-
公开(公告)号：CN111310068B
公开(公告)日：2023-04-18
申请号：CN202010165317.6
申请日：2020-03-11
Applicant: 广东工业大学
IPC: G06F16/9536 , G06F16/2458 , G06F18/24 , G06Q50/00 , G06N3/0442
Abstract: 本发明公开了基于动态图的社交网络节点分类方法，利用sparsemax函数强化不同节点在时序前后的联系，并结合长短期记忆神经网络使稀疏化处理和细胞的门控共同作用，更好地对时序数据前后联系和依赖关系进行挖掘，充分表达了时序数据中节点状态的变化模式，从而提高社交网络节点分类的精准度。本发明解决了现有的社交网络节点分类方法中，对于社交网络中动态变化的时序数据，无法有效的挖掘节点之间的相互影响和不同时间的前后依赖关系的问题，可用于社交平台，推荐系统，信息系统，医疗健康，影视娱乐等领域中的动态结构社交节点分类问题。
-
公开(公告)号：CN111931496B
公开(公告)日：2022-11-15
申请号：CN202010652890.X
申请日：2020-07-08
Applicant: 广东工业大学
IPC: G06F40/289 , G06F40/16 , G06N3/04 , G06N3/08
Abstract: 本发明提供的一种基于递归神经网络模型的文本风格转换系统及方法，包括包括输入模块、原风格样本数据库、目标风格样本数据库、预处理模块、训练模块、模型数据库、输出模块和评价模块，能充分提取文本特征，结合半监督的方法，对平行语料库需求较低，且通过函数映射的方式实现风格转换，需要优化的参数少，容易收敛，便于实际的应用；同时，其引入反馈机制，能适时更具新增样本对模型进行调整，提高输出文本的质量。
-
公开(公告)号：CN109726431B
公开(公告)日：2022-11-01
申请号：CN201811409064.1
申请日：2018-11-23
Applicant: 广东工业大学
IPC: G06F30/20
Abstract: 本发明提供一种基于平均核函数和迭代密度变化率的自适应SPH流体模拟方法，本发明在SPH框架下，通过迭代方式求解粒子密度与支撑域，利用总质量相等的邻居粒子群对目标粒子的物理量进行插值求解，再通过计算目标粒子的受力，从而求得目标粒子的位移量，完成对目标粒子状态的更新，并且针对自适应的粒子支撑域，基于粒子受力对称性目标，本发明解决了由于传统SPH粒子支撑域固定导致的粒子插值误差过大的问题，使得模拟结果更为接近物理事实，模拟仿真效果更加逼真，流体运动更加凝实，自适应的粒子支撑域，也使得力的插值效果更为出色；最后通过平均核函数，解决由于变支撑域引入的粒子相互作用力不对称问题，使得模拟系统更加稳定。
-
公开(公告)号：CN111027624B
公开(公告)日：2022-10-21
申请号：CN201911259835.8
申请日：2019-12-10
Applicant: 广东工业大学
IPC: G06V10/762 , G06V40/16
Abstract: 本发明公开了一种基于非线性增强子空间聚类的图像识别方法，首先获取图像数据集；利用局部线性嵌入算法求解图像数据集的局部线性表达矩阵，以提取图像数据集的非线性流形结构；构建基于块对角约束及非线性流形结构的非线性增强子空间聚类目标函数；对非线性增强子空间聚类目标函数进行初始化并求解出最优解；基于最优解构建拉普拉斯矩阵，并通过NCut或K‑means得到最终图像数据集的聚类结果，完成图像识别。本发明通过预先学习图像的非线性流形结构，即局部线性结构拟合非线性流形从而在提高图像识别效果；同时强制构造块对角作为约束条件，通过迭代求解出的邻接矩阵的块对角结构更加契合子空间聚类的目标效果。
-
公开(公告)号：CN113409190B
公开(公告)日：2022-05-20
申请号：CN202110528164.1
申请日：2021-05-14
Applicant: 广东工业大学
Abstract: 本发明公开了一种基于多帧分组与反馈网络的视频超分辨率方法，包括：构建初始超分辨率网络模型，获取训练视频数据集；确定需超分的目标帧，对其进行上采样，获得初步超分视频帧；将训练视频数据包含的视频帧序列分组；提取分组的视频帧序列的特征图，并对其进行对齐、融合操作，获得LR特征图；对LR特征图进行逐步反馈超分，获得超分特征图序列；对超分特征图序列进行重建，获得重建超分残差信息序列，并与初步超分视频帧相加，获得目标帧的最终超分视频帧序列；设置损失函数，对初始超分辨率网络模型进行训练，获得训练好的超分辨率网络模型；本发明提高了视频超分辨率效果，重建出的视频帧细节保持效果明显提高。
-
Patent Agency Ranking
公开(公告)号：CN110609849B
公开(公告)日：2022-03-25
申请号：CN201910796688.1
申请日：2019-08-27
Applicant: 广东工业大学
IPC: G06F16/242 , G06F8/41 , G06N3/04 , G06N3/08
Abstract: 本发明涉及自然语言领域，更具体地，涉及一种基于SQL语法树节点类型的自然语言生成方法。本发明不需要大量的人工操作以及不要求自然语言必须支持多样的句式。与基于序列至序列学习的自然语言生成方法对比，本发明能够获取SQL语言的文本信息，并结合SQL语法树的树状结构化数据以及树状长短期记忆网络使用，更加充分地获取SQL语句的语法结构信息，具有实际的应用意义，避免了人工去查阅开发文档和网上资料的不足，大大降低了时间成本以及人力成本，提高了工作效率。
-
公开(公告)号：CN110059100B
公开(公告)日：2022-02-22
申请号：CN201910216869.2
申请日：2019-03-20
Applicant: 广东工业大学
IPC: G06F16/242 , G06F16/33 , G06N3/08
Abstract: 本发明是一种基于演员‑评论家网络确定预测SQL序列准确性的方法。本发明公开了一种基于强化学习的SQL语句构造方法及装置，其技术步骤为：初始化演员‑评论家网络参数；从数据集获取自然语言和真实SQL语句序列对；把自然语言序列输入演员网络编码器，真实SQL序列输入到评论家网络编码器；编码后的隐状态作为对应解码器的初始化隐状态；演员网络解码器逐步预测SQL语句动作，输入到评论家网络解码器和环境得到相应奖励；梯度更新网络参数，重复迭代后得到自然语言到SQL语句的构造模型；本发明基于强化学习将语法自动机引入奖励机制，解决了在自然语言转化构造SQL语句中损失函数和评价指标不对等的问题，有效地提高了准确率。
-
公开(公告)号：CN109460785B
公开(公告)日：2021-09-24
申请号：CN201811240257.9
申请日：2018-10-24
Applicant: 广东工业大学
Abstract: 本发明提供一种基于GPU加速的锋电位实时分类的方法，通过将Masked EM算法的各个步骤都划分为互不相关的计算任务，从而使每个步骤内部的计算可以并行化并在GPU运行，使GPU的超强并行计算能力得到发挥，同时各个步骤之间的执行调度和迭代控制由CPU来完成，本发明在基于mask EM聚类算法的基础上，利用GPU对算法进行了加速实现，并对算法的各个流程进行了任务的合理划分和线程的合理分配，使得充分利用计算资源的情况下，一方面保证了结果的准确性，另一方面，大大加快了锋电位分类的计算速度，达到了实时的标准，对于神经科学的研究带来了很大的便利。
-
公开(公告)号：CN113409191A
公开(公告)日：2021-09-17
申请号：CN202110615890.7
申请日：2021-06-02
Applicant: 广东工业大学
Abstract: 本发明提出一种基于注意力反馈机制的轻量级图像超分方法及系统，包括：将低分辨率图像输入浅层特征提取网络中获取浅层特征信息，将浅层特征信息输入深层特征提取网络中得到深度特征信息；将深度特征信息输入重建网络中重建超分辨率图像，经上采样得到高分辨率特征图，再将高分辨率特征图与低分辨率图像进行双三次上采样后智能相加，得到超分辨率图像；根据超分辨率图像与原始高分辨率图像计算损失函数并对超分辨率模型训练；将深度特征信息输入下一个深层特征提取网络中提取深度特征信息，并重复上述步骤至完成最后一个深层特征提取网络的深度特征信息提取，将提取的深度特征信息输入重建网络中进行超分辨率图像重建，输出得到超分辨率图像SR。
-
公开(公告)号：CN112381111A
公开(公告)日：2021-02-19
申请号：CN202011085687.5
申请日：2020-10-12
Applicant: 广东工业大学
Abstract: 本发明提供一种无监督的超图聚类方法，包括以下步骤：S1：获取具有属性的样本数据，并对其进行预处理；S2：构建超图以及超图的实例矩阵；S3：构建超边拉普拉斯矩阵并获取超边拉普拉斯矩阵的特征向量以及特征值；S4：对超边拉普拉斯矩阵的特征向量进行特征还原得到超图拉普拉斯矩阵的特征向量；S5：将超图拉普拉斯矩阵的特征向量作为指示向量输入到k均值算法进行顶点聚类，得到超图的顶点聚类结果，完成超图聚类。本发明提供一种无监督的超图聚类方法，通过使用超边拉普拉斯矩阵的特征向量进行还原解决超图聚类问题，避免了直接计算超图拉普拉斯矩阵的特征向量，解决了传统超图谱聚类模型具有较高的时间复杂度以及空间复杂度的问题。
-
-
-
-
-
-
-
-
-
Search Results
195
records
(took 0.03 seconds)
