-
公开(公告)号：CN106296245A
公开(公告)日：2017-01-04
申请号：CN201510271649.1
申请日：2015-05-25
Applicant: 北京大学 , 深圳市腾讯计算机系统有限公司
IPC: G06Q30/02
Abstract: 本发明实施例公开了一种数据离散化方法，包括：接收输入的有序排列的样本集，获取预设的有序排列的初始离散格式；获取预设的类别集合，遍历所述获取到的类别集合中的类别值，获取所述样本集在遍历到的类别值下的在所述初始离散格式中的起始阈值到每个阈值的积分区间的第一样本数，生成积分矩阵；迭代获取所述初始离散格式中的阈值集合的子集，查找所述遍历到的子集中的两两相邻的阈值构成的取值区间，根据所述积分矩阵获取所述每个查找到的取值区间对应的在每个类别值下的第二样本数和在所有类别值下的第三样本数，根据积分矩阵、所述取值区间对应的第二样本数和第三样本数以及所述类别集合计算所述遍历到的子集对应的区分度；查找区分度最大的子集，将所述查找到的区分度最大的子集作为目标离散格式输出。本发明还公开了一种数据离散化装置。本发明中数据离散化方法及装置可以减少计算复杂度，提高执行效率。
-
公开(公告)号：CN106296244A
公开(公告)日：2017-01-04
申请号：CN201510271647.2
申请日：2015-05-25
Applicant: 北京大学 , 深圳市腾讯计算机系统有限公司
IPC: G06Q30/02
Abstract: 本发明实施例公开了一种数据离散化方法，包括：接收输入的有序排列的样本集，获取预设的有序排列的初始离散格式；获取预设的类别集合，遍历所述获取到的类别集合中的类别值，获取所述样本集在遍历到的类别值下的在所述初始离散格式中的起始阈值到每个阈值的积分区间的第一样本数，生成积分矩阵；根据所述积分矩阵计算初始离散格式中各个阈值构成的取值区间的区分度；迭代查找区分度最大且不为预设的特征值的取值区间，将所述区分度最大的取值区间对应的阈值添加到目标离散格式中，并将所述区分度最大的取值区间中包含的各个子区间对应的区分度设为所述特征值，直至所有取值区间的区分度均为所述特征值，输出所述目标离散格式。本发明还公开了一种数据离散化装置。本发明中数据离散化方法及装置可以减少计算复杂度，提高执行效率。
-
公开(公告)号：CN106875129A
公开(公告)日：2017-06-20
申请号：CN201710142777.5
申请日：2017-03-10
Applicant: 北京大学 , 北京华品博睿网络技术有限公司
IPC: G06Q10/06
CPC classification number: G06Q10/06393
Abstract: 本发明公开了一种基于人才流动的学校和公司共同排名方法。本方法为：对学历分类为本科、硕士、博士和其他；学校分类为985、211和其他；工作岗位分级；企业映射处理；分析低学历向高学历跳转对应学校跳转；分析低级工作向高级工作跳转对应公司跳转；分析第一份工作的学校和单位的跳转；初始化学校得分；初始化公司得分；统计每个公司入度值；根据入度值分配初始得分；根据支持度更新学校得分；根据学校排名和学校对公司支持度分别调整其得分；根据公司支持度更新其得分；根据公司对学校支持度更新学校得分；统计学校得分；补充人才；计算学校和公司得分，以学校和公司最终得分对其排名。本发明还公开了一种基于人才流动的学校和公司共同排名装置。
-
公开(公告)号：CN107025311A
公开(公告)日：2017-08-08
申请号：CN201710351281.9
申请日：2017-05-18
Applicant: 北京大学 , 北京华品博睿网络技术有限公司
Abstract: 本发明公开了一种基于K近邻的贝叶斯个性化推荐方法，包括：1)通过用户的行为数据寻找用户的K近邻；2)根据观测到的用户正反馈项目以及由该用户的k近邻用户组成的用户群的正反馈项目，对项目集合进行划分；3)确定用户对项目的对级别偏好关系；4)最大化所有用户在项目集合上的概率得到目标函数；用户对项目的预测采用矩阵分解模型实现；采用随机梯度下降法对目标函数中的参数进行求解。本发明还公开了一种基于K近邻的贝叶斯个性化推荐装置。本发明考虑了用户之间的相互影响，并通过该影响对项目集合进行划分，减少了未观测项目的个数，有效地缓解了推荐过程中数据不平衡和数据稀疏性带来的负面影响。
-
公开(公告)号：CN104168481B
公开(公告)日：2017-08-04
申请号：CN201410355678.1
申请日：2014-07-24
Applicant: 北京大学
IPC: H04N19/176 , H04N19/50 , H04N5/232
Abstract: 本发明公开了一种针对Intel移动平台的实时AVS软编码方法。本方法为：1)AVS编码器检测当前待编码宏块的类型，调用相应的I帧编码单元或P帧编码单元进行编码；2)在进行I帧宏块编码时，通过利用预测模式的匹配代价均值作为阈值实现预测模式遍历的提前终止；3)在进行P帧宏块编码时，通过利用匹配代价的最小值来作为阈值实现参考帧和预测模式遍历的提前终止。在计算当前宏块和预测宏块之前的匹配代价(SAD值)时，采用Intel移动平台特有的SSE指令技术实现。本发明大大提高了处理器利用率，实现了每秒10帧的视频采集和编码。
-
Patent Agency Ranking
公开(公告)号：CN101325697A
公开(公告)日：2008-12-17
申请号：CN200710179524.1
申请日：2007-12-14
Applicant: 北京大学软件与微电子学院
Abstract: 本发明公开了一种手持设备遥感图片快速浏览方法，其步骤为：1)对整个图像数据进行分块，建立记录数据块数据信息的码流数据表；2)根据要显示的区域查找码流数据表，确定要解码的数据块；3)根据缩放比例对要解码的数据块进行解码，同时在缩放比例为8的倍数的情况下，充分运用JPEG文件中直流系数信息，不需要做Huffman解码和IDCT变换；从而实现图片快速浏览。本发明的方法可以实现解码非常大的JPG文件，具有解码速度快、满足实时应用需要、解码占用的内存资源小、浏览图片任意区域、任意缩放图像任意区域的特点。
-
公开(公告)号：CN119475147A
公开(公告)日：2025-02-18
申请号：CN202411438195.8
申请日：2024-10-15
Applicant: 北京大学
IPC: G06F18/2433 , G06F18/22 , G06F18/23213 , G06F18/214 , G06N3/0455 , G06N3/0895 , G06N3/084
Abstract: 本发明公开一种基于重构和多原型学习的弱监督异常检测方法及设备，属于异常检测技术领域。所述方法包括：将数据实例输入到异常检测模型，得到该数据实例xi的异常检测结果；其中，所述异常检测模型包括：重构学习模块，用于计算数据实例的潜在表示和重构误差；多正常原型学习模块，用于生成多个正常原型，并计算所述潜在表示与所有正常原型之间的相似度后，选择最大相似度；统一异常评分模块，用于将所述潜在表示、所述重构误差和所述最大相似度连接成一特征向量，并基于该特征向量得到所述数据实例的异常检测结果。本发明可以结合少量标记异常样本和大量未标记数据来进行异常检测，并提高了异常检测精度。
-
公开(公告)号：CN106934071A
公开(公告)日：2017-07-07
申请号：CN201710286010.X
申请日：2017-04-27
Applicant: 北京大学 , 北京华品博睿网络技术有限公司
Abstract: 本发明公开了一种基于异构信息网络和贝叶斯个性化排序的推荐方法及装置。所述方法使用异构信息网络来描述用户、物品及有关的信息，并使用基于带重启的随机游走的迭代方法来计算用户对每个物品的评分。对于异构信息网络中的各边的权重，本方法使用基于贝叶斯个性化排序的机器学习方法自动学习。在学习的过程中，本方法通过多次迭代求解，并从多轮迭代得到的多个候选解中选择最优的解。本发明还公开了一种基于异构信息网络和贝叶斯个性化排序的推荐装置。本发明中的推荐方法及装置，不仅可以自动的从数据中学习各异构信息网络中边的权重，从而大大提高对不同数据的适应能力，还可以更好的对用户偏好进行刻画，从而得到更好的个性化推荐结果。
-
公开(公告)号：CN106611375A
公开(公告)日：2017-05-03
申请号：CN201510695316.1
申请日：2015-10-22
Applicant: 北京大学 , 腾讯科技(深圳)有限公司
CPC classification number: G06N3/08 , G06N3/084 , G06N5/003 , G06N7/005 , G06N20/20 , G06Q10/04 , G06Q10/0635 , G06Q40/025 , G06Q40/06
Abstract: 本发明公开了一种基于文本分析的信用风险评估方法及装置，其中，所述方法还包括：获取借款人的文本；对所述文本进行分析，得到基本语言特征，所述基本语言特征用于预测借款人是否会违约；将所述基本语言特征输入到预设的信用风险评估模型，得到从所述信用风险评估模型输出的所述借款人的信用风险值；输出所述借款人的信用风险值。
-
公开(公告)号：CN101106716A
公开(公告)日：2008-01-16
申请号：CN200710120550.7
申请日：2007-08-21
Applicant: 北京大学软件与微电子学院
Abstract: 本发明公开了一种分水岭图像分割处理方法，其主要分三步完成，即分水岭算法的前处理过程，滤掉不必要的噪声点；分水岭处理过程，对象素点进行排序和标号扩展；分水岭后处理过程，来减小过渡分割的影响；该方法速度比VINCENT－SOILLE方法快2倍，分割效果与其相当，同时保留了大部分对图像分割有益的信息，因此在对分割时间有严格限制的场合中，尤其在实时视频对象提取中，会有较大的应用价值。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.038 seconds)
