公开(公告)号：CN116879753A

公开(公告)日：2023-10-13

申请号：CN202310740300.2

申请日：2023-06-21

Applicant: 重庆邮电大学

Inventor： 王进 ,  陆志 ,  苏卓萱

IPC: G01R31/367 ,  G01R31/392

Abstract: 本发明属于深度学习领域，具体涉及一种基于大数据的电池寿命预测方法，包括：采用循环电池容量损失与归一化方法对电池进行充电‑放电循环，得到电池容量损失，对电池的实际容量进行估计，得到电池数据；采用循环电池残余寿命分析方法计算电池数据多维度特征之间的相关性特征；将特征输入到Bi‑LSTM模型中，得到电池寿命特征表示；使用XGboost模型对电池寿命特征表示进行加权，并采用基于多维度特征的电池寿命预测模型对多个XGboost预测模型进行融合，得到最优的电池寿命预测结果；本发明采用循环电池残余寿命分析方法考虑电池的多维度特征，更全面地评估电池的寿命。

公开(公告)号：CN116647374A

公开(公告)日：2023-08-25

申请号：CN202310580044.5

申请日：2023-05-23

Applicant: 重庆邮电大学

Inventor： 王进 ,  陆志 ,  汤正宗

IPC: H04L9/40 ,  G06N3/0442 ,  G06N3/084

Abstract: 本发明属于网络信息安全领域，具体涉及一种基于大数据的网络流量入侵检测方法，包括：获取带标签的网络流量数据，平衡获取的网络流量数据；对数据平衡后的网络流量数据进行离散化处理得到特征向量，并进行特征分解，得到离散化特征分解向量；将网络流量数据建立图结构，并融入离散化特征分解向量，对该图进行卷积操作，提取图结构中的关系信息；根据图结构的关系信息和标签信息对Bi‑LSTM模型进行训练；使用训练完成后的模型进行网络流量数据进行分类，判断其是否为正常流量还是网络入侵。本发明通过网络流量密度的少数类过采样克服数据不平衡问题，采用大数据多尺度频带特征提取法来进行特征提取，提高了模型的检测精度和泛化能力。

公开(公告)号：CN115758223A

公开(公告)日：2023-03-07

申请号：CN202211545535.8

申请日：2022-12-05

Applicant: 重庆邮电大学

Inventor： 王进 ,  陆志 ,  廖唯皓 ,  彭云曦 ,  刘彬 ,  杜雨露 ,  朴昌浩

IPC: G06F18/24

Abstract: 本发明属于自然语言处理技术领域，具体涉及一种智能数据噪声筛选方法，包括：获取多标记数据，构建真实标记矩阵和含噪标记矩阵；通过真实标记矩阵和含噪标记矩阵构建噪声筛选模型；训练模型，并控制模型复杂度；对模型进行优化，并求解模型的参数，并更新参数得到最优参数，固定最优参数得到最优的噪声筛选模型；将待筛选数据输入最优的噪声筛选模型，得到真实标记数据。本发明利用含噪标记矩阵构建一个多标记分类器和噪声标记检测器，一方面减少冗余标记噪声对模型准确率的负面影响并生成具有区分性的特征信息，另一方面通过减少标记维度来提高模型的训练和预测效率，训练后的偏多标记学习模型对特征噪声和冗余标记噪声都具有更强的鲁棒性。

公开(公告)号：CN114093445A

公开(公告)日：2022-02-25

申请号：CN202111369388.9

申请日：2021-11-18

Applicant: 重庆邮电大学

Inventor： 王进 ,  陆志 ,  周继聪 ,  孙开伟 ,  杜雨露

IPC: G16H10/60 ,  G16H50/70 ,  G06F40/30 ,  G06K9/62 ,  G06N7/00

Abstract: 本发明属于偏多标记学习、数据挖掘领域，具体涉及一种基于偏多标记学习的患者筛选标记方法；该方法包括：获取患者的病理样本数据，将病理样本数据输入到训练好的基于偏多标记学习的医疗文本语义信息大数据预测模型中，预测患者的患病类型和患病概率，根据患者的患病类型和患病概率对患者进行标记；本发明对分类类别不平衡性问题进行进一步的处理，可以预测到更精准的标记结果，病人可根据此标记结果进行健康管理，医生也可以根据此结果对病人进行下一步诊断，具有良好的社会效益和经济效益。

公开(公告)号：CN116993433A

公开(公告)日：2023-11-03

申请号：CN202310865112.2

申请日：2023-07-14

Applicant: 重庆邮电大学

Inventor： 王进 ,  陆志 ,  毛博

IPC: G06Q30/0601 ,  G06F18/241 ,  G06F18/214

Abstract: 本发明属于深度学习领域，具体涉及一种基于大数据的互联网电商异常用户检测方法，包括：使用邻接矩阵表示节点之间的关系，并基于不同关系类型构建相应的边；通过自适应学习，为每个节点学习嵌入向量，将不同类型的节点嵌入到不同的向量空间中；引入注意力机制，学习自适应的注意力权重，以关注不同用户节点的权重调整和嵌入向量融合，最终得到异常用户向量；构建协同进化超网络，利用异常用户的特征向量作为输入；通过适应度评估函数对每个子网络的解进行评估、调整和优化，同时共享信息和经验，加速全局搜索，实现异常用户的检测；本发明通过使用邻接矩阵表示节点之间的关系，根据不同关系类型构建边，实现全面的节点关联。