公开(公告)号：CN119943205A

公开(公告)日：2025-05-06

申请号：CN202510010311.4

申请日：2025-01-03

Applicant: 东北大学

Inventor： 唐立新 ,  许美玲 ,  张月新

IPC: G16C20/50 ,  G16C20/70 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/084 ,  G06N3/092 ,  G06N3/094 ,  G06N3/0985 ,  G06F18/2415

Abstract: 本申请提出一种融合凸优化和进化学习的新药物分子设计方法及装置，属于生物信息领域，其中方法包括：在生成对抗网络中，采用生成器生成小分子序列，所述生成器是在长短期记忆网络中添加注意力机制模型而建立；采用判别器评估所述小分子序列的真实性，所述判别器采用基于凸优化改进的卷积神经网络建立；采用策略梯度法更新生成器的参数，采用梯度下降法更新判别器的参数；以最终的生成器的参数对应的生成器生成最终的小分子序列。本申请能够生成与原始样本相似性高、有效性和创新性更强的小分子，提高了生成分子的多样性和质量，尤其在生成具有特定功能性分子方面表现出色。

公开(公告)号：CN117371494A

公开(公告)日：2024-01-09

申请号：CN202311386259.X

申请日：2023-10-23

Applicant: 东北大学

Inventor： 唐立新 ,  许美玲 ,  王依雯

IPC: G06N3/0464 ,  G06F18/21 ,  G06F18/25 ,  G06F18/2135 ,  G06N3/045 ,  G06N3/0442 ,  G06N3/082 ,  G06N3/084 ,  G06N3/0985

Abstract: 本发明提供一种基于多目标优化和群卷积网络融合的认知负荷解析方法，涉及深度学习技术领域，本发明首先基于公开的脑电认知负荷数据集，本发明利用了一种数据多维转换方法，将原始数据转换成脑电功率谱图。并且搭建了CNN‑GRU网络架构，使用CNN对频谱图的空间特征进行提取，使用GRU对频谱图的时间变化规律进行学习，按照并联结构进行排列，将提取到的特征进行融合，最终实现对认知负荷等级的分类。为解决有标签脑电信号数据较少的问题，引入群论理论至神经网络模型。基于p4复合群，设计群卷积操作，搭建群等变卷积神经网络模型。同时利用多目标贝叶斯算法优化网络参数，进一步增强网络性能。

公开(公告)号：CN116663578A

公开(公告)日：2023-08-29

申请号：CN202310716988.0

申请日：2023-06-16

Applicant: 东北大学

Inventor： 唐立新 ,  许美玲 ,  冬亚国

IPC: G06F40/58 ,  G06N3/0455 ,  G06N3/092 ,  G06N3/084 ,  G06F18/214 ,  G06F18/21 ,  G06F40/284 ,  G06F40/216 ,  G06N3/0985

Abstract: 本发明涉及深度学习和自然语言处理技术领域，提供了一种基于策略梯度方法改进的神经机器翻译方法，用以解决深度学习模型中超参数自适应设计的问题，提高了机器翻译模型结果的准确率。该方法首先对输入神经机器翻译模型的平行语料库进行数据预处理，获取标准格式的文本数据；然后构建用于输出Transformer模型参数的控制器模型，采样输出Transformer模型参数；训练Transformer模型至收敛，选择Transformer模型验证集上的最小损失计算得到策略梯度算法的奖励和控制器模型的损失，更新控制器模型参数；最后进行控制器模型测试，采样得到Transformer模型参数并训练，并在待翻译的测试集上进行测试Transformer模型性能。实验结果表明所提方法在Multi30k的德英数据集和IWSLT英德数据集上取得了良好的结果。

公开(公告)号：CN119811404A

公开(公告)日：2025-04-11

申请号：CN202510027578.4

申请日：2025-01-08

Applicant: 东北大学

Inventor： 唐立新 ,  许美玲 ,  李菲

IPC: G10L21/0208 ,  G10L21/0216 ,  G10L25/30 ,  G06N3/094

Abstract: 本申请提出一种改进生成对抗网络与凸共轭变换融合的语音增强方法，属于语音增强技术领域，包括：采用凸函数构造的判别器的损失函数，更新预设计的判别器的参数以及预设计的生成器的参数；在预设计的生成器的每一层编码层以及解码层中加入时频注意力机制，在预设计的判别器的解码层之间加入时频注意力机制，采用最终的生成器的参数对应的生成器生成第三虚假语音样本数据，采用最终的判别器的参数对应的判别器对第三虚假语音样本数据进行判别，得到语音增强结果，本申请引入凸共轭变换以及时频注意力机制后，提升了复杂噪声环境下的语音去噪效果和原声保真度。

公开(公告)号：CN118861848A

公开(公告)日：2024-10-29

申请号：CN202410866600.X

申请日：2024-07-01

Applicant: 东北大学

Inventor： 唐立新 ,  许美玲 ,  曲俊澎

IPC: G06F18/2415 ,  G06F18/23213 ,  G06F18/25 ,  G06F18/15 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/044 ,  G06N3/084 ,  G06F40/216 ,  G16B40/00 ,  G06N3/048

Abstract: 本发明提供一种考虑拓扑特征的智能优化与学习融合的蛋白质分类方法，涉及拓扑数据分析、智能优化和机器学习技术领域。该方法首先基于蛋白质样本的三维结构生成出生死亡对；并为每个蛋白质样本构建拓扑词袋模型；然后提取蛋白质的SIFT特征，并进行向量化，得到SIFT词袋向量；再构建神经网络结构进行蛋白质分类；神经网络结构包括两个输入，分别对应每个蛋白质样本的N维的拓扑词袋向量和N维的SIFT词袋向量，输出是蛋白质样本所对应的类别标签；并基于进化算法进行神经网络中神经元个数的自适应选择。该方法使用融合特征，使得神经网络利用蛋白质的多维度信息进行更准确的分类。

公开(公告)号：CN118366550A

公开(公告)日：2024-07-19

申请号：CN202410489336.2

申请日：2024-04-23

Applicant: 东北大学

Inventor： 唐立新 ,  冬亚国 ,  许美玲

IPC: G16B40/20 ,  G16B20/50 ,  G16B20/20 ,  G06N3/0464 ,  G06N3/086 ,  G06N3/0985

Abstract: 本发明提供一种基于深度学习和智能优化融合的蛋白质性质预测方法，涉及蛋白质性质预测技术领域。该方法首先获取蛋白质序列数据，并转换为数字表示形式，使用卷积神经网络提取蛋白质序列特征；然后将蛋白质序列根据氨基酸的分类以及等电点和亲水性指数编码为蛋白质音乐，生成对应的Mel声谱图，输入到VGG16网络中提取其频率特征；将蛋白质的序列特征和频率特征结合，实现蛋白质性质预测；同时引入了带有精英保留策略的遗传算法对蛋白质性质预测模型的参数进行自动搜索，选择L1和L2正则化的系数为待搜索参数并设置其范围，随机初始化种群，之后依次计算种群的适应度值以及进行种群的选择、交叉和变异操作，迭代至满足终止条件；最后进行模型测试。

公开(公告)号：CN118194930A

公开(公告)日：2024-06-14

申请号：CN202410420276.9

申请日：2024-04-09

Applicant: 东北大学

Inventor： 唐立新 ,  许美玲 ,  周全

IPC: G06N3/0464 ,  G06N3/048 ,  G06N3/084 ,  G06N3/082 ,  G06N5/022

Abstract: 本发明提供一种基于多目标优化与进化学习融合的群卷积链路预测方法，涉及知识图谱链路预测技术领域，本发明首先基于公开的链路预测数据集，利用特征嵌入，将实体和关系转换为低维空间特征向量。引入群论理论至神经网络，设计了基于P4复合群的群卷积操作。由于群卷积的参数共享和实体的平移旋转操作具有等变特性，所提方法能够更好地捕捉到实体的对称性，从而使得模型在链路预测任务中更准确地学习和预测对称性关系。同时采用了进化学习理论基于TPE过程的多目标贝叶斯算法优化网络超参数，控制网络复杂度并进一步增强网络性能。