-
公开(公告)号：CN109857457B
公开(公告)日：2022-03-08
申请号：CN201910087240.2
申请日：2019-01-29
Applicant: 中南大学
Abstract: 本发明公开了一种在双曲空间中学习源代码中的函数层次嵌入表示方法，该方法以下步骤：S1、数据收集和构造阶段：S2、里奇曲率分析阶段：S3、庞加莱模型学习函数嵌入表示阶段：本发明将最新的数据挖掘技术、降维技术、深度学习处理技术、可视化技术运用到双曲空间函数嵌入学习中来，能够有效容纳海量数据，就像源代码数据；高效且准确的实现数据降维，然后可视化分析层次信息。
-
公开(公告)号：CN109887282B
公开(公告)日：2022-01-21
申请号：CN201910164972.7
申请日：2019-03-05
Applicant: 中南大学
Abstract: 本发明公开了一种基于层级时序图卷积网络的路网交通流预测方法，该方法包括步骤：S1、建立路网图，根据路网图构建邻接矩阵；S2、将每个节点上的流量作为此节点的信号；S3、利用图的邻接矩阵，计算拉普拉斯矩阵，针对流量信号建立谱图卷积模块，提取路网的空间结构对流量的影响；S4、构建聚类池化和反池化模块，提取路网中的层级信息，寻找相似结构的流量特征；S5、谱图卷积模块和聚类池化模块一起构成GRU单元，实现对流量时间特征的提取；S6、利用自编码器结构完成序列到序列的流量预测。本发明的层级时序图卷积网络，更精准预测庞大复杂的交通流量，方便城市居民规划出行路线，减少出行时间，提高出行感受，提升计算效率，不易出现内存溢出问题。
-
公开(公告)号：CN109977205B
公开(公告)日：2021-06-22
申请号：CN201910178229.7
申请日：2019-03-08
Applicant: 中南大学
IPC: G06F16/332 , G06F16/35 , G06F16/34
Abstract: 本发明公开了一种计算机自主学习源代码的方法，其特征在于，该方法包括以下步骤：S1、数据收集模块，通过在线判题系统得到符合要求c++程序代码，由问题题号P、问题c++源代码文件S两部分组成；S2、数据预处理模块，主要是将c++程序代码解析成能涵盖程序静态语法和动态语义的FDA图；S3、模型训练模块，利用带有注意力机制的门控图神经网络‑GGANN模型学习c++程序代码中间表示形式FDA图，以此训练好模型中的参数；S4、聚类与可视化分析模块，展开程序代码分类任务，评估模型分类精确度；可视化学习到的代码向量表征，分析模型性能；本发明提出的计算机自主学习源代码的方法能够改善现有的人工阅读代码方式，同时有助于计算机和人类更好的进行代码交互。
-
公开(公告)号：CN109887282A
公开(公告)日：2019-06-14
申请号：CN201910164972.7
申请日：2019-03-05
Applicant: 中南大学
Abstract: 本发明公开了一种基于层级时序图卷积网络的路网交通流预测方法，该方法包括步骤：S1、建立路网图，根据路网图构建邻接矩阵；S2、将每个节点上的流量作为此节点的信号；S3、利用图的邻接矩阵，计算拉普拉斯矩阵，针对流量信号建立谱图卷积模块，提取路网的空间结构对流量的影响；S4、构建聚类池化和反池化模块，提取路网中的层级信息，寻找相似结构的流量特征；S5、谱图卷积模块和聚类池化模块一起构成GRU单元，实现对流量时间特征的提取；S6、利用自编码器结构完成序列到序列的流量预测。本发明的层级时序图卷积网络，更精准预测庞大复杂的交通流量，方便城市居民规划出行路线，减少出行时间，提高出行感受，提升计算效率，不易出现内存溢出问题。
-
公开(公告)号：CN109977232A
公开(公告)日：2019-07-05
申请号：CN201910167501.1
申请日：2019-03-06
Abstract: 本发明公开了一种基于力导图的图神经网络(Graph NeuralNetwork，简称GNN)可视分析方法，该方法包括以下步骤：S1、构建图神经网络模型，统计图神经网络中间隐藏层参数或者中间隐藏层的输出；S2、构建力导图模型，将图网神经网络中间隐藏层参数或者中间隐藏层的输出作为力导图模型的输入；S3、根据力导图中节点的受力情况，迭代更新力导图中节点的位置，当图中所有节点受力平衡或者更新位移小于阈值时得到最终布局；本发明系统与方法对应；本发明从可视化角度观察图神经网络参数的更新过程，进而说明图神经网络的学习有效性，增强图神经网络的可解释性。
-
Patent Agency Ranking
公开(公告)号：CN109977205A
公开(公告)日：2019-07-05
申请号：CN201910178229.7
申请日：2019-03-08
Applicant: 中南大学
IPC: G06F16/332 , G06F16/35 , G06F16/34
Abstract: 本发明公开了一种计算机自主学习源代码的方法，其特征在于，该方法包括以下步骤：S1、数据收集模块，通过在线判题系统得到符合要求c++程序代码，由问题题号P、问题c++源代码文件S两部分组成；S2、数据预处理模块，主要是将c++程序代码解析成能涵盖程序静态语法和动态语义的FDA图；S3、模型训练模块，利用带有注意力机制的门控图神经网络‑GGANN模型学习c++程序代码中间表示形式FDA图，以此训练好模型中的参数；S4、聚类与可视化分析模块，展开程序代码分类任务，评估模型分类精确度；可视化学习到的代码向量表征，分析模型性能；本发明提出的计算机自主学习源代码的方法能够改善现有的人工阅读代码方式，同时有助于计算机和人类更好的进行代码交互。
-
公开(公告)号：CN109977223A
公开(公告)日：2019-07-05
申请号：CN201910168853.9
申请日：2019-03-06
Abstract: 本发明公开了一种融合胶囊机制的图卷积网络对论文进行分类的方法。该方法包括以下步骤：S1、构造论文引用网络数据；S2、构建图卷积网络模型，输入邻接矩阵A与训练集的节点特征矩阵X对所述图卷积网络模型进行训练，得到训练好的模型；S3、根据所述S2中训练好的模型，对论文进行分类，输出分类结果。本发明融合胶囊机制，将任意一篇论文的词向量看作一个胶囊(Capsule)，利用动态路由算法学习不同论文间的词向量的相似性，使得任意两篇论文所对应节点之间的边权重的大小与该两篇论文的词向量的相似程度成正比。改进后的模型中，图网络上的边的权重是变化的，相对于改进前的模型来说，准确率更高，鲁棒性更强，更不容易过拟合。
-
公开(公告)号：CN109857712A
公开(公告)日：2019-06-07
申请号：CN201910089081.X
申请日：2019-01-30
Applicant: 中南大学
IPC: G06F16/178 , G06F16/16 , G06Q40/08
Abstract: 本发明公开了一种中小型保险企业的数据标准化分析方法及系统，该方法包括以下步骤：S1、对原始数据进行预处理，包括对原始数据中的一些残缺数据进行填充，清洗问题数据；S2、将数据清洗完毕以后，将数据根据XBRL-GL数据标准化协议进行标准化，然后进行存储；S3、对存储好的数据进行基于机器学习的方法进行分析，并且将分析结果进行展示，本发明数据标准化分析方法及系统能为企业提供更为直观，精准和可靠的数据标准化分析服务，在为企业打通数据节点，消除数据隔离，同时提高中小型保险企业的数据利用率，降低数据分析门槛。
-
公开(公告)号：CN109977223B
公开(公告)日：2021-10-22
申请号：CN201910168853.9
申请日：2019-03-06
Abstract: 本发明公开了一种融合胶囊机制的图卷积网络对论文进行分类的方法。该方法包括以下步骤：S1、构造论文引用网络数据；S2、构建图卷积网络模型，输入邻接矩阵A与训练集的节点特征矩阵X对所述图卷积网络模型进行训练，得到训练好的模型；S3、根据所述S2中训练好的模型，对论文进行分类，输出分类结果。本发明融合胶囊机制，将任意一篇论文的词向量看作一个胶囊(Capsule)，利用动态路由算法学习不同论文间的词向量的相似性，使得任意两篇论文所对应节点之间的边权重的大小与该两篇论文的词向量的相似程度成正比。改进后的模型中，图网络上的边的权重是变化的，相对于改进前的模型来说，准确率更高，鲁棒性更强，更不容易过拟合。
-
公开(公告)号：CN109977232B
公开(公告)日：2022-05-10
申请号：CN201910167501.1
申请日：2019-03-06
IPC: G06F16/36 , G06F16/34 , G06F40/279 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于力导图的图神经网络(Graph NeuralNetwork，简称GNN)可视分析方法，该方法包括以下步骤：S1、构建图神经网络模型，统计图神经网络中间隐藏层参数或者中间隐藏层的输出；S2、构建力导图模型，将图网神经网络中间隐藏层参数或者中间隐藏层的输出作为力导图模型的输入；S3、根据力导图中节点的受力情况，迭代更新力导图中节点的位置，当图中所有节点受力平衡或者更新位移小于阈值时得到最终布局；本发明系统与方法对应；本发明从可视化角度观察图神经网络参数的更新过程，进而说明图神经网络的学习有效性，增强图神经网络的可解释性。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.018 seconds)
