-
公开(公告)号：CN112465253A
公开(公告)日：2021-03-09
申请号：CN202011426947.0
申请日：2020-12-09
Applicant: 重庆邮电大学
Abstract: 本发明属于城市交通技术领域，尤其涉及一种城市路网中的链路预测方法及装置；所述方法包括采集城市路网数据集，计算各个城市地点的属性值；利用云模型将各个属性值划分为类簇，得到该属性对城市节点之间是否建立链路连接的二分类结果，并计算出各个属性对于二分类标签的确定度；以二分类结果来计算出相关联的两个属性的频繁二项集，以构建二层泛函网络模型结构；对二层泛函网络模型进行训练，采用最小二乘法让目标损失函数达到最小；将待测的城市路网数据输入到训练后的二层泛函网络模型中，输出该城市路网中两个城市地点之间是否产生道路的二分类标签；本发明克服了复杂网络结构的高度依赖性，优化链路预测效果，从而提高了其预测准确性。
-
公开(公告)号：CN110489567A
公开(公告)日：2019-11-22
申请号：CN201910787798.1
申请日：2019-08-26
Applicant: 重庆邮电大学
IPC: G06F16/36 , G06F16/953 , G06N3/04 , G06N3/08
Abstract: 本发明属于特征学习领域，特别涉及一种基于跨网络特征映射的节点信息获取方法及其装置，所述方法包括对源网络和目标网络的文本数据进行嵌入操作，得到源网络和目标网络的第二文本矩阵；将源网络的第二文本矩阵矩阵输入到源网络的神经网络中进行训练；训练源网络的过程中，源网络的第二文本矩阵通过多头注意力机制层得到注意力加权，获得源网络的第三文本矩；对源网络的第三文本矩阵进行归一化处理，并将结果输入到神经网络的全连接层；将全连接层更新的向量作为softmax层的输入，并最大化softmax函数，完成训练；利用训练好的源网络的神经网络迁移到目标网络的神经网络，获得目标网络中节点的向量表示；本发明不仅可以减少计算文本信息的减少时间复杂度，还可以降低模型过拟合的风险。
-
公开(公告)号：CN109101108B
公开(公告)日：2021-06-18
申请号：CN201810823980.3
申请日：2018-07-25
Applicant: 重庆邮电大学
Abstract: 本发明属于智能驾驶领域，为一种基于三支决策优化智能座舱人机交互界面的方法及系统，方法包括采集座舱内的手势视频，进行预处理，得到手势图像；对手势图像的手势和背景分割，得到手势区域图像；为其进行多粒度表达，利用卷积神经网络提取手势区域图像的多粒度特征；从粗粒度到细粒度计算每一粒度手势区域图像分类到各类别的条件概率，利用三支决策序贯的完成手势识别；将识别后的手势进行语义转换，人机交互界面根据语义转换后的结果进行操作；采用加权求和的方式获得最佳粒度，以该最佳粒度作为最细粒度。本发明不仅能够更精准的识别座舱内手势，执行手势命令，还能够减少座舱人机交互界面的交互时间，为用户提供更舒适的交互体验。
-
公开(公告)号：CN109857871B
公开(公告)日：2021-04-20
申请号：CN201910077708.X
申请日：2019-01-28
Applicant: 重庆邮电大学
IPC: G06F16/36 , G06F16/33 , G06F40/211 , G06Q50/00 , G06N3/04
Abstract: 本发明属于用户关系挖掘领域，尤其涉及一种基于社交网络海量情景数据的用户关系发现方法，包括获取网络中用户产生的情景数据信息以及用户所在网络的边关系类型，提取图像中的文本信息，对文本类型数据集进行预处理；利用实体链接工具获取预处理后的情景数据集中文本的实体向量，作为先验知识加入到对应文本中；构建卷积神经网络提取文本数据集中的有效特征等综合考虑来对节点进行量化；根据节点的向量化结果求出每两个节点的余弦距离并以此来作为用户间的关系强弱值；本发明增加原有数据的语义信息，提高机器对文本的可读性和理解性，减少深度学习对数据标签的依赖性，还能减弱很多分类问题中出现的边缘问题，降低过拟合的风险，优化模型性能。
-
公开(公告)号：CN109857871A
公开(公告)日：2019-06-07
申请号：CN201910077708.X
申请日：2019-01-28
Applicant: 重庆邮电大学
Abstract: 本发明属于用户关系挖掘领域，尤其涉及一种基于社交网络海量情景数据的用户关系发现方法，包括获取网络中用户产生的情景数据信息以及用户所在网络的边关系类型，提取图像中的文本信息，对文本类型数据集进行预处理；利用实体链接工具获取预处理后的情景数据集中文本的实体向量，作为先验知识加入到对应文本中；构建卷积神经网络提取文本数据集中的有效特征等综合考虑来对节点进行量化；根据节点的向量化结果求出每两个节点的余弦距离并以此来作为用户间的关系强弱值；本发明增加原有数据的语义信息，提高机器对文本的可读性和理解性，减少深度学习对数据标签的依赖性，还能减弱很多分类问题中出现的边缘问题，降低过拟合的风险，优化模型性能。
-
Patent Agency Ranking
公开(公告)号：CN115375931A
公开(公告)日：2022-11-22
申请号：CN202211011029.0
申请日：2022-08-23
Applicant: 重庆邮电大学
IPC: G06V10/762 , G06V10/82 , G06V10/40 , G06N3/04 , G06N3/08
Abstract: 本发明属于图像聚类生成领域，具体为一种结合自监督与概念嵌入学习的图像生成方法，包括用自编码器进行图像重构预训练，得到图像数据的第一特征空间，用IForest算法优化第一特征空间；利用BCT对第一特征空间中的特征数据进行处理，提取图像数据中的先验概念参数；利用与自编码器相似的变分自编码器获得数据的后验概念参数，利用高斯云分布作为先验分布进行优化；利用FCT和VAE编码器对后验概念参数处理获得图像数据的第二特征空间；利用先验概念信息计算特征向量的软分布，并进行正则化计算优化数据在特征空间的分布情况；利用VAE解码器将特征向量重构为原始图像。本发明能够在无监督的情况下根据概念信息指定生成的样本类别。
-
公开(公告)号：CN112465253B
公开(公告)日：2022-07-01
申请号：CN202011426947.0
申请日：2020-12-09
Applicant: 重庆邮电大学
Abstract: 本发明属于城市交通技术领域，尤其涉及一种城市路网中的链路预测方法及装置；所述方法包括采集城市路网数据集，计算各个城市地点的属性值；利用云模型将各个属性值划分为类簇，得到该属性对城市节点之间是否建立链路连接的二分类结果，并计算出各个属性对于二分类标签的确定度；以二分类结果来计算出相关联的两个属性的频繁二项集，以构建二层泛函网络模型结构；对二层泛函网络模型进行训练，采用最小二乘法让目标损失函数达到最小；将待测的城市路网数据输入到训练后的二层泛函网络模型中，输出该城市路网中两个城市地点之间是否产生道路的二分类标签；本发明克服了复杂网络结构的高度依赖性，优化链路预测效果，从而提高了其预测准确性。
-
公开(公告)号：CN110033416B
公开(公告)日：2020-11-10
申请号：CN201910274602.9
申请日：2019-04-08
Applicant: 重庆邮电大学
Abstract: 本发明属于图像复原领域，具体为一种结合多粒度的车联网图像复原方法，包括利用多尺度MSR算法对车联网图像进行增强处理，利用区域生长算法对缺失图像进行预处理获取结构信息；根据缺失图像及其结构信息，利用具有编码器‑解码器结构的深度神经网络模型进行复原处理；利用卷积神经网络作为内容鉴别器判断补全结果内容方面的完整性；利用Pixel‑CNN模型作为像素鉴别器判断补全结果清晰度；对生成器与两个鉴别器进行对抗训练优化；当生成器训练至最优时，模型训练结束，将生成结果与原始缺失图像拼接作为最终复原结果。本发明加快了训练的收敛速度，提高了复原效果，能对缺失图像进行复原并对遮挡物进行移除。
-
公开(公告)号：CN111353044B
公开(公告)日：2022-11-11
申请号：CN202010155795.9
申请日：2020-03-09
Applicant: 重庆邮电大学
IPC: G06F16/35 , G06F16/951 , G06F40/242 , G06F40/289 , G06K9/62 , G06Q50/14
Abstract: 本发明涉及自然语言处理情感分析领域，特别涉及一种基于评论的情感分析方法，该方法包括：获取数据；根据采集的数据构建情感词典，并对情感词典进行初始化；将获取的数据进行清洗，即对数据进行实时解析与预处理得到预处理后数据；将预处理的数据输入到初始化后的情感词典中，对数据的情感进行情感倾向性分类，得到情感分类结果；本发明通过利用词典与规则分类方式来提升相关指标，省却了机器学习模型训练时间优点、另外还不易产生过拟合现象、加入了pagerank算法思想与自定义分类规则集成增强了分类结果准确度。
-
公开(公告)号：CN110489567B
公开(公告)日：2022-03-22
申请号：CN201910787798.1
申请日：2019-08-26
Applicant: 重庆邮电大学
IPC: G06F16/36 , G06F16/953 , G06N3/04 , G06N3/08
Abstract: 本发明属于特征学习领域，特别涉及一种基于跨网络特征映射的节点信息获取方法及其装置，所述方法包括对源网络和目标网络的文本数据进行嵌入操作，得到源网络和目标网络的第二文本矩阵；将源网络的第二文本矩阵矩阵输入到源网络的神经网络中进行训练；训练源网络的过程中，源网络的第二文本矩阵通过多头注意力机制层得到注意力加权，获得源网络的第三文本矩；对源网络的第三文本矩阵进行归一化处理，并将结果输入到神经网络的全连接层；将全连接层更新的向量作为softmax层的输入，并最大化softmax函数，完成训练；利用训练好的源网络的神经网络迁移到目标网络的神经网络，获得目标网络中节点的向量表示；本发明不仅可以减少计算文本信息的减少时间复杂度，还可以降低模型过拟合的风险。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.017 seconds)
