公开(公告)号：CN118279062A

公开(公告)日：2024-07-02

申请号：CN202211650773.5

申请日：2022-12-21

Applicant: 上海交通大学

Inventor： 林士涵 ,  涂仕奎 ,  徐雷

IPC: G06Q40/06 ,  G06Q40/04 ,  G06N3/092 ,  G06N3/084 ,  G06N3/042 ,  G06N3/0455

Abstract: 本发明提供一种基于多智能体强化学习的投资组合系统及方法，包括：若干个智能体的策略网络，每个策略网络的输入为行业指数和股票历史信息，输出为对应指数或股票的打分；一个中心评价网络，其若干个输出与若干个策略网络相对应；中心评价网络的输入为所有智能体观察到的状态和相应动作，即行业指数和股票历史信息，输出为所有智能体的状态‑动作评分；一个组合投资生成器，其根据策略网络的打分信息，计算出最终的投资权重。本发明结合因果分析并通过策略网络、中心化评价网络和投资组合生成器，实现了先选择行业、再选择股票的投资方式，体现了行业在选股过程中的重要作用；在现有方法的基础上均有明显的平衡风险和回报的能力提升。

公开(公告)号：CN117036925A

公开(公告)日：2023-11-10

申请号：CN202210472489.7

申请日：2022-04-29

Applicant: 上海交通大学

Inventor： 孙亚男 ,  何卫锋 ,  涂仕奎 ,  袁帅

IPC: G06V20/10 ,  G06V10/764 ,  G06V10/44 ,  G06V10/82

Abstract: 本发明提供一种基于多尺度空间特征提取的高光谱星载分类方法,包括：预处理原始高光谱图像；切片处理所述预处理后的图像，得到若干个图像块；每个所述图像块应用多尺度空间特征提取方法，获得所述图像块中的每个像素的空间特征向量；将所述原始高光谱图像的光谱向量作为光谱特征；将所述空间特征向量与所述光谱特征拼接，获得每个像素的空间‑光谱联合特征向量；使用所述空间‑光谱联合特征向量训练分类模型并进行分类应用。本发明通过分别设计降维、特征表示、特征增强和特征向量组合等计算过程，使得多尺度空间特征提取方法在充分提取空间特征的基础上显著降低了计算复杂度和相应能耗，并且对于图像噪声有着更高的容忍程度。

公开(公告)号：CN111626917B

公开(公告)日：2024-02-20

申请号：CN202010284081.8

申请日：2020-04-13

Applicant: 上海交通大学

Inventor： 杨浩特 ,  涂仕奎

IPC: G06T3/04 ,  G06T7/00 ,  G06N3/0475 ,  G06N3/045

Abstract: 本发明提供了一种基于深度学习的双向图像转换系统，包括：双向生成器：在双向生成器的正反两个方向上，可以分别进行一对图像域之间的图像转换任务，在双向生成器的任一个方向上，模型对输入的多通道图像数据，使用深度并行计算框架计算图像的目标转换图像；判别器：判别器对双向生成器得到的图像与真实图像进行质量评价，质量评价结果用于对双向生成器和判别器进行训练。同时提供了一种基于系统实现的双向图像转换方法。本发明提出了双向生成器结构，在不降低图像生成质量的前提下，极大的减少了深度学习模型的参数，并且有监督情况下可以实现在一个模型中同时进行两对图像转换任务。

公开(公告)号：CN111178541A

公开(公告)日：2020-05-19

申请号：CN201911389843.4

申请日：2019-12-30

Applicant: 上海交通大学

Inventor： 王志伟 ,  涂仕奎 ,  徐雷

IPC: G06N20/00

Abstract: 本发明提供了一种游戏人工智能系统的性能提升方法，对多通道游戏数据使用深度并行计算框架计算节点初始值和返回信息估计；利用节点初始值形成树形结构，并填入节点初始值作为数据节点信息，然后将数据节点信息回传，更新各个数据节点保存的信息，输出最终优先度；对输入的多通道游戏数据，使用深度并行计算框架计算多通道游戏数据权重比例；对输入的多通道游戏数据，使用深度门网络模型获取权重比例，结合固定数据记录，计算两者的加权组合优先度。同时提供了一种用于执行上述方法的系统以及一种采用上述方法进行性能提升的游戏人工智能系统。本发明上有效提高了有限数据下系统的性能，并因其相对低功耗的特点，有利于普通企业或团队进行研制。

公开(公告)号：CN119067041A

公开(公告)日：2024-12-03

申请号：CN202310640892.0

申请日：2023-05-31

Applicant: 腾讯科技(深圳)有限公司 ,  上海交通大学

Inventor： 孙亚男 ,  涂仕奎 ,  袁帅 ,  赵登伟

IPC: G06F30/392 ,  G06F30/398 ,  G06F18/214 ,  G06N7/01

Abstract: 本申请公开了一种芯片布局方法、装置、设备及存储介质，属于计算机技术领域。该方法包括：获取芯片信息、宏单元信息和标准单元信息；通过芯片布局模型，根据芯片信息和宏单元信息，预测宏单元布局策略，宏单元布局策略指示宏单元在芯片的非中心区域的位置；根据芯片信息、标准单元信息和宏单元布局策略，确定标准单元布局策略，标准单元布局策略指示标准单元在芯片的剩余区域中的位置，剩余区域是指芯片中除了宏单元的位置之外的区域；按照宏单元布局策略和标准单元布局策略，生成布局结果，布局结果是指将宏单元和标准单元布局在芯片中的结果。本申请实现了对宏单元和标准单元的合理分布，有利于提高芯片布局结果的性能。

公开(公告)号：CN118366681A

公开(公告)日：2024-07-19

申请号：CN202310084508.3

申请日：2023-01-18

Applicant: 上海交通大学

Inventor： 马钦 ,  曾琳 ,  涂仕奎 ,  徐雷

IPC: G16H70/20 ,  G16H70/40

Abstract: 本发明提供一种临床观察研究中评估干预效果的生存曲线矫正方法及系统，包括：获取所需临床观察数据，所述临床观察数据包括患者干预状态、删失状态、生存时间以及除干预以外的重要临床因素；将除干预以外的重要临床因素表示为协变量向量，分为干预组和对照组两组；确定使所述干预组和对照组协变量向量无统计差异的超参数γ和W，并根据所述超参数γ和W确定权重w；对上述观察数据的每个个体赋予权重w，基于加权后的所述观察数据绘制矫正后生存曲线。本发明从根本上消除了协变量即混杂因子对终点事件分析和临床干预效果评估的影响，可以用于临床药物、手术、疫苗等干预因素的有效性评估，有明显的准确率提升。

公开(公告)号：CN117409886A

公开(公告)日：2024-01-16

申请号：CN202210787582.7

申请日：2022-07-04

Applicant: 上海交通大学

Inventor： 钱浩 ,  林铖 ,  赵登伟 ,  涂仕奎 ,  徐雷

IPC: G16C20/50 ,  G16C20/70 ,  G16C20/20 ,  G06N3/0455 ,  G06N3/084 ,  G06N3/09

Abstract: 本发明提供一种基于深度学习和树搜索的计算机辅助药物设计系统和方法，该系统包括：受体‑配体特征学习模块，采用层次化跳跃连接Transformer神经网络，对蛋白质受体残基序列和配体SMILES序列进行多层次的特征抽取和融合，通过监督学习的训练方式，建立隐马尔科夫模型，得到SMILES序列的生长策略；树搜索模块，借助将所述的SMILES序列的生长策略，进行启发式搜索，所述树搜索模块同时受价值评估函数的指导，最终输出全新的SMILES序列。对于给定的靶点，本发明可以高效地搜索庞大的化学空间，生成潜在的具有较高亲和力的配体分子。

公开(公告)号：CN116432070A

公开(公告)日：2023-07-14

申请号：CN202111637078.0

申请日：2021-12-29

Applicant: 上海交通大学

Inventor： 邓福成 ,  涂仕奎 ,  徐雷

IPC: G06F18/24 ,  G06F18/213 ,  G06N3/0464 ,  G06N3/084 ,  G06F18/25

Abstract: 本发明提供基于深度学习神经网络的ECG信号分类系统，包括公共特征提取模块采用卷积神经网络，对ECG信号提取浅层特征；域不变分支模块采用卷积神经网络，对浅层特征提取特征，通过最小化分类损失，为源域做特征匹配，获得一个预测；域特有分支模块采用卷积神经网络，使用LMMD损失，对输入的浅层特征在每一对源与目标域间做特征匹配，获得n个预测；混合模块对每个子分支赋予不同的置信度，将得到的n+1个预测结合，得到最终预测。本发明的多分支网络和多源无监督域适应，有效地学习ECG信号的通用特征，使得源数据集学习到的知识运用在未知目标数据集，并且通过基于先验分类器融合策略，将多个预测值有机地组合得到最终结果，进一步提升模型的泛化性能。

公开(公告)号：CN111626296B

公开(公告)日：2023-04-21

申请号：CN202010284305.5

申请日：2020-04-13

Applicant: 上海交通大学

Inventor： 郭昱泽 ,  涂仕奎 ,  徐雷

IPC: G06V10/26 ,  G06T7/00 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供了一种基于深度神经网络的医学图像分割系统及方法、终端，包括：特征提取模块对输入的医学图像，使用神经网络完成特征的抽取，得到输入的抽象表示；前景信息特征上采样模块对提取到的特征进行上采样，最终生成前景分割结果；反馈机制模块将前景信息特征上采样模块中的特征传递至特征提取模块中，丰富该模块中的特征；门控机制模块利用多种门控机制，对反馈连接中传递的特征进行选择和筛选，对冗余特征进行过滤；语义信息特征上采样模块对经过反馈连接丰富的特征进行上采样，生成最终的医学图像分割结果。本发明利用门控机制实现对反馈连接中传递的特征进行筛选，并将反馈信号作用于特征提取过程中，实现特征的丰富，提高了图像分割的精度。

公开(公告)号：CN118016191A

公开(公告)日：2024-05-10

申请号：CN202211403254.9

申请日：2022-11-10

Applicant: 上海交通大学

Inventor： 林铖 ,  涂仕奎 ,  徐雷

IPC: G16C20/50 ,  G16C20/70 ,  G16B40/00 ,  G16B15/30 ,  G16C20/90 ,  G06F18/25 ,  G06N3/0464 ,  G06N5/04 ,  G06N3/084 ,  G06N5/01

Abstract: 本发明提供一种基于图神经网络和启发式搜索的药物分子设计系统和方法，该系统包括受体表征学习模块、配体表征学习模块、受体‑配体表征融合模块和启发式搜索模块，受体表征学习模块采用蛋白残基图卷积神经网络，配体表征学习模块采用分子原子图卷积神经网络，受体‑配体表征融合模块用于得到初步的配体组件生长概率和配体价值评估值；启发式搜索模块，用于将配体组件生长概率和配体价值评估值作为新增候选节点的初始信息，进行前瞻搜索以提高或矫正下一个配体组件生成的概率选择，提高生成的小分子与蛋白受体的结合亲和力。本发明能够提升神经网络对于药物分子‑蛋白靶点相互作用进行表征学习的性能，而且可以极大地降低计算复杂度。