课堂分组讨论的可视化分析方法

    公开(公告)号:CN114970558B

    公开(公告)日:2025-04-15

    申请号:CN202210540851.X

    申请日:2022-05-17

    Applicant: 中南大学

    Abstract: 本发明公开了一种课堂分组讨论的可视化分析方法,包括获取待分析的分组讨论对话数据并预处理;提取处理后的分组讨论对话数据中的对话回复关系;对分组讨论中学生间的互动随时间变化的关系进行可视化分析;计算发言与议题之间的关系并进行可视化分析;对学生参与讨论期间的表现进行分析和可视化展示并辅助教师进行分析。本发明提供的这种课堂分组讨论的可视化分析方法,通过创新的技术方案提取课程分组讨论数据中的有用信息,并将提取的信息进行可视化分析和展示,从事能够更好的辅助教师进行课堂分组讨论的可视化分析;而且本发明方法的可靠性高、准确性好且科学合理。

    基于注意力机制的小样本医学图像分类方法及成像方法

    公开(公告)号:CN119649152A

    公开(公告)日:2025-03-18

    申请号:CN202411890615.6

    申请日:2024-12-20

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于注意力机制的小样本医学图像分类方法,包括获取现有的医学图像数据并预处理得到数据集;基于原型网络和注意力机制构建医学图像分类初始模型并进行训练、优化和验证得到医学图像分类模型;采用得到的医学图像分类模型进行实际的小样本医学图像的分类。本发明还公开了一种包括了所述基于注意力机制的小样本医学图像分类方法的成像方法。本发明通过数据预处理过程来实现小样本医学图像数据的增强,并基于原型网络和注意力机制构建医学图像分类模型并训练,因此本发明不仅能够实现小样本医学图像的分类和成像,而且可靠性更高,精确性更好。

    一种基于聚合矩阵的多层社交网络可视化方法及系统

    公开(公告)号:CN118967348A

    公开(公告)日:2024-11-15

    申请号:CN202411145069.3

    申请日:2024-08-20

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于聚合矩阵的多层社交网络可视化方法,包括以下步骤:获取社交信息数据集;根据得到的社交信息数据集,构建多层社交网络;根据得到的多层社交网络,计算获取向量颜色映射方案;根据得到的多层社交网络,随机生成节点初始排序,并使用启发式算法迭代优化求解,得到最终节点排序;根据得到的向量颜色映射方案与最终节点排序,构建聚合矩阵可视化图,完成多层社交网络可视化。本发明还公开了一种实现所述基于聚合矩阵的多层社交网络可视化方法的系统。本发明方法解决了现有方法不支持探索分析多层社交网络下不同维度组合下的矩阵可视化的问题,通过启发式算法优化节点排序,减少了信息损失,得到了更好的可视化效果。

    基于力引导的社交网络可视化方法、计算机装置

    公开(公告)号:CN114756615B

    公开(公告)日:2024-11-05

    申请号:CN202210377483.1

    申请日:2022-04-12

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于力引导的社交网络可视化方法、计算机装置,立足于切片式社交网络可视化,围绕多关系社交网络中无法有效兼顾网络布局和用户心理地图的问题,给出了基于力引导的多关系社交网络布局方法,提出了个体i位于第j类关系的副本对于位于第k类关系的副本的影响程度Iijk。本发明以影响因子Iijk来衡量节点副本附近网络布局和用户心理地图的冲突程度,以此计算节点副本的理想布局位置,能够同时达到清晰呈现各关系网络图网络结构和保持用户心理地图两个目标。

    基于图像融合的阿尔兹海默症类别预测方法及成像方法

    公开(公告)号:CN118485860A

    公开(公告)日:2024-08-13

    申请号:CN202410561067.6

    申请日:2024-05-08

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于图像融合的阿尔兹海默症类别预测方法,包括获取现有且对应的脑部sMRI图像和PET图像并预处理得到训练数据集;构建阿尔兹海默症初步类别预测模型并采用训练数据集训练得到阿尔兹海默症类别预测模型;将实际的脑部sMRI图像和PET图像输入到阿尔兹海默症类别预测模型中,完成基于图像融合的阿尔兹海默症的类别预测。本发明还公开了一种包括所述基于图像融合的阿尔兹海默症类别预测方法的成像方法。本发明通过图像融合理论的应用,以及创新性的类别预测模型的构建以及模型的训练,不仅实现了基于多模态图像融合的阿尔兹海默症的类别预测及成像,而且可靠性更高,精确性更好。

    一种基于动态分布融合的人脸表情预测方法

    公开(公告)号:CN116363733A

    公开(公告)日:2023-06-30

    申请号:CN202310357220.9

    申请日:2023-04-06

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于动态分布融合的人脸表情预测方法,包括获取人脸表情数据集,针对获取的数据集中的人脸图片进行预处理,获取预处理数据集;构造辅助枝干,并基于辅助枝干设计双分支神经网络模型;采用构造的辅助枝干针对获取的预处理数据集进行提取样本分布处理;构建类别分布,针对获取的样本分布进行挖掘情感信息处理;针对构建的类别分布和提取的样本分布进行动态分布融合处理;构建多任务学习框架,优化双分支神经网络模型;采用优化的双分支神经网络模型实现人脸表情预测;本发明引入标签分布学习,展现了相比单标签学习的优越性;提出动态分布融合,充分发挥了标签分布学习的效用;而且本发明的预测性能好、效率高、误差少。

    基于团划分的静态充电桩部署方法

    公开(公告)号:CN109872070B

    公开(公告)日:2023-04-07

    申请号:CN201910132418.0

    申请日:2019-02-22

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于团划分的静态充电桩部署方法,包括针对SEB和SCP建立网络模型;将若干个SEB分布图划分为相对密集区域和相对稀疏区域,确定若干个SEB分布图中的相对密集区域的交集区域为SCP充电范围;构建满足能够覆盖所有目标区域内所有SEB的最少SCP数量优化函数;解决优化函数问题得到SCP的初步部署位置;对SCP的初步部署位置进行优化得到最终的SCP的部署位置。本发明通过构建优化模型、对优化模型进行求解并进行优化的过程,确定了静态充电桩的部署位置,因此本发明方法能够更好的适用于动态变化的SEB分布情况,能够尽可能的最小化SCP部署数量,而且本发明方法的可靠性高,SCP部署的效果较好。

    基于机器学习的冷热数据分离方法、系统、设备及介质

    公开(公告)号:CN114168824A

    公开(公告)日:2022-03-11

    申请号:CN202111510280.7

    申请日:2021-12-10

    Applicant: 中南大学

    Abstract: 本公开实施例中提供了一种基于机器学习的冷热数据分离方法、系统、设备及介质,属于数据识别技术领域,具体包括:获取训练集;对训练集进行预处理操作;利用高斯混合模型的最大期望混合聚类方法进行聚类,得到第一分类结果;利用K近邻分类算法进行分类,得到第二分类结果;判断第一分类结果与第二分类结果是否相同;若是,则判定待分类请求的类型与第一分类结果相同;若否,则采用最近邻原则对第一分类结果和第二分类结果进行修正,以及更新热数据集。通过本公开的方案,以已知标签的请求作为参考,利用多种机器算法从多个维度对待分类请求进行分类识别,然后根据识别结果进行进一步分析,确定待分类请求的数据类型。

    基于免疫理论的对抗图像攻击方法、装置、产品及介质

    公开(公告)号:CN113780557B

    公开(公告)日:2022-02-15

    申请号:CN202111332352.3

    申请日:2021-11-11

    Applicant: 中南大学

    Abstract: 本发明公开了一种基于免疫理论的对抗图像攻击方法、装置、产品及介质,基于图像像素的位置关系,利用神经网络损失函数的梯度回传学习每一个像素所占的权重值,得到注意力权重,将注意力权重与像素值相乘后输入激活函数,得到注意力类激活图Ac(i,j),所述类激活图可近似表征图像目标像素;通过掩码Bk随机掩盖注意力类激活图Ac(i,j),获取对非目标像素攻击无效的注意力激活图,利用非目标像素攻击无效的注意力激活图获取分类特征向量;将分类特征向量输入设计的泛化性鲁棒损失函数计算梯度值,利用梯度值对神经网络进行后向传播,训练所述神经网络。本发明的方法在对抗图像攻击任务中达到了最先进防御水平。

    一种人脸超分辨率重建方法及系统

    公开(公告)号:CN112884657B

    公开(公告)日:2021-07-16

    申请号:CN202110487901.8

    申请日:2021-05-06

    Applicant: 中南大学

    Abstract: 本发明公开了一种人脸超分辨率重建方法及系统,采用人工智能中的深度学习方法,结合人脸超分辨率技术,实现了在不需要人脸先验知识的情况下重建清晰的人脸图像。本发明方法构建一个渐进式超分辨率重建模块,逐步提升人脸图像的分辨率,充分利用低分辨率人脸以及噪声信息,可将低分辨率的低光照的人脸重建成面部轮廓、细节信息清晰的超分辨率人脸图像,低分辨率图像的训练有助于更高级别分辨率的训练,因此整体的训练速度更快。

Patent Agency Ranking