-
公开(公告)号：CN112508170B
公开(公告)日：2024-08-16
申请号：CN202011299519.6
申请日：2020-11-19
Applicant: 中南大学
IPC: G06N3/0464 , G06N3/049 , G06N3/044 , G06N3/084 , G06F18/214 , G06F17/16
Abstract: 本发明公开了一种基于生成对抗网络的多相关时间序列预测系统及方法，本发明针对现实生活中广泛存在的多个相关时间序列的预测问题提出的一种端到端的解决方案，与其它已有的时间序列预测模型相比，本发明可同时捕获到多个时间序列之间复杂的交互关系，以及时间序列内部时序关系，在多个相关时间序列的预测任务中具有独特的优势。在多个相关时间序列预测问题中，时间序列之间存在的复杂交互关系是隐含在数据内部的，常规方法不能直接地提取出这种隐藏的复杂交互关系。本发明巧妙地通过一个生成器来生成这种交互关系，一个生成器来得到预测值，并通过判别器来优化生成的交互关系。这种直接从数据中提取交互关系的方法避免了对其它先验知识的依赖。
-
公开(公告)号：CN117392353B
公开(公告)日：2024-03-12
申请号：CN202311687370.2
申请日：2023-12-11
Applicant: 中南大学
IPC: G06T19/00 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06T5/90 , G06T5/50 , G06T17/00 , G06T19/20
Abstract: 本发明公开了一种增强现实光照估计方法、系统、设备及存储介质，本方法通过将单张有限视场图像输入至生成对抗网络得到中间特征变量，计算中间特征变量与离散数值之间距离最近的离散特征；采用生成器得到生成的低动态范围全景图，并将生成的低动态范围全景图和真实场景的低动态范围全景图输入至鉴别器，得到最优低动态范围全景图；将最优低动态范围全景图输入至正曝光生成器和负曝光生成器中，得到多张正曝光图像和多张负曝光图像；通过图像融合，将融合图像输入至三维卷积神经网络中，得到重建的高动态范围全景图，并从重建的高动态范围全景图中得到光照信息。本发明能够提高增强现实光照估计的精确度和提高光照估计的效率。
-
公开(公告)号：CN106126732B
公开(公告)日：2020-03-10
申请号：CN201610517069.0
申请日：2016-07-04
Applicant: 中南大学
IPC: G06F16/38 , G06F16/2458
Abstract: 本发明公开了一种基于兴趣相似模型的作者影响力传播能力预测方法，包括以下步骤：步骤1：从文献数据库的文献基本信息中抽取挖掘作者文献的学术关系信息，包括作者‑论文撰写关系和文献‑文献引用关系；步骤2：根据作者‑论文撰写关系和文献‑文献引用关系，建立作者引用关系网络和作者合作关系网络；步骤3：基于共引关系计算作者间的兴趣相似度；其中共引关系是指：若两篇文献同时引用了一篇文献，就称这两篇文献存在共引关系；步骤4：利用作者引用关系网络与合作关系网络，挖掘作者影响力传播路径；以兴趣相似度作为路径的权值，加权计算得到影响力传播能力。
-
公开(公告)号：CN106227835A
公开(公告)日：2016-12-14
申请号：CN201610595145.X
申请日：2016-07-25
Applicant: 中南大学
IPC: G06F17/30
CPC classification number: G06F17/30705 , G06F2216/03
Abstract: 本发明公开了一种基于二分网络图层次聚类的团队研究方向挖掘方法，包括以下步骤：步骤1：建立基于作者关键词二分网络的作者研究兴趣表示模型；步骤2：对作者研究兴趣表示模型进行图聚类：将对各个关键词的关注程度差异小的作者归于同一个作者群组；得到作者群组集合；步骤3：整体层次聚类，得到各个作者群组的研究兴趣：将作者群组集合中只包含一个作者的群组，合并到研究兴趣相似的其它作者群组中，使得每个作者群组中包含的作者个数大于2，计算并更新各个作者群组的研究兴趣，即团队研究方向。本发明能有效地挖掘出团队的学术研究方向，为分析及评价团队研究方向的发展情况提供有利条件。
-
公开(公告)号：CN106126732A
公开(公告)日：2016-11-16
申请号：CN201610517069.0
申请日：2016-07-04
Applicant: 中南大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于兴趣相似模型的作者影响力传播能力预测方法，包括以下步骤：步骤1：从文献数据库的文献基本信息中抽取挖掘作者文献的学术关系信息，包括作者‑论文撰写关系和文献‑文献引用关系；步骤2：根据作者‑论文撰写关系和文献‑文献引用关系，建立作者引用关系网络和作者合作关系网络；步骤3：基于共引关系计算作者间的兴趣相似度；其中共引关系是指：若两篇文献同时引用了一篇文献，就称这两篇文献存在共引关系；步骤4：利用作者引用关系网络与合作关系网络，挖掘作者影响力传播路径；以兴趣相似度作为路径的权值，加权计算得到影响力传播能力。
-
Patent Agency Ranking
公开(公告)号：CN104657488B
公开(公告)日：2016-03-02
申请号：CN201510097738.9
申请日：2015-03-05
Applicant: 中南大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于引用传播网络的作者影响力计算方法，包括以下步骤：步骤1：建立引用关系网络和同事关系网络：基于论文公共信息数据库构造作者引用关系网络和同事关系网络；步骤2：建立引用传播网络：引用传播网络为作者引用关系网络和同事关系网络的融合网络；步骤3：基于引用传播网络计算作者的影响力Influence：计算公式为该基于引用传播网络的作者影响力计算方法得到的作者影响力指标更合理，且易于实施，计算简便。
-
公开(公告)号：CN117496075B
公开(公告)日：2024-03-22
申请号：CN202410001553.2
申请日：2024-01-02
Applicant: 中南大学
IPC: G06T17/00 , G06N3/0464 , G06T7/50 , G06T7/80
Abstract: 本发明公开了一种单视图的三维重建方法、系统、设备及存储介质，包括获取由相机拍摄的单视图图像；通过深度学习提取单视图图像中的相机参数值和预测的深度值，进而利用相机参数值反向投影构建出一个估计的三维体素，从这个三维体素中提取一个初始三维特征，再根据初始三维特征重建成一个更加接近与真实体素的最终三维体素。不仅仅忽略了对三维体素数据库的前置依赖，实现了能基于单视图图像的三维重建；而且先估计一个三维体素，再优化得到更加接近与真实体素的最终三维体素，能提升重建最终三维体素的准确度。
-
公开(公告)号：CN113836133A
公开(公告)日：2021-12-24
申请号：CN202010513672.8
申请日：2020-06-08
Applicant: 中南大学
IPC: G06F16/22 , G06F16/2458
Abstract: 本发明提供了一种基于并行框架的时态频繁子图挖掘方法，方法针对现有的频繁子图挖掘研究都没有考虑图中节点或边上时间属性的问题，利用时间属性累加方法并行挖掘大图中的频繁子图。为了计算包含时态属性的频繁子图，发明中采用了使用最小支持度的频繁子图挖掘方法。实验结果表明，该算法可以准确，高效地计算出具有相应时间频率的所有时态频繁子图，并且在具有人工时间信息的真实数据集上的实验结果也验证了时态频繁子图挖掘算法的实际可用性。
-
公开(公告)号：CN112508170A
公开(公告)日：2021-03-16
申请号：CN202011299519.6
申请日：2020-11-19
Applicant: 中南大学
Abstract: 本发明公开了一种基于生成对抗网络的多相关时间序列预测系统及方法，本发明针对现实生活中广泛存在的多个相关时间序列的预测问题提出的一种端到端的解决方案，与其它已有的时间序列预测模型相比，本发明可同时捕获到多个时间序列之间复杂的交互关系，以及时间序列内部时序关系，在多个相关时间序列的预测任务中具有独特的优势。在多个相关时间序列预测问题中，时间序列之间存在的复杂交互关系是隐含在数据内部的，常规方法不能直接地提取出这种隐藏的复杂交互关系。本发明巧妙地通过一个生成器来生成这种交互关系，一个生成器来得到预测值，并通过判别器来优化生成的交互关系。这种直接从数据中提取交互关系的方法避免了对其它先验知识的依赖。
-
公开(公告)号：CN107746501B
公开(公告)日：2021-02-12
申请号：CN201711095346.4
申请日：2017-11-09
Abstract: 本发明公开了一种用于3D打印的材料，其包括乙烯‑醋酸乙烯共聚物60％～96.5％、乳聚丁苯橡胶1％～6％、溶聚丁苯橡胶1％～6％、辅助改性材料2％～6％，所述辅助改性材料主要包括交联剂5％‑22％、配合剂38％‑57％、抗氧化剂8％‑17％、增韧剂4％‑7％、抗水解剂8％‑17％、熔体融合增强剂5％‑20％。另外，本发明还涉及该材料的制备方法。本发明的3D打印材料能够打印的硬度范围更广，可以实现多种硬度梯度，且具有高流动性、高韧性、低收缩率低、高打印精度的特点，适用于熔融沉积3D打印快速成型，很好地满足了3D打印的材料的成型加工工艺。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.031 seconds)
