-
公开(公告)号：CN117352049B
公开(公告)日：2024-09-13
申请号：CN202311439766.5
申请日：2023-10-31
Applicant: 河南大学
IPC: G16B20/00 , G16B40/20 , G06F18/214
Abstract: 本发明公开一种基于自监督学习和Kronecker积分解的参数高效蛋白质语言模型设计方法。基于transfomer模型，采用自监督学习技术从大规模蛋白质序列数据中学到有用的生物信息。为了降低蛋白质语言模型对显存的需求以方便部署，本发明首先把全连接层的权重矩阵表示成多个小矩阵的Kronecker积的和，然后设计了一种基于Eckhart‑Young定理的奇异值分解方法对小矩阵参数集进行初始化。本发明提出的设计方法可以在维持蛋白质语言模型建模能力的同时显著减少参数的数量。此外，基于本发明获得的预训练蛋白质语言模型可以为蛋白质结构预测、蛋白质折叠识别和蛋白质功能预测等任务提供富含生物信息的嵌入特征。
-
公开(公告)号：CN118172661A
公开(公告)日：2024-06-11
申请号：CN202410174283.5
申请日：2024-02-07
Applicant: 河南大学
Abstract: 本发明属于小麦育种技术领域，具体涉及利用图像识别抗逆种质的方法。步骤1：图像数据获取：对正常条件和逆境条件下的作物植株表型图像进行采集，采集的植株表型图像为每个植株侧视角度的照片；步骤2：图像数据预处理；步骤3：作物产量预测模型的训练：将所有收集的作物图像数据划分为训练集、验证集和测试集，然后进行预测模型的训练，预测模型采用深度学习模型；步骤4：作物产量预测及抗逆种质预测。本发明能够在早期生长阶段快速而准确地评估不同作物品种的抗逆性和产量，减少主观性和人工干预，提高评估和预测的一致性和可靠性，为作物育种者和生产者提供有力的理论依据，以筛选具有高抗逆性和高产潜力的作物种质资源。
-
公开(公告)号：CN110727842B
公开(公告)日：2022-10-04
申请号：CN201910796047.6
申请日：2019-08-27
Applicant: 河南大学
IPC: G06F16/951 , G06F16/9532 , G06F16/35 , G06F40/279
Abstract: 本发明公开一种基于辅助性知识的Web服务开发者按需推荐方法，包括：收集Web服务描述信息及Web服务辅助性知识并进行预处理；基于Word2vec对Web服务描述进行向量化并进行K‑means聚类；将用户需求解析成需求服务描述及需求服务辅助性知识，对需求服务描述进行向量化，通过需求服务描述向量与各类簇聚类中心的距离确定用户需求所属Web服务类簇；分别计算用户需求与所属类簇内每个Web服务间的标签相似度和描述相似度，并将两种相似度加权求和之后排序，选取top‑p个Web服务；构建Web服务开发者能力度量模型，对top‑p个Web服务的开发者进行度量，选取top‑q个Web服务开发者进行推荐；本发明还公开一种基于辅助性知识的Web服务开发者按需推荐系统。本发明可有效度量Web服务开发者能力。
-
公开(公告)号：CN113611354A
公开(公告)日：2021-11-05
申请号：CN202110759327.7
申请日：2021-07-05
Applicant: 河南大学
Abstract: 本发明公开一种基于轻量级深度卷积网络的蛋白质扭转角预测方法，包括：基于PISCES服务器构建蛋白质扭转角数据集；从RCSB PDB数据库中抽取各蛋白质序列中每个氨基酸残基对应的扭转角Phi和Psi，并加入数据集中；将uniref90数据库与各蛋白质序列进行多序列比对，生成对应蛋白质序列的PSSM谱矩阵，基于PSSM谱矩阵及氨基酸的物理化学特性，构造蛋白质序列特征；设计残差模块，并基于该模块构建预测蛋白质扭转角的深度卷积网络模型；构建训练网络模型的损失函数；基于构建的损失函数训练网络模型；基于训练后的网络模型进行蛋白质扭转角的预测。本发明不仅能精确地预测蛋白质扭转角，还具有模型小，预测速度快的优点。
-
公开(公告)号：CN112269401B
公开(公告)日：2021-07-20
申请号：CN202010926385.X
申请日：2020-09-04
Applicant: 河南大学
Abstract: 本发明提供了一种基于跟踪精度与风险控制的自适应主动传感器跟踪方法，首先通过量测数据采样获得跟踪目标的参数以及状态信息，利用动态模糊贝叶斯网络（DFBN）的方法对目标的威胁度进行评估，并结合主动传感器信号被跟踪目标截获的概率对威胁风险进行预测；其次，利用目标预测协方差以及量测噪声协方差对主动传感器的跟踪精度进行评估；最后，通过融合跟踪精度以及风险控制构建效能函数对主动传感器资源进行合理地分配；本发明对威胁风险的评估方法进行改进，更加准确、合理地对目标威胁风险进行了预测；其次将跟踪精度与风险控制融合构建了自适应主动传感器跟踪方法，更加适用于复杂多变的现实环境，提高了对目标的跟踪能力。
-
Patent Agency Ranking
公开(公告)号：CN112312511B
公开(公告)日：2021-06-04
申请号：CN202010926383.0
申请日：2020-09-04
Applicant: 河南大学
Abstract: 本发明提供了一种基于树的无线传感器网络能耗均衡的改进LEACH方法，首先确定簇头传感器节点和区域内的工作节点，然后基于树算法构建路由树，实现无线传感器网络的能耗均衡；本发明在进行簇头选择时，考虑了传感器节点到基站的距离和传感器节点当前的剩余能量，使距离基站较近和剩余能量大的传感器节点优先成为簇头；其次，在无线传感器网络中所有传感器节点都加入相应的簇头形成簇之后，对每个簇进行区域划分并选择工作节点，并且优先选择剩余能量大于该簇平均剩余能量的传感器节点作为工作节点，避免远距离传输造成巨大的能量消耗，从而使传感器节点的能量消耗得到均衡，延长无线传感器网络的生命周期。
-
公开(公告)号：CN112884038A
公开(公告)日：2021-06-01
申请号：CN202110181037.9
申请日：2021-02-06
Applicant: 河南大学
IPC: G06K9/62
Abstract: 本发明提供了基于多距离度量学习的多标签特征选择方法，具体包括如下步骤：步骤1：归一化训练数据集；步骤2：初始化特征加权矩阵并设置超参数；步骤3：基于近邻模型计算近似留一法分类误差；步骤4：计算特征图正则化项、标签图正则化项和范数正则化项；步骤5：基于梯度下降技术最小化总目标损失函数，直到满足停止准则；步骤6：根据最终输出的特征加权矩阵行向量的长度对特征进行降序排序，前K个特征即为算法选出的最优特征子集。本发明通过特征图正则化项和标签图正则化项可以保持特征的相关性和标签的相关性，通过范数正则化项可以保证特征加权矩阵的行稀疏性，因此能够很好地进行多标签分类任务的特征选择。
-
公开(公告)号：CN112689315A
公开(公告)日：2021-04-20
申请号：CN202011574192.9
申请日：2020-12-24
Applicant: 河南大学
Abstract: 本发明提供了一种基于移动汇聚节点的WSNs改进分簇能耗优化方法，移动汇聚节点根据具体的运动模型进行移动。该方法包含以下步骤：首先，根据邻域节点阈值确定邻域节点集合，从而构建能量密度函数；其次，根据移动汇聚节点在不同轮的运动参数（速度、距离）构建运动性能函数；然后根据LEACH算法基础框架，将能量密度函数和运动性能函数引入簇头选择；最后根据当前轮节点死亡率构建自适应调节函数，对簇头选择进行自适应调节；重复上述簇头选择过程，直至全部节点死亡。本发明综合考虑了传感器节点邻域半径内剩余能量率和密度、移动汇聚节点运动参数变化、节点死亡率等因素，提高了簇头选择自适应性、延长了网络寿命、降低了数据延迟、均衡了网络负载。
-
公开(公告)号：CN112312511A
公开(公告)日：2021-02-02
申请号：CN202010926383.0
申请日：2020-09-04
Applicant: 河南大学
Abstract: 本发明提供了一种基于树的无线传感器网络能耗均衡的改进LEACH方法，首先确定簇头传感器节点和区域内的工作节点，然后基于树算法构建路由树，实现无线传感器网络的能耗均衡；本发明在进行簇头选择时，考虑了传感器节点到基站的距离和传感器节点当前的剩余能量，使距离基站较近和剩余能量大的传感器节点优先成为簇头；其次，在无线传感器网络中所有传感器节点都加入相应的簇头形成簇之后，对每个簇进行区域划分并选择工作节点，并且优先选择剩余能量大于该簇平均剩余能量的传感器节点作为工作节点，避免远距离传输造成巨大的能量消耗，从而使传感器节点的能量消耗得到均衡，延长无线传感器网络的生命周期。
-
公开(公告)号：CN112269401A
公开(公告)日：2021-01-26
申请号：CN202010926385.X
申请日：2020-09-04
Applicant: 河南大学
Abstract: 本发明提供了一种基于跟踪精度与风险控制的自适应主动传感器跟踪方法，首先通过量测数据采样获得跟踪目标的参数以及状态信息，利用动态模糊贝叶斯网络（DFBN）的方法对目标的威胁度进行评估，并结合主动传感器信号被跟踪目标截获的概率对威胁风险进行预测；其次，利用目标预测协方差以及量测噪声协方差对主动传感器的跟踪精度进行评估；最后，通过融合跟踪精度以及风险控制构建效能函数对主动传感器资源进行合理地分配；本发明对威胁风险的评估方法进行改进，更加准确、合理地对目标威胁风险进行了预测；其次将跟踪精度与风险控制融合构建了自适应主动传感器跟踪方法，更加适用于复杂多变的现实环境，提高了对目标的跟踪能力。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.033 seconds)
