-
公开(公告)号：CN109036553A
公开(公告)日：2018-12-18
申请号：CN201810860468.6
申请日：2018-08-01
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于自动抽取医疗专家知识的疾病预测方法，属于智能医疗技术领域；首先根据历史诊断记录数据构建疾病关系网络，在该网络上使用神经网络模型对疾病实体间具有的显式和隐式相关性分别计算疾病特征向量，并通过疾病特征向量计算疾病之间的相关性矩阵作为医疗专家知识；其次，设计基于深度学习的疾病预测模型，通过降噪自编码器栈模型将病人的原始医学指标数据降维，并作为多标签疾病预测模型的输入数据来预测病人的潜在疾病；最后，在模型的参数学习部分，使用第一步中自动提取的疾病相似度矩阵作为医疗背景约束条件，让算法学习模型的最优参数，并将发病概率较高的疾病作为预测结果。对比现有技术，本发明提高了疾病预测准确率。
-
公开(公告)号：CN109036553B
公开(公告)日：2022-03-29
申请号：CN201810860468.6
申请日：2018-08-01
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于自动抽取医疗专家知识的疾病预测方法，属于智能医疗技术领域；首先根据历史诊断记录数据构建疾病关系网络，在该网络上使用神经网络模型对疾病实体间具有的显式和隐式相关性分别计算疾病特征向量，并通过疾病特征向量计算疾病之间的相关性矩阵作为医疗专家知识；其次，设计基于深度学习的疾病预测模型，通过降噪自编码器栈模型将病人的原始医学指标数据降维，并作为多标签疾病预测模型的输入数据来预测病人的潜在疾病；最后，在模型的参数学习部分，使用第一步中自动提取的疾病相似度矩阵作为医疗背景约束条件，让算法学习模型的最优参数，并将发病概率较高的疾病作为预测结果。对比现有技术，本发明提高了疾病预测准确率。
-
公开(公告)号：CN107256571A
公开(公告)日：2017-10-17
申请号：CN201710339345.3
申请日：2017-05-15
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于深度学习与自适应差分盒的分形维数估计方法，属于分形图像处理技术领域；包括以下步骤：1)对初始小尺寸图像进行插值预处理；2)将预处理得到的大尺寸低分辨率图像输入到预训练好的卷积神经网络中，重建出大尺寸的高分辨率图像，所述神经网络主要包括特征提取、非线性映射和聚合重建三个卷积层；3)利用自适应差分盒计数法对大尺寸高分辨率图像的分形维数进行估计；本发明所述方法不仅解决了传统盒计数法在小尺寸图像窗口下无法准确估计分形维数的问题，而且自适应差分盒的引入，也使得盒子数目的统计更加准确；同时与现有技术相比，本方法可以很好地保持图像分形维数的缩放不变性。
-
公开(公告)号：CN104317881B
公开(公告)日：2017-11-24
申请号：CN201410564145.4
申请日：2014-10-21
Applicant: 北京理工大学
IPC: G06F17/30
Abstract: 本发明涉及一种基于用户话题权威性的微博重排序方法，该方法通过获取用户搜索关键词信息，将用户搜索关键词划分到某个话题，然后对微博搜索引擎按照时间顺序返回来的近几天最新结果，再在该话题上对所有的用户计算话题权威值(表征该用户的话题权威性)，根据此话题权威值，再一次对搜索引擎返回的搜索结果进行重排序。本发明针对微博搜索领域，综合考虑用户话题权威性以及传统的话题权威度量，提出用户话题权威值的计算方法，并使用得到的用户话题权威值对搜索引擎按照时间顺序返回的结果进行调整，其意义在于，该方法能够提高排序后返回结果的质量，从而证明用户话题权威性在微博排序中的有效性，增强用户体验。
-
-
-
Search Results
4
records
(took 0.019 seconds)
