-
公开(公告)号：CN102750153B
公开(公告)日：2015-11-25
申请号：CN201210219280.6
申请日：2012-06-29
Applicant: 南京大学
Abstract: 本发明公开了一种基于程序变更的回归测试用例集构建方法，其步骤为：（1）确定目标软件版本相对于历史版本的程序变更；（2）将历史版本的程序语句划分为变更语句集和非变更语句集，同时设定变更权重；（3）根据历史覆盖信息划分测试用例集；（4）约简划分后的变更覆盖集和一般覆盖集；（5）对变更覆盖集和一般覆盖集中的测试用例排序，同时合并两个集合，构成目标版本的回归测试用例集。本发明可广泛应用于大型软件系统在更新换代过程中的自动化测试和回归测试，充分利用历史测试信息和目标版本的程序变更数据，构建的回归测试用例集具有较强的针对性；能够在有限的测试时间和成本下完成高效率的软件测试。
-
公开(公告)号：CN104331451A
公开(公告)日：2015-02-04
申请号：CN201410595741.9
申请日：2014-10-30
Applicant: 南京大学
IPC: G06F17/30
CPC classification number: G06F17/2705 , G06K9/6297
Abstract: 本发明公开了一种基于主题的网络用户评论的推荐度评分方法，其步骤是：1)获取网络中同一主题下的用户评论，以句子为单位组织这些评论；2)基于句子中的情感词，对句子完成情感评分；3)以句子和对应的情感评分作为输入，按用户单位，训练隐马尔可夫SVM模型；4)针对待评分的目标评论，采用模型每一个句子评分；5)针对待评分的目标评论，采用步骤2)对每一个句子评分；6)采用加权平均法，综合两个方面的评分，获得目标评论的推荐度评分。本方法采用无监督方式，应用公开的情感词库，无需人工评价，计算成本简单；适用于网络评论快速更新的情形；能够挖掘主题特征，充分考虑其他用户评论的情感倾向，及主题对目标用户评论的影响，提高评分的准确性和及时性。
-
公开(公告)号：CN104182730A
公开(公告)日：2014-12-03
申请号：CN201410385304.4
申请日：2014-08-06
Applicant: 南京大学镇江高新技术研究院
Abstract: 本发明公开了一种花岗岩显微薄片自动鉴别方法，其步骤是：1)分解薄片图像的颜色通道，分别根据三个颜色通道统计色阶分布；2)将彩色图像转换为灰度图像，统计色阶分布；3)根据色阶分布计算颜色特征，包括均值、中位数、方差、偏度、以及峰值指标；4)将薄片图像视为颜色特征值向量，采用Adaboost技术，自动鉴别岩石薄片是否为花岗岩。本发明方法运用信息处理技术自动鉴别花岗岩显微薄片，充分利用花岗岩的光学性质和岩性组成，计算简单高效，具有扩展性；可随着岩石薄片数据储备的增加而提高鉴别方法的准确性；在地质勘探、矿物研究中具有应用价值。
-
公开(公告)号：CN103309811A
公开(公告)日：2013-09-18
申请号：CN201310264686.0
申请日：2013-06-27
Applicant: 南京大学
IPC: G06F11/36
Abstract: 本发明公开了一种基于测试执行记录快速定位软件代码缺陷的方法，其步骤是：1）以测试用例为单位，整理测试执行记录；2）以代码行为单位，建立正交信息表，分别统计代码覆盖数据和执行结果数据；3）根据正交信息表，计算代码行的缺陷怀疑率；按照怀疑率排序，辅助定位代码缺陷。本发明方法从软件失效和代码覆盖两个角度，运用正交分析方法，发掘软件代码缺陷和软件执行结果之间的逻辑依赖关系，准确定位包含缺陷的代码行；同时计算简单，适用于不同类型的编程语言，以及不同规模的计算机软件，具有扩展性和适应性；能够快速处理大量的测试执行记录信息；提高软件缺陷定位的性能和效率。
-
公开(公告)号：CN101908020B
公开(公告)日：2012-05-09
申请号：CN201010264026.9
申请日：2010-08-27
Applicant: 南京大学
IPC: G06F11/36
Abstract: 本发明公开了一种基于分类挖掘和版本变更的测试用例优先化方法，首先收集不同版本下的测试用例执行结果和模块变更的信息，转化成测试用例执行结果数据矩阵和模块变更数据矩阵；再为每个测试用例建立分类挖掘训练和预测所需训练集；选择贝叶斯分类HNB和AODE两个分类挖掘模型，对每个测试用例采用对应的训练集进行模型训练；根据训练好的模型预测新版本中每个测试用例发现软件缺陷的概率；根据模型预测的综合结果，结合回归测试执行的时间限制，对测试用例进行优先化排序。本发明能够以较少的测试用例数量更快更多发现新版本软件缺陷。
-
Patent Agency Ranking
公开(公告)号：CN102262681A
公开(公告)日：2011-11-30
申请号：CN201110239145.3
申请日：2011-08-19
Applicant: 南京大学
IPC: G06F17/30
Abstract: 本发明公开了一种可以快速、准确在博客信息传播中识别关键博客集的方法，其步骤是：1)以博客为单位收集和确定博客之间的关注关系和链接关系；2)以博客为节点构建博客网络图，图的边为博客间的关联；3)根据信息传播模型确定博客间关联(有向边)的权重；4)基于博客网络图计算每个博客对其他博客传播影响力的期望值；5)识别博客网络图中信息传播影响力最大的关键节点集合。本发明结合信息传播模型，应用博客之间的关联关系，通过计算信息传播期望，快速识别博客信息传播中关键的博客集合，以方便博客信息的监督。
-
公开(公告)号：CN102214246A
公开(公告)日：2011-10-12
申请号：CN201110200423.4
申请日：2011-07-18
Applicant: 南京大学
Abstract: 本发明公开了一种互联网上汉语电子文档阅读分级的方法，首先确定汉字、词组、以及语句结构指标在不同级别文档的频率分布；筛选用来对文档阅读分级的汉字和词组，避开常用词和冷僻词的干扰；再针对待分级的目标文档，分析文档的字词组成，将文档解析成 二元组向量；计算文档的语句结构指标，包括平均段落长度、平均句子长度、最长句和最短句的长度差异等；最后采用朴素贝叶斯方法，基于汉语文档的字词组成信息和语句结构信息确定文档的阅读级别。通过解析文档的汉字和词组构成，结合文档的语句结构，根据各个字词和结构指标在不同阅读级别文档中的频率分布，运用朴素贝叶斯方法，有效确定了汉语电子文档的阅读级别。
-
公开(公告)号：CN101299861A
公开(公告)日：2008-11-05
申请号：CN200810023973.1
申请日：2008-04-23
Applicant: 南京大学
Abstract: 本发明公开了一种基于最短回路的基站系统巡检路径自动化确定方法，首先将MapInfo提供的基站地理位置信息映射到基站系统网络图上；确定基站的巡检半径；接着根据巡检半径对基站系统网络进行地域聚类；再采用蚁群算法计算出每个簇的最短回路，从而确定簇内最优巡检路径。本发明基于移动通信基站系统运营特点，采用一种基于地域聚类和最短回路的动态基站系统巡检路径自动化确定方法，针对数量大、分布广的基站系统，可得到有效合理的巡检路径。本方法可以广泛且方便的应用于其他领域如电子警察、交通信号灯、全球眼等设备的巡检与维护。
-
公开(公告)号：CN116011559A
公开(公告)日：2023-04-25
申请号：CN202211525438.2
申请日：2022-11-30
IPC: G06N3/096 , G06N3/091 , G06N3/0895 , G06N3/084 , G06N3/045 , G06F16/35 , G06F40/205 , G16H10/60 , G16H50/70 , G16H50/20
Abstract: 本发明公开了基于伪单词序列生成的病例分类的零样本蒸馏系统及方法，包括：模型分离模块，将教师模型分割成词嵌入层和剩余的编码层；多元正态分布生成模块，利用训练好的教师模型的网络权重计算多元正态分布系数；伪样本生成模块，利用生成的多元正态分布、分割后的教师模型编码层和教师模型词嵌入层生成词嵌入向量样本；蒸馏模块，利用生成的词嵌入向量生成样本，进行知识蒸馏，从而将教师模型的知识转移到学生模型中。本发明能够让使得没有真实数据的情境下，可以通过已经训练好的模型转移其知识给新的轻量化模型，并且直接生成词嵌入向量样本，并用其执行蒸馏过程，保证了伪样本生成和蒸馏的有效性，可以在没有数据的现实情况下蒸馏得到适用于同一领域数据预测的轻量化新模型。
-
公开(公告)号：CN111353976A
公开(公告)日：2020-06-30
申请号：CN202010114804.X
申请日：2020-02-25
Applicant: 南京大学
Abstract: 本发明公开了一种基于卷积神经网络的沙粒目标检测方法，其步骤是：1）设计卷积网络结构，由卷积模块和残差模块堆叠而成；添加双端输入结构和多尺度检测结构；2）基于沙粒图像和标注进行预处理；基于已标注的沙粒图像构建训练数据集；3）基于训练数据集训练卷积网络，包括目标函数定义，训练过程优化；4）应用训练好的卷积网络预测沙粒图像的目标位置。本发明充分利用单偏光图像和正交偏光图像特征，应用卷积神经网络技术，提升检测精度和检测效率；本发明方法网络训练速度快，能快速完成沙粒目标检测，适用于海量沙粒图像的自动检测，具有良好的扩展性、鲁棒性和实用性。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.019 seconds)
