-
公开(公告)号：CN119089335B
公开(公告)日：2025-02-18
申请号：CN202411579104.2
申请日：2024-11-07
Applicant: 华侨大学
IPC: G06F18/2431 , G06F18/214 , G06F18/22 , G06V10/764 , G06V10/74 , G06V10/774
Abstract: 基于加权流形消歧和动态局部标记相关性的偏多标记分类方法、装置、设备及介质，涉及偏多标记学习技术领域。偏多标记分类方法，能够高效准确的处理复杂数据集。首先，将候选标记转化为逻辑标记矩阵，构建特征空间与标记分布的关系，并据此设计损失函数。其次，通过计算语义相似度，利用k‑近邻方法确定训练实例的近邻，形成相似图权重矩阵。接着，计算初始局部标记相关性矩阵，并动态更新，结合相似图权重矩阵，引导标记分布学习。然后，构建目标函数，迭代优化模型参数，直至收敛，实现标记消歧。最后，训练好的模型可用于预测待测实例所属的所有类别，具有高准确性和鲁棒性，有效应对噪声标记的挑战，为偏多标记分类问题提供了高性能的解决方案。
-
Patent Agency Ranking
公开(公告)号：CN118968194A
公开(公告)日：2024-11-15
申请号：CN202411433024.6
申请日：2024-10-15
Applicant: 华侨大学
IPC: G06V10/764 , G06V10/774 , G06V10/74 , G06V10/771 , G06F17/16
Abstract: 本发明提供的一种基于特征与标记协同的偏多标记特征选择方法及装置，涉及数据处理技术领域。本发明通过获取待处理的偏多标记数据集，并将候选标记转为逻辑标记矩阵；采用线性模型构建特征空间与标记分布之间的关系，通过#imgabs0#范数损失优化标记分布与逻辑标记矩阵之间的误差；然后计算特征相似度与语义相似度，得到特征标记协同合作正则项，引导标记分布学习；接着构建目标函数，并基于稀疏编码与范数正则化进行稀疏约束，更新优化得到最优权重矩阵和更新后的标记分布矩阵，进而得到特征子集。另，采用多输出回归模型作为多标记分类器，训练后可用于多标记数据分类。本发明消除了有噪声的候选标记，为高维数据的偏多标记环境提供了高性能的分类方法。
-
公开(公告)号：CN119294124A
公开(公告)日：2025-01-10
申请号：CN202411499548.5
申请日：2024-10-25
Applicant: 华侨大学
IPC: G06F30/20
Abstract: 本发明公开了一种基于ProB的铁路联锁系统形式化开发及仿真方法、装置及可读介质，包括：对联锁系统进行分析，得到联锁系统的结构；对联锁系统的结构进行精化分层，得到联锁系统的分层模型；采用Event‑B对联锁系统的分层模型进行形式化建模，得到联锁系统的Event‑B模型；对联锁系统的Event‑B模型进行实例化，得到实例化后的Event‑B模型，采用ProB工具对实例化后的Event‑B模型进行动态仿真，得到联锁系统的开发结果。本发明能够高效的创建和验证模型的准确性和安全性，确保联锁系统的可靠性和安全性。
-
公开(公告)号：CN119089335A
公开(公告)日：2024-12-06
申请号：CN202411579104.2
申请日：2024-11-07
Applicant: 华侨大学
IPC: G06F18/2431 , G06F18/214 , G06F18/22 , G06V10/764 , G06V10/74 , G06V10/774
Abstract: 基于加权流形消歧和动态局部标记相关性的偏多标记分类方法、装置、设备及介质，涉及偏多标记学习技术领域。偏多标记分类方法，能够高效准确的处理复杂数据集。首先，将候选标记转化为逻辑标记矩阵，构建特征空间与标记分布的关系，并据此设计损失函数。其次，通过计算语义相似度，利用k‑近邻方法确定训练实例的近邻，形成相似图权重矩阵。接着，计算初始局部标记相关性矩阵，并动态更新，结合相似图权重矩阵，引导标记分布学习。然后，构建目标函数，迭代优化模型参数，直至收敛，实现标记消歧。最后，训练好的模型可用于预测待测实例所属的所有类别，具有高准确性和鲁棒性，有效应对噪声标记的挑战，为偏多标记分类问题提供了高性能的解决方案。
-
公开(公告)号：CN118656797B
公开(公告)日：2024-12-06
申请号：CN202411146635.2
申请日：2024-08-21
Applicant: 华侨大学
Abstract: 本发明提供了用于动态流标签的偏标签特征选择方法、装置、设备及介质，包括：根据样本的概率分布动态调整候选标签为真标签的置信度，以实现标记的动态消歧；分析新到达标签与已消歧标签之间的动态关系，评估其对特征质量的影响，定义特征增强项，量化上述影响，减轻噪声标签对特征评估的误差；在此基础上，设计了基于最大条件相关和最小条件冗余的特征评估准则，该准则同时权衡了特征相对于当前标签和消歧后标签的重要性；构建一种特征融合策略，将动态流标签对应的特征集合进行融合，以获得最终的一组高质量特征。旨在处理标签动态到达的情况，消除标签噪声，并通过最大条件相关和最小条件冗余策略评估特征质量，从而提高学习模型的分类性能。
-
公开(公告)号：CN118656797A
公开(公告)日：2024-09-17
申请号：CN202411146635.2
申请日：2024-08-21
Applicant: 华侨大学
Abstract: 本发明提供了用于动态流标签的偏标签特征选择方法、装置、设备及介质，包括：根据样本的概率分布动态调整候选标签为真标签的置信度，以实现标记的动态消歧；分析新到达标签与已消歧标签之间的动态关系，评估其对特征质量的影响，定义特征增强项，量化上述影响，减轻噪声标签对特征评估的误差；在此基础上，设计了基于最大条件相关和最小条件冗余的特征评估准则，该准则同时权衡了特征相对于当前标签和消歧后标签的重要性；构建一种特征融合策略，将动态流标签对应的特征集合进行融合，以获得最终的一组高质量特征。旨在处理标签动态到达的情况，消除标签噪声，并通过最大条件相关和最小条件冗余策略评估特征质量，从而提高学习模型的分类性能。
-
-
-
-
-
Search Results
6
records
(took 0.024 seconds)
