-
公开(公告)号：CN114742155B
公开(公告)日：2024-11-26
申请号：CN202210375631.6
申请日：2022-04-11
Applicant: 中南大学
IPC: G06F18/241 , G06F18/2321
Abstract: 本发明公开了一种基于随机采样聚类的带噪音数据分类方法，包括获取带噪音的待分类数据集并随机采样，将采样数据加到中心点集完成初始化；对数据集进行迭代：每次迭代时获取距离中心点集最远的若干个数据点并采样部分数据加入到中心点集中；对中心点集中的数据进行枚举并获取代价最小的若干个数据点作为聚类的中心点；将数据集中的各个数据点分配到距离自身最近的中心点上完成分类。本发明还公开了一种包括所述于随机采样聚类的带噪音数据分类方法的用户分类方法。本发明通过创新的分类步骤和计算方式，不仅实现了带噪音数据的分类，而且分类精度较高，可靠性高，实用性好且算法复杂度较低。
-
公开(公告)号：CN116340791A
公开(公告)日：2023-06-27
申请号：CN202310231045.9
申请日：2023-03-13
Applicant: 中南大学
IPC: G06F18/23 , G06F18/2433
Abstract: 本发明公开了一种基于随机采样聚类的带噪音数据分类方法，包括获取待分类的带噪音数据；针对获取的带噪音数据进行随机采样处理，选择若干处理后的数据构建部分中心点集；针对获取的带噪音数据进行迭代处理，选择若干处理后的数据加入到构建的部分中心点集中，构建中心点集；针对构建的中心点集，构建带权实例；选择带权噪声方法完成带噪音数据的分类。本发明还公开了包括所述基于随机采样聚类的带噪音数据分类方法的用户分类方法。通过随机采样的方式处理待分类的带噪音数据，选择迭代处理的方法，采用分层采样的方式进行数据的采样，实现带噪音数据的分类；而且本发明的分类精度较高、可靠性强、实用性好且算法复杂度低。
-
公开(公告)号：CN107967168A
公开(公告)日：2018-04-27
申请号：CN201711293781.8
申请日：2017-12-08
Applicant: 中南大学
CPC classification number: G06F9/45558 , G06F9/5033 , G06F2009/4557
Abstract: 本发明公开了一种云数据中心里基于共享内存页面的虚拟机整合方法，当云数据中心里热迁移虚拟机时，首先按物理资源可用量降序排列物理机，然后每次从待选虚拟机中挑选一定数量的包含最小内存页面数量的虚拟机装载至物理机上，直到所有虚拟机都被整合至物理机中。本发明在整合虚拟机至物理机时利用了虚拟机内存内容之间的相似性，在使用了较少数量的物理机同时，也大幅度减少了热迁移虚拟机时所需传输的内存数据量，从而提高云数据中心里物理资源的利用率。
-
公开(公告)号：CN117909783A
公开(公告)日：2024-04-19
申请号：CN202311709286.6
申请日：2023-12-13
Applicant: 中南大学
IPC: G06F18/24 , G06F18/214 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于双向层次树网络的文本分类方法，包括获取带标签的文本分类数据集；针对获取的数据集进行构图处理，针对每个文本构建对应的依存分析图；采用针对每个文本构建的依存分析图，构造与带标签文本对应的编码树；采用构造的编码树，通过双向层次树网络学习处理，建立文本分类模型；采用建立的文本分类模型，针对未标记的待分类文本数据，完成文本分类处理；本发明方法通过结构熵最小化的编码树编码文本的语义信息，并使用双向层次树网络更新所有节点的隐藏特征；本发明的精度提高、实用性增强、模型简单且计算复杂度降低。
-
公开(公告)号：CN118194179A
公开(公告)日：2024-06-14
申请号：CN202410612367.2
申请日：2024-05-17
Applicant: 中南大学
IPC: G06F18/2431 , G06F18/2323 , G06N20/20 , G06Q50/00
Abstract: 本发明公开了一种带噪音数据分类方法，包括获取待分类的目标带噪音数据集；构建包括目标带噪音数据集中所有节点的近邻图；计算图中每个点的局部密度值及对应的依赖点，将每个点及其依赖点之间形成有向边并构建中间图；构造最小生成森林并划分和聚类；根据划分和聚类结果完成目标带噪音数据集的分类。本发明还公开了一种实现所述带噪音数据分类方法的系统，以及包括了所述带噪音数据分类方法的社交网络用户分类方法。本发明通过局部敏感哈希方法对数据进行处理，经过近邻图的构建和最小生成树的聚类，实现了带噪音数据的分类和社交网络的用户分类；而且本发明的可靠性更高，精确性更好。
-
Patent Agency Ranking
公开(公告)号：CN108073443A
公开(公告)日：2018-05-25
申请号：CN201711294586.7
申请日：2017-12-08
Applicant: 中南大学
IPC: G06F9/455
Abstract: 本发明公开了一种云数据中心里基于共享内存页面的虚拟机选择与放置方法，当云数据中心里热迁移虚拟机时，首先按CPU资源可用量降序排列未过载的物理机，然后在考虑CPU资源使用的情况下每次从过载物理机中挑选出需要传输内存页面数尽可能少的虚拟机来依次迁移至未过载的物理机，直到所有物理机都处于未过载的状态。本发明将虚拟机挑选与虚拟机放置过程同时完成，在减少虚拟机热迁移过程中传输流量的同时，也减少了能量消耗，从而提高云数据中心物理计算资源的利用率。
-
公开(公告)号：CN118277812B
公开(公告)日：2024-09-03
申请号：CN202410698331.0
申请日：2024-05-31
Applicant: 中南大学
IPC: G06F18/232 , G06Q50/00 , G06F18/15
Abstract: 本发明公开了一种用于海量数据分类的网格聚类方法，包括获取待分类的海量数据并归一化处理构建待分类数据集；计算待分类数据集所对应的数据空间的参数信息并进行网格划分和聚类；再次进行子空间划分并生成对应的空间划分树；对叶子节点和非叶子节点聚类得到聚类结果；根据聚类结果完成对待分类的海量数据的网络聚类。本发明还公开了一种实现所述用于海量数据分类的网格聚类方法的系统，以及包括了所述用于海量数据分类的网格聚类方法的用户推荐方法。本发明通过对数据空间的划分、子空间的划分以及空间化分树的叶子节点和非叶子节点的单独划分策略，不仅能够实现了用于海量数据分类的网格聚类，而且可靠性更高、精确性更好、效率更高。
-
公开(公告)号：CN118277812A
公开(公告)日：2024-07-02
申请号：CN202410698331.0
申请日：2024-05-31
Applicant: 中南大学
IPC: G06F18/232 , G06Q50/00 , G06F18/15
Abstract: 本发明公开了一种用于海量数据分类的网格聚类方法，包括获取待分类的海量数据并归一化处理构建待分类数据集；计算待分类数据集所对应的数据空间的参数信息并进行网格划分和聚类；再次进行子空间划分并生成对应的空间划分树；对叶子节点和非叶子节点聚类得到聚类结果；根据聚类结果完成对待分类的海量数据的网络聚类。本发明还公开了一种实现所述用于海量数据分类的网格聚类方法的系统，以及包括了所述用于海量数据分类的网格聚类方法的用户推荐方法。本发明通过对数据空间的划分、子空间的划分以及空间化分树的叶子节点和非叶子节点的单独划分策略，不仅能够实现了用于海量数据分类的网格聚类，而且可靠性更高、精确性更好、效率更高。
-
公开(公告)号：CN115952943A
公开(公告)日：2023-04-11
申请号：CN202310240905.5
申请日：2023-03-14
Applicant: 中南大学
IPC: G06Q10/047 , G06Q10/083 , G06N3/042 , G06N3/0455 , G06N5/01
Abstract: 本发明公开了一种物流路径规划方法，包括获取物流数据信息；构建图模型；求解图模型的最小1‑tree和边的α‑value值；将α‑value值转换得到M‑score得分和U‑feature训练特征；将无向边转换为有向边构建有向图；构建稀疏边集；构建并训练神经网络模型；将有向图的特征输入模型得到边分数矩阵；计算得到待规划区域的物流路径信息。本发明通过创新的模型结构设计和基于全局结构的训练特征构建，有效提升了基于神经网络训练的物流路径规划方法的泛化能力，降低了物流路径规划问题的求解时间，得到了更高质量的路径规划结果，而且可靠性高、精确性好且泛化能力好。
-
公开(公告)号：CN114742155A
公开(公告)日：2022-07-12
申请号：CN202210375631.6
申请日：2022-04-11
Applicant: 中南大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于随机采样聚类的带噪音数据分类方法，包括获取带噪音的待分类数据集并随机采样，将采样数据加到中心点集完成初始化；对数据集进行迭代：每次迭代时获取距离中心点集最远的若干个数据点并采样部分数据加入到中心点集中；对中心点集中的数据进行枚举并获取代价最小的若干个数据点作为聚类的中心点；将数据集中的各个数据点分配到距离自身最近的中心点上完成分类。本发明还公开了一种包括所述于随机采样聚类的带噪音数据分类方法的用户分类方法。本发明通过创新的分类步骤和计算方式，不仅实现了带噪音数据的分类，而且分类精度较高，可靠性高，实用性好且算法复杂度较低。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.015 seconds)
