-
公开(公告)号：CN119513808A
公开(公告)日：2025-02-25
申请号：CN202411512536.1
申请日：2024-10-28
Applicant: 南京财经大学
Abstract: 本发明属于多模态哈希技术领域，公开了一种自步学习协同费希尔准则的多模态语义融合哈希方法，通过挖掘多源异构数据的语义一致性关联，引用自步学习机制，构建以自步学习权重的多源异构语义融合哈希模型，在多源异构数据内容中逐步进行处理、分析和理解，确保模型从易到难逐步学习。与此同时，本发明通过嵌入费希尔准则用于增强不同语义类别的融合判别力，通过增大不同类别边界和关注数据之间的相关性和潜在结构信息的基础上，进一步的考虑到语义的相似性对多源异构语义融合的影响，既而生成高质量判别力的语义融合哈希编码。本发明有效的对海量多源异构数据进行有效处理以获得有价值的信息，强化了语义融合哈希编码的表示能力，提高了算法模型的鲁棒性和灵活性。
-
公开(公告)号：CN118697023A
公开(公告)日：2024-09-27
申请号：CN202310304410.4
申请日：2023-03-27
Applicant: 南京财经大学
IPC: A23L7/10 , A23L29/00 , A23L5/30 , A23L29/256 , A23L29/269 , A23L29/238 , A23P30/20 , A23L3/358 , A23L3/3562
Abstract: 本发明提供了一种延缓老化的糯米凝胶制备方法及其3D打印应用，属于粮油食品加工技术领域；本申请方法通过调节食用胶和无水CaCl2的添加量以及糯米粉的粒度和微观结构，达到延缓老化和提高打印精度的目的，该方法不需要预处理，节约成本，操作性强，适宜于3D打印，同时能有效实现延缓老化，有助于延长3D打印糯米食品的货架期，应用前景广泛。
-
公开(公告)号：CN113592379B
公开(公告)日：2024-05-14
申请号：CN202110710054.7
申请日：2021-06-25
Applicant: 南京财经大学 , 云境商务智能研究院南京有限公司
IPC: G06Q10/083 , G06F18/214 , G06F18/2411
Abstract: 本发明公开了一种散粮集装箱物流运输环境异常检测的关键特征识别方法，首先构建异常识别的数据样本集、关键特征排序集，初始化特征集合指标集；然后构建训练样本集，训练线性分类模型SVM‑train，计算排序系数；接着找出获取排序系数最大的特征，并从特征集合指标集中消除该特征，更新特征集合指标集和关键特征排序集，直至特征集合指标集为空集；本发明提供的关键特征识别方法使用递归特征消除方法每次迭代删除得分最高的权值系数对应的特征，使线性SVM模型在剩余特征子集上训练得到的间隔最大化，能够快速识别散粮集装箱物流运输环境状态相关的“关键特征”，并得到所有特征对散粮集装箱物流运输环境状态影响的排名。
-
公开(公告)号：CN116432262A
公开(公告)日：2023-07-14
申请号：CN202310414875.5
申请日：2023-04-18
Applicant: 南京财经大学
Abstract: 本发明公开了一种基于图文法的平面图案设计方法，该方法包括：制定规则，包括构建用于生成与分析相关抽象点边图的一组图文法产生式，以及针对具体图案生成需求设定一组结点转换规则；基于上述制定的产生式生成点边图；基于点边图通过所述结点转换规则绘制图案；基于点边图中边的属性调整图案的位置。本发明是将图文法和形状文法的优点相结合，图文法具有推导和归约双向工作流，所以通过图文法和结点转换规则生成的复杂图案具有归约能力，即可以对该图案进行结构上的分析。
-
公开(公告)号：CN110929888B
公开(公告)日：2023-05-05
申请号：CN201911077982.3
申请日：2019-11-06
Applicant: 南京财经大学
IPC: G06N20/10 , G06F18/2411 , G06F18/214 , G06Q10/04 , G06Q50/02
Abstract: 本发明涉及一种粮食作物病害预测方法，尤其是一种基于支持向量机的随机紧凑高斯核的粮食作物病害预测方法，属于机器学习在粮食的预测技术领域。本发明在传统单尺度高斯核函数的支持向量机的基础上，扩展了高斯核函数的参数，提出的多尺度高斯核支持向量机，能够对其中的核函数参数随机化赋值，提升了支持向量机参数选择的效率。通过在粮食作物大豆病害标准数据集Soybean上的实验表明，与传统单尺度高斯核函数的支持向量机相比，该方法不仅能够提升大豆病害数据预测的精度，学习模型参数选取的时间仅需传统SVM高斯核方法的不到1％的时间。
-
Patent Agency Ranking
公开(公告)号：CN115658942A
公开(公告)日：2023-01-31
申请号：CN202211346701.1
申请日：2022-10-31
Applicant: 南京财经大学 , 江苏省联合征信有限公司
IPC: G06F16/532 , G06N3/0464 , G06N3/08 , G06Q40/06 , G06V10/82 , G06V30/18
Abstract: 一种面向金融场景的联合征信智能化数据检索方法，首先使用vgg16模型对联合征信的图像特征进行提取，使用Gloves对联合征信的文本进行特征提取，映射到子空间中，同时由迁移学习中借鉴约束损失，通过模态对抗损失，令分类器在模态间不能区分文本和图像特征之间的区别，金融场景的联合征信的文本和图像特征融为一体，使特征相似的文本和图像聚在一起；最后由单一的金融场景的联合征信文本数据输入，检索相关联的联合征信图片数据与文本数据，或是输入一张联合征信的图片数据，检索出相关联的联合征信图片信息与文本信息。
-
公开(公告)号：CN114677459B
公开(公告)日：2025-03-21
申请号：CN202210338891.6
申请日：2022-04-01
Applicant: 南京财经大学
Abstract: 本发明公开了一种基于图文法的逻辑型图形生成方法，包括以下步骤：制定规则，包括构建用于生成与分析相关抽象点边图的一组cCGG产生式，以及针对具体图形生成需求设定一组形状规则；基于制定的产生式生成点边图；基于点边图使用形状规则绘制图形。本发明对坐标图文法CGG的一个子框架——连续坐标图文法cCGG(continuousCoordinate Graph Grammar)进行改进，使图文法不仅可以生成符合相应文法约束的点边图，还可以从点边图出发生成相应的可视化图形，并且可使用产生式对生成图形的非可视化部分即抽象点边图进行语法结构上的分析，提供了一种支持双向工作流的逻辑性图形生成方法。
-
公开(公告)号：CN119226344B
公开(公告)日：2025-03-14
申请号：CN202411339357.2
申请日：2024-09-25
Applicant: 南京财经大学
IPC: G06F16/2455 , G06F16/2458 , G06F16/22 , G06F18/213 , G06F18/25 , G06N3/088
Abstract: 本发明属于多模态信息处理领域，公开了大规模低质量多模态无监督哈希方法及动态流数据检索系统，为了充分挖掘大规模低质量多模态数据的强判别力哈希码，采取内层和外层组合的多层哈希码映射模式，构建了稀疏正则化多层哈希映射模型；为了融合低质量多模态数据中各种模态数据之间的独特特征内容和语义一致性特征内容，将不同模态映射对应的归约模态空间，并对各个归约模态空间内联耦合建模。本发明对上述申请方法进一步扩展到动态多模态流数据环境中，构建的动态流数据哈希函数求解器全局损失函数，能够逐步有序稳定的挖掘动态流数据语义信息，增强了低质量动态流数据哈希函数的学习判别力，实现对大规模低质量动态多模态流数据进行快速检索。
-
公开(公告)号：CN113610058B
公开(公告)日：2024-11-26
申请号：CN202111042103.0
申请日：2021-09-07
Applicant: 南京财经大学
IPC: G06V40/16 , G06V10/774 , G06V10/82 , G06T19/00 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/09 , G06N3/094
Abstract: 本发明公开了一种人脸特征迁移的面部姿态增强互动方法，首先对原始数据进行处理得到帧和面部标识草图，调整大小后将两类图像合并得到预处理数据。将处理后的数据提交给条件生产式对抗网络模型进行图像预测，最终生成迁移后的结果图像。Pix2Pix应用条件生成式对抗网络建模转换的映射函数，将一个域的图像转换到另一个域进行实现特征迁移。更准确地讲是Pix2Pix从面部标记中学习并将其转换为面部特征，将网络摄像头或者视频检测到人脸实时放在训练好的人脸模型上，本发明不仅精度高，而且能够提高图像对图像转换性能。
-
公开(公告)号：CN112232388B
公开(公告)日：2024-02-13
申请号：CN202011046627.2
申请日：2020-09-29
Applicant: 南京财经大学
IPC: G06F18/2411 , G06F18/214 , G06Q30/0201
Abstract: 本发明公开了一种基于ELM‑RFE的购物意图关键因素识别方法，该方法首先初始化因素特征排序表和当前特征子集表，并获取当前训练样本集，接着训练超限学习机分类器并计算特征的排序系数，重复该步骤并找出排序得分最小的因素特征，然后更新关键因素排序指标和当前特征子集表，并重复以上步骤直至当前特征子集表为空。本发明的方法相比于传统的递归特征消除类方法，无需调节学习模型参数，能快速识别影响用户购物意图的最有效的因素。实验表明，相比传统的SVM‑RFE方法，本发明的方法仅需0.1％的计算时间，而且仅需3个因素特征在测试集上得到最高的测试精度。在识别用户购买意图的关键因素应用中，本发明的方法可以提升关键因素特征识别效率。(56)对比文件Guang-Bin Huang等.Extreme LearningMachine for Regression and MulticlassClassification《.IEEE Transctions onSystems,Man,and Cybernetics,Part B》.2011,第42卷(第2期),513-529.Serpil Ustebay等.InstructionDetection System with Recursive FeatureElimination by Using Random Forest andDeep Learning Classifier《.2018International Congress on Big Data，DeepLearning and Fighting Cyber Terrorism》.2019,71-76.
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.036 seconds)
