及准确度，并对向量空间有降维效果。
-
公开(公告)号：CN113032569A
公开(公告)日：2021-06-25
申请号：CN202110382498.2
申请日：2021-04-09
Applicant: 中南大学
IPC: G06F16/35 , G06F16/36 , G06F40/289
Abstract: 本发明提供一种基于语义相似度的中文自动文本摘要评价方法，具体步骤包括：从LCSTS中文摘要数据集中抽取出摘要文本、新闻短文本和人工标注；对摘要文本和新闻短文本进行预处理，使用预训练词向量对摘要文本和新闻短文本进行表征；将摘要文本和新闻短文本输入至DPCNN‑Siamese混合网络模型中进行评分。本发明提出一种基于Siamese网络结构的混合改进模型，使用LCSTS数据集中带有人工评价的部分，将新闻标题和新闻内容作为输入，分别使用DPCNN网络结构提取文本的特征，并将两个网络层的输出进行拼合，以人工评价的分数作为标签数据进行训练，通过模拟中文使用者的语言习惯来评价模型所生成的中文文本摘要的好坏。
-
公开(公告)号：CN112861524A
公开(公告)日：2021-05-28
申请号：CN202110373336.2
申请日：2021-04-07
Applicant: 中南大学
IPC: G06F40/247 , G06F40/30 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的多层次中文细粒度情感分析方法，此方法可以通过快速准确地识别中文文本中细粒度的情感类别，从而更加精细化地理解用户的主观感受，从而预测用户行为并改善用户体验。其主要包括：步骤1，构建训练集，采用回译数据增强以及同义词替换的方式增加文本情感标签的均衡性及多样性；步骤2，使用BERT模型微调对输入文本进行字嵌入表示以及使用word2vec技术对输入文本进行词嵌入表示；步骤3，设计多层次卷积神经网络模型(Multi‑LevelConvolutionalNeuralNetwork，MLCNN)，使用双卷积通道分别抽取字向量和词向量两个层面的特征表示；步骤4，在每个卷积通道后都构建chunk‑max‑pooling模块抽取局部max特征值并保留相对顺序信息；步骤5，将两个通道池化后的特征向量拼接并输入全连接层使用softmax模块进行细粒度情感分类。
-
公开(公告)号：CN111930791A
公开(公告)日：2020-11-13
申请号：CN202010470105.9
申请日：2020-05-28
Applicant: 中南大学
IPC: G06F16/2458 , G06F16/29 , G06F16/903
Abstract: 本发明涉及数据挖掘分析技术领域，公开了一种车辆轨迹的相似度计算方法、系统及存储介质，该方法包括获取车辆的历史运行数据作为原始数据，根据原始数据得到车辆轨迹集；根据车辆轨迹集中的各车辆轨迹得到字符串，采用最小编辑距离方法判断任意两个字符串之间是否需要执行编辑操作，在需要进行编辑操作的情况下，计算编辑位置的连续轨迹编辑长度；根据连续轨迹编辑长度计算编辑位置的编辑代价；根据编辑位置的编辑代价计算总编辑代价，并根据总编辑代价得到两个字符串对应的车辆轨迹之间的相似度。克服了传统计算方法忽略轨迹点之间的距离、时间间隔、出现频次和产生的代价等因素的缺点，从而可以更高效、更准确地计算出两条车辆轨迹的相似性。
-
公开(公告)号：CN107025284B
公开(公告)日：2020-10-27
申请号：CN201710220777.2
申请日：2017-04-06
Applicant: 中南大学
IPC: G06F40/284 , G06F40/232 , G06F16/35 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种网络评论文本的情感倾向的识别方法及卷积神经网络模型，该方法包括步骤：将抓取的网络评论文本构成数据集；分词并进行文本预处理；对文本预处理后的所有词语进行训练，得到所有词语的词向量表示；构建卷积神经网络模型在取自所述数据集的训练集上进行训练，通过后向传播算法更新网络参数；训练的每一步，在输入层的词向量上添加噪声构建对抗样本，进行对抗式训练，通过随机梯度下降算法更新网络参数；多次迭代得到分类模型识别网络评论文本的情感倾向。所述卷积神经网络模型为用于上述方法的模型，包括输入层、卷积层、池化层和分类层。本发明对于对抗样本可以正确分类，提升了识别的准确度。
-
-
-
-
-
-
-
-
-
Search Results
62
records
(took 0.019 seconds)
