-
公开(公告)号：CN113593633B
公开(公告)日：2023-07-25
申请号：CN202110878705.3
申请日：2021-08-02
Applicant: 中国石油大学(华东)
IPC: G16B15/30 , G16B30/00 , G16B40/00 , G16H70/40 , G06N3/0464
Abstract: 本发明提出了一种基于卷积神经网络的药物‑蛋白相互作用预测模型，该预测模型的构建方法如下：步骤1、为靶点蛋白质的结合位点构建包围盒描述符，利用三层3D卷积神经网络提取多通道的结合位点空间结构特征；步骤2、基于靶点蛋白质的氨基酸序列，利用三层1D卷积神经网络提取蛋白质的氨基酸构成特征；步骤3、为待筛选的药物分子构建分子图，利用三层图卷积神经网络提取药物分子特征；步骤4、将得到的所有特征进行组合得到整体特征后，输入至两层全连接网络预测药物‑蛋白的相互作用，借此，本发明具有不仅考虑了与对接过程密切相关的结合位点的局部特征，还考虑了蛋白质的全局特征，并将这些特征预测化合物‑蛋白质相互作用的优点。
-
公开(公告)号：CN115880587A
公开(公告)日：2023-03-31
申请号：CN202211619104.1
申请日：2022-12-14
Applicant: 中国石油大学(华东)
IPC: G06V20/13 , G06V10/764 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/084 , G06N3/0464
Abstract: 本发明设计了一种基于深度学习的跨模态热带气旋遥感图像的强度估计方法与系统。本发明涉及海洋大气遥感图像处理技术领域。所述方法与系统包括以下步骤：步骤一：数据预处理与构建数据集：数据源于HURSAT公开数据集。通过经纬度和时间的匹配，将HURSAT‑B1数据和HURSAT‑MW数据进行匹配。步骤二：跨模态遥感数据信息融合模块：利用红外和微波的不同穿透能力，使得跨模态热带气旋遥感图像数据之间的信息进行互补，使得模型对热带气旋的预估精度进一步提高。步骤三：基于卷积神经网络的热带气旋遥感图像强度回归模块：卷积神经网络由卷积层、池化层和全连接层组成。卷积层负责提取图像中的局部特征，池化层用来大幅降低参数量级，全连接层类似传统神经网络的部分，用来输出最终结果。步骤四：结合步骤二和步骤三的两个模块，共同组成基于深度学习的跨模态热带气旋遥感图像的强度估计系统的算法部分。并利用软件工程的相关知识，将训练好的模型和系统部署于云端，构成最终的系统。
-
公开(公告)号：CN113554212A
公开(公告)日：2021-10-26
申请号：CN202110646983.6
申请日：2021-06-10
Applicant: 中国石油大学(华东)
Abstract: 本发明提供了基于生成对抗网络的台风图像智能检测系统、计算机设备、存储介质，包括：创建包括生成器网络和判别器网络的生成对抗网络模型；固定生成器网络、训练判别器网络，固定判别器网络、训练生成器网络；使用训练好的生成对抗网络模型，对台风图像进行智能检测；存储训练日志、网络参数等所有数据到指定目录下。本发明将生成对抗网络集成到自动检测系统、计算机设备、存储介质上，针对台风图像能够取得很好的检测效果。
-
公开(公告)号：CN112950761A
公开(公告)日：2021-06-11
申请号：CN202110224201.X
申请日：2021-03-01
Applicant: 中国石油大学(华东)
IPC: G06T17/00
Abstract: 本发明涉及一种基于Delaunay三角网的全球海洋三角单元网格生成方法与系统。本发明涉及海洋信息处理技术领域。所述方法与系统包括以下步骤：步骤一：全球海洋深度数据预处理：将数据中每一经纬度对应的海洋深度数据提取并画出等深线图。依据全球海洋深度数据提取出不同深度等深线坐标集合，将不同深度等深线坐标集合进行分类，归类出陆地海岸线、浅海区、较深海区、深海区等深线坐标集合。步骤二：产生随机点：在不同等深线范围内，即在不同深度的海域内，依据海洋深度越深，产生随机点的密度越小的原则，在不同深度的海域内产生不同密度的随机点。等深线上的点依据固定间隔取点的方式获取点坐标集。步骤三：产生三角网格：利用delaunay三角化算法将步骤二中海域内生成的随机点和等深线上间隔取点获取的点进行delaunay三角剖分形成三角网格。步骤四：调整三角网格：去掉所有在陆地上的三角网格，并对网格中存在一个内角小于30度的三角形进行调整，使其趋向于正三角形。
-
公开(公告)号：CN112562790A
公开(公告)日：2021-03-26
申请号：CN202011431510.6
申请日：2020-12-09
Applicant: 中国石油大学(华东)
Abstract: 本发明公开了一种基于深度学习方法调控疾病靶点的药物分子推荐系统，属于药物重定位、卷积神经网络、残差网络技术领域。该系统包括深度残差网络模型，所述的深度残差网络模型包括嵌入网络、卷积残差神经网络和全连接层残差网络。所述的嵌入网络将药物分子SMILES序列或蛋白质氨基酸序列转化为二进制矩阵。所述的卷积残差神经网络包括三个卷积层、一个加法层和一个最大池化层，是一个“学习”药物分子SMILES序列或蛋白质氨基酸序列特征表示的网络，网络的输入是表示药物分子或蛋白质的二进制矩阵，输出是药物分子或蛋白质的特征表示向量。所述的全连接层残差网络包括三个全连接层、两个dropout层和一个加法层，输入是药物分子和蛋白质特征表示的拼接向量以及二者的实际结合亲和力值，输出是该药物分子与蛋白质的结合亲和力预测值。
-
Patent Agency Ranking
公开(公告)号：CN112562781A
公开(公告)日：2021-03-26
申请号：CN202011424403.0
申请日：2020-12-08
Applicant: 中国石油大学(华东)
Abstract: 本发明公开了基于深度学习的预测化合物蛋白质亲和力新型编码方式。所述的新型编码方式的深度模型包括双向门控循环单元(BiGRU)模型和卷积神经网络(CNN)模型，整个网络架构为BiGRU/BiGRU‑CNN，其中BiGRU/BiGRU模型中加入了联合注意力机制(Joint_Attention)。模型的输入为化合物序列与蛋白质序列，二者输入到BiGRU/BiGRU模型里。其中化合物序列表示为加入化合物分子理化性质的SMILES字符串称为SMILES#；蛋白质序列表示由蛋白质的结构属性编码而成。BiGRU/BiGRU输出为表示化合物的特征向量和表示蛋白质的特征向量。所述CNN模型由卷积层、池化层、全连接层组成，该模型的输入为化合物的特征向量、蛋白质的特征向量；该BiGRU/BiGRU‑CNN模型的最终输出为预测化合物蛋白质亲和力值的根均方误差值。
-
公开(公告)号：CN110503231A
公开(公告)日：2019-11-26
申请号：CN201910456525.9
申请日：2019-05-29
Applicant: 中国石油大学(华东)
Abstract: 本发明提供了一种基于ConvLstm神经网络结构的海面高度智能预测方法。本发明将海面高度看成二维时空序列数据，利用ConvLSTM可以预测时空序列信息的特点预测海面高度。本发明设计了具有多条并行子网络的ConvLSTM模型，其可以利用到不同尺度的海面高度信息。本发明在Linux系统的台式机上进行了实验，结果显示我们所设计的ConvLSTM模型在预测海面高度上具有准确率高，速度快的特点。
-
公开(公告)号：CN109215021A
公开(公告)日：2019-01-15
申请号：CN201811036666.7
申请日：2018-09-06
Applicant: 中国石油大学(华东)
IPC: G06T7/00
Abstract: 本发明涉及一种基于深度学习的胆石病CT医疗图像快速识别方法，设计图像处理、医疗大数据、深度学习领域。包括：1)采集胆石病CT医疗图像，构建训练集；2)对训练集中的图像进行处理，生成所需要的训练样本；3)利用训练样本进行基于深度学习的胆石病CT医疗图像识别训练，生成训练好的胆石病CT医疗图像快速识别模型；4)采集新的胆石病CT医疗图像，构建验证集；5)使用验证集中图像对模型进行验证。本发明避免了目前深度学习中医疗图像数据集冗余的问题，并实现胆石病CT医疗图像的快速识别，识别速度快。
-
公开(公告)号：CN108921297A
公开(公告)日：2018-11-30
申请号：CN201810587746.5
申请日：2018-06-08
Applicant: 中国石油大学(华东)
IPC: G06N99/00
Abstract: 本发明提供了基于酶数值膜系统的快速并行求最值模型。本发明基于酶数值膜系统分布式、并行性的特点，通过建立数据与细胞膜之间的对应关系，逐步删除不符合条件的细胞膜，最终留下的细胞膜中包含的变量值即为要求的最值。本发明提供的技术方案基于酶数值膜系统的快速并行求最值模型,可以利用酶数值膜系统的并行性特点，快速的求得最值。将该模型应用于各种机器学习算法中，有利于提高各类机器学习算法的效率。
-
公开(公告)号：CN107480473A
公开(公告)日：2017-12-15
申请号：CN201710610516.1
申请日：2017-07-18
Applicant: 中国石油大学(华东)
IPC: G06F19/22
Abstract: 本发明提出了一种基于密码子模板的真核生物功能基因序列搜索方法，通过蛋白质反推出mRNA，然后利用mRNA在生物全基因组序列中搜索出负责调控蛋白质合成的基因序列。本发明的方法实现了在外显子中插入内含子，从而实现了真正意义上的蛋白质调控基因的恢复，可以有效的在全基因组序列中定位出蛋白质调控序列的位置和长度，为下一步通过基因实现对该蛋白质的调控提供了理论基础。
-
-
-
-
-
-
-
-
-
Search Results
113
records
(took 0.034 seconds)
