-
公开(公告)号：CN115330840A
公开(公告)日：2022-11-11
申请号：CN202211029647.8
申请日：2022-08-25
Applicant: 哈尔滨工业大学
Abstract: 基于轨迹异常检测的轨迹预测方法及系统，具体涉及一种基于轨迹预测模型和轨迹异常检测模型的轨迹预测方法及系统，为解决由于轨迹预测模型缺少合理高效的训练方法和无监督的模型在线评估方法，导致预测的轨迹可信度低，准确率不高的问题，合并获取的轨迹预测模型和轨迹异常检测模型的搜索空间；根据搜索空间用自动机器学习技术构建TP异常检测模型；获取行人轨迹预测信息及对应的预测轨迹，再用TP异常检测模型训练轨迹预测模型，得到轨迹预测模型；将待预测轨迹的行人轨迹预测信息输入轨迹预测模型，得到多条轨迹预测结果，用TP异常检测模型计算每条轨迹预测结果的异常分数，将最小异常分数的预测轨迹作为轨迹预测模型的输出。
-
公开(公告)号：CN111400571B
公开(公告)日：2021-11-19
申请号：CN202010075197.0
申请日：2020-01-22
Applicant: 哈尔滨工业大学
IPC: G06F16/951 , G06F16/9536 , G06F16/35 , G06F40/289 , G06Q50/00 , G06N20/00
Abstract: 基于关联规则的社交网络用户信息填充方法，涉及网络技术领域。本发明是为了解决社交网络用户信息填充的准确性差的问题。本发明基于SCRAPY爬虫框架获取用户的在网络社交平台上的个人信息和每个用户在网络社交平台上发布的信息；利用ICTCLAS系统对每个有效用户在社交网络平台发布的信息进行分词，并提取每个有效用户的关键词；利用FP‑Growth算法对有效用户的关键词进行关联，利用强关联规则集合将信息缺失的用户与无信息缺失的用户进行不同关键词关联，利用与其关联的无信息缺失用户的信息对信息缺失用户缺失的信息进行填充，或者使用补充算法KNNI对信息缺失用户缺失的信息进行填充。本发明适用于网络平台用户信息填充使用。
-
公开(公告)号：CN111210023A
公开(公告)日：2020-05-29
申请号：CN202010031991.5
申请日：2020-01-13
Applicant: 哈尔滨工业大学
IPC: G06N20/00
Abstract: 一种数据集分类学习算法自动选择系统及方法，属于机器学习技术领域。本发明针对现有数据处理中涉及到的学习算法的选择方式不具有通用性，若逐个进行尝试则计算量过大的问题。系统包括训练特征选择模块：选择各分类问题数据集，对每个分类问题数据集进行处理，获得相应的分类元知识；抉择器模块：从分类元知识中选择有效特征作为元特征，形成抉择器训练集，对元知识训练抉择器进行训练；算法选择模块：对待处理数据集进行处理，获得待处理元特征；再采用元知识训练抉择器进行分析，获得待处理数据集的最优学习算法；知识库模块，获得包括不同分类问题数据集与其对应学习算法一一对应关系的算法选择训练集。本发明可为数据集预测最优的学习算法。
-
公开(公告)号：CN111210023B
公开(公告)日：2023-04-11
申请号：CN202010031991.5
申请日：2020-01-13
Applicant: 哈尔滨工业大学
IPC: G06N20/00
Abstract: 一种数据集分类学习算法自动选择系统及方法，属于机器学习技术领域。本发明针对现有数据处理中涉及到的学习算法的选择方式不具有通用性，若逐个进行尝试则计算量过大的问题。系统包括训练特征选择模块：选择各分类问题数据集，对每个分类问题数据集进行处理，获得相应的分类元知识；抉择器模块：从分类元知识中选择有效特征作为元特征，形成抉择器训练集，对元知识训练抉择器进行训练；算法选择模块：对待处理数据集进行处理，获得待处理元特征；再采用元知识训练抉择器进行分析，获得待处理数据集的最优学习算法；知识库模块，获得包括不同分类问题数据集与其对应学习算法一一对应关系的算法选择训练集。本发明可为数据集预测最优的学习算法。
-
公开(公告)号：CN115374911A
公开(公告)日：2022-11-22
申请号：CN202211029629.X
申请日：2022-08-25
Applicant: 哈尔滨工业大学
Abstract: 一种多指标神经网络架构自动搜索方法及系统，具体涉及一种多指标的最佳神经网络架构的自动搜索方法及系统，本发明为了解决卷积神经网络的NAS技术为单指标NAS技术，无法满足多指标的神经网络架构自动搜索的问题，方法为：先根据组件堆叠方法获取神经网络的搜索空间；将HPO超参数优化方法作为控制器，所述控制器为多指标的超参数优化控制器，在所述搜索空间内利用所述控制器和权重共享结合早停技术搜索得到最优神经网络架构。系统执行所述方法中的任一步骤。属于深度学习技术领域。
-
Patent Agency Ranking
公开(公告)号：CN113379068B
公开(公告)日：2023-08-08
申请号：CN202110730220.X
申请日：2021-06-29
Applicant: 哈尔滨工业大学
IPC: G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/092
Abstract: 基于结构化数据的深度学习架构搜索方法，属于人工智能技术领域，本发明为解决现有结构化数据的架构搜索方法的搜索空间不足、前置信息易丢失的问题。它包括：采用递归神经网络生成编码，根据编码确定唯一的深度神经网络模型；在结构化数据集上训练深度神经网络模型；根据训练结果，更新递归神经网络；采用深度神经网络模型对搜索空间进行搜索，采用蒙特卡洛策略梯度更新搜索策略，获得最优架构。本发明用于深度学习的架构搜索。
-
公开(公告)号：CN111553482B
公开(公告)日：2023-08-08
申请号：CN202010276428.4
申请日：2020-04-09
Applicant: 哈尔滨工业大学
Abstract: 机器学习模型超参数的调优方法，本发明涉及超参数的调优方法。本发明的目的是为了解决现有超参数优化调优方法准确率低、效率慢，费用高的问题。过程为：一、构建已知经验信息；从ΛPN中随机选取N/2个超参数配置进行评估，并将评估信息存入ExpInfo中；二、将已知经验信息转化为分类数据集；三、从所有超参数中挑选出关键超参数；四、利用KeyPars推测出Num组最优超参数配置；五、评估ExpNew中的超参数配置并更新已知经验信息；六、重复执行二至五t次，最后输出已知经验信息中最佳的超参数配置推荐给用户。本发明用于超参数的调优领域。
-
公开(公告)号：CN114066014A
公开(公告)日：2022-02-18
申请号：CN202111234014.6
申请日：2021-10-22
Applicant: 哈尔滨工业大学
Abstract: 基于异步并行多臂老虎机的机器学习的时间序列预测方法，涉及时间序列预测领域，本发明的目的是为了解决现有的对预测未来多时间步的数据预测精度低、预测时间长的问题。本申请采用一种高度并行和异步的算法，多臂老虎机从第二次选取模型开始与超参数调优的过程是并行进行的，另外，在对某个模型进行训练时，该模型当中的多个超参数的调优处理过程是异步进行的。它用于预测未来数据。
-
公开(公告)号：CN113379068A
公开(公告)日：2021-09-10
申请号：CN202110730220.X
申请日：2021-06-29
Applicant: 哈尔滨工业大学
Abstract: 基于结构化数据的深度学习架构搜索方法，属于人工智能技术领域，本发明为解决现有结构化数据的架构搜索方法的搜索空间不足、前置信息易丢失的问题。它包括：采用递归神经网络生成编码，根据编码确定唯一的深度神经网络模型；在结构化数据集上训练深度神经网络模型；根据训练结果，更新递归神经网络；采用深度神经网络模型对搜索空间进行搜索，采用蒙特卡洛策略梯度更新搜索策略，获得最优架构。本发明用于深度学习的架构搜索。
-
公开(公告)号：CN111400571A
公开(公告)日：2020-07-10
申请号：CN202010075197.0
申请日：2020-01-22
Applicant: 哈尔滨工业大学
IPC: G06F16/951 , G06F16/9536 , G06F16/35 , G06F40/289 , G06Q50/00 , G06N20/00
Abstract: 基于关联规则的社交网络用户信息填充方法，涉及网络技术领域。本发明是为了解决社交网络用户信息填充的准确性差的问题。本发明基于SCRAPY爬虫框架获取用户的在网络社交平台上的个人信息和每个用户在网络社交平台上发布的信息；利用ICTCLAS系统对每个有效用户在社交网络平台发布的信息进行分词，并提取每个有效用户的关键词；利用FP-Growth算法对有效用户的关键词进行关联，利用强关联规则集合将信息缺失的用户与无信息缺失的用户进行不同关键词关联，利用与其关联的无信息缺失用户的信息对信息缺失用户缺失的信息进行填充，或者使用补充算法KNNI对信息缺失用户缺失的信息进行填充。本发明适用于网络平台用户信息填充使用。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.131 seconds)
