-
公开(公告)号：CN112669907B
公开(公告)日：2025-04-18
申请号：CN202011528447.8
申请日：2020-12-22
Applicant: 江南大学
Abstract: 本发明公开了一种基于分治整合策略的成对蛋白质相互作用网络比对方法，包括：步骤1：读取源网络和目标网络及BLAST相似性文件；步骤2：采用基于结点和路径相结合的方法分别计算两个网络中结点的相似性得分，结合所述相似性得分分别对两个网络进行模块划分；步骤3：获取同源蛋白对，根据同源蛋白对和BLAST相似性分别计算来自不同网络模块间的相似性；根据相似性将来自不同网络的模块进行一对一匹配。本发明的有益效果：使用基于结点和基于路径的相似性计算方法，代替自相似性文件，解决了对自相似性文件的依赖问题。
-
公开(公告)号：CN117615080B
公开(公告)日：2024-06-21
申请号：CN202311450101.4
申请日：2023-11-02
Applicant: 江南大学
IPC: H04N1/60 , G06V10/766 , G06V10/774
Abstract: 本申请提供了一种印刷分色方法及系统，方法包括：通过目标样本数据集和多项式回归算法得到目标转换矩阵；获取目标样本数据集中LAB颜色空间的LAB值，并通过目标转换矩阵预测得到LAB值对应的预测设备值；对预测设备值进行测量，得到LAB颜色空间的#imgabs0#值；通过LAB值和#imgabs1#值，得到目标修正模型；通过目标修正模型对预测设备值进行修正，以得到修正后的最终设备值；通过修正后的最终设备值对图像进行校正，得到目标分色精度的图像。本申请可减少样本中的奇异值对拟合性能的不良影响。此外，还将根据分色结果进行相应的修正，通过两组设备值和色度值之间的关系预测出修正值，以达到更高的分色精度。
-
公开(公告)号：CN116934618B
公开(公告)日：2024-06-11
申请号：CN202310857834.3
申请日：2023-07-13
Applicant: 江南大学
Abstract: 本发明公开了一种基于改进残差网络的图像半色调方法、系统及介质，包括以下步骤：步骤S1：获取图像数据集，划分为训练集和测试集；步骤S2：将所述训练集输入到HalfResNet网络模型进行训练，其中所述HalfResNet网络模型是基于ResNet网络模型进行改进的；步骤S3：训练完成后得到权重参数，将所述权重参数加载至所述HalfResNet网络模型中，针对待处理的图像，运行HalfResNet网络模型可以得到与其对应的伪半色调图像，所述伪半色调图像经过筛选处理输出高质量半色调图像。本发明将深度学习模型与半色调图像相结合，生成的半色调图像能够保持较好的结构细节的同时，极大地提高了处理效率。
-
公开(公告)号：CN112446492B
公开(公告)日：2024-04-05
申请号：CN202011466845.1
申请日：2020-12-14
Applicant: 江南大学
IPC: G06N3/126
Abstract: 本发明公开了一种基于遗传算法的生物网络比对方法，包括以下步骤：步骤1：读取源网络、目标网络数据文件及其序列相似性得分文件；步骤2：计算源网络、目标网络中节点的重要性得分，结合网络的拓扑相似性和序列相似性得分计算节点对相似性得分；步骤3：基于节点对相似性得分初始化种群；步骤4：计算种群中个体的适应度值；步骤5：选择、交叉产生下一代；步骤6：重复步骤4、步骤5直至目标函数收敛或迭代次数达到阈值。本发明计算了节点在网络中的拓扑重要性，结合节点对的序列信息，充分挖掘网络节点的拓扑和生物信息，使比对结果在拓扑特性和生物特性上保持均衡的高指标。
-
公开(公告)号：CN117672380A
公开(公告)日：2024-03-08
申请号：CN202311633939.7
申请日：2023-11-30
Applicant: 江南大学
IPC: G16B40/20 , G16B30/00 , G16B20/00 , G06N3/0499 , G16B50/30
Abstract: 本发明涉及一种蛋白质KEGG Orthology编号预测方法，包括将待预测蛋白质输入预设自然语言处理模型中，获取待预测序列嵌入后，输入训练好的多层感知器，输出预测结果矩阵；利用Sigmoid函数，获取待预测序列嵌入的预测值；若预测值大于预设阈值，则令其对应的待预测序列嵌入作为待预测KO序列嵌入；将KEGG GENES数据库中的参考基因组中所有序列和附录序列均输入预设自然语言处理模型中，基于每个序列获取一个模板序列嵌入，组成模板序列嵌入集合；计算待预测KO序列嵌入与模板序列嵌入集合中每个模板序列嵌入的欧式距离；获取欧式距离最小所对应的模板序列嵌入的KO编号为待预测蛋白质的KO编号。
-
Patent Agency Ranking
公开(公告)号：CN117615080A
公开(公告)日：2024-02-27
申请号：CN202311450101.4
申请日：2023-11-02
Applicant: 江南大学
IPC: H04N1/60 , G06V10/766 , G06V10/774
Abstract: 本申请提供了一种印刷分色方法及系统，方法包括：通过目标样本数据集和多项式回归算法得到目标转换矩阵；获取目标样本数据集中LAB颜色空间的LAB值，并通过目标转换矩阵预测得到LAB值对应的预测设备值；对预测设备值进行测量，得到LAB颜色空间的值；通过LAB值和 值，得到目标修正模型；通过目标修正模型对预测设备值进行修正，以得到修正后的最终设备值；通过修正后的最终设备值对图像进行校正，得到目标分色精度的图像。本申请可减少样本中的奇异值对拟合性能的不良影响。此外，还将根据分色结果进行相应的修正，通过两组设备值和色度值之间的关系预测出修正值，以达到更高的分色精度。
-
公开(公告)号：CN111599406B
公开(公告)日：2023-08-04
申请号：CN202010449468.4
申请日：2020-05-25
Applicant: 江南大学
IPC: G16B20/00
Abstract: 本发明公开了一种结合网络聚类方法的全局多网络比对方法。本发明一种结合网络聚类方法的全局多网络比对方法，包括：步骤1.读取蛋白质相互作用网络数据和不同物种间的序列相似性数据，以及设定参数α和β，构建蛋白质相互作用网络G和序列相似性网络S；步骤2.对序列相似性数据进行预处理，利用参数β将序列相似性得分较小的边删除，得到过滤后的网络Sβ；步骤3.计算所有网络中每一个节点的权重；步骤4.在相应搜索的图中，采用网络聚类算法生成候选簇。本发明的有益效果：本发明采用的方法能够达到不错的比对效果，且能够产生在拓扑和生物功能意义上都不错的比对结果。
-
公开(公告)号：CN114974400A
公开(公告)日：2022-08-30
申请号：CN202210320366.1
申请日：2022-03-29
Applicant: 江南大学
Abstract: 本发明公开了一种生物网络比对方法、装置、设备以及计算机可读存储介质，包括：分别提取源网络和目标网络中所有节点，提取序列相似性文件中源网络节点和目标网络节点之间的序列信息；计算源网络中每个节点与目标网络中所有节点之间的拓扑信息；融合源网络节点与目标网络节点的拓扑信息和序列信息，计算源网络中每个节点与目标网络中所有节点之间的相似性得分；基于节点间的相似性得分指导初始化种群，采用蝙蝠算法进行优化种群，选取目标函数得分最高的个体作为比对结果。本发明通过结合拓扑和序列信息的融合计算节点对相似性得分，提高拓扑得分，保证比对结果与生物一致性，采用相似性得分指导生成初始种群，提高多样性，便于后续优化。
-
公开(公告)号：CN113066524A
公开(公告)日：2021-07-02
申请号：CN202110547632.X
申请日：2021-05-19
Applicant: 江南大学
IPC: G16B5/00 , G06F30/20 , G06F111/06
Abstract: 本发明涉及基于模拟退火的多蛋白质相互作用网络比对方法。本发明包括：包括：获取输入比对网络和序列相似性信息；构建候选簇集合；采用模拟退火算法，在候选簇集合中随机选取一个候选簇进行迭代后加入候选簇集合，并根据加入候选簇前后的状态目标函数得分的差值进行状态更新；目标函数得分差值大于零，则无条件接受新比对结果；若目标函数得分差值小于零，则计算接受当前比对的概率；判断是否达到退火终止条件。本发明通过利用序列相似性信息构建的相似性图中搜索最大加权团，能够提高比对的质量；使用模拟退火算法迭代搜索候选簇，能够避免在生成比对过程中产生局部最优问题，提高了算法的生物功能质量。
-
公开(公告)号：CN112465929A
公开(公告)日：2021-03-09
申请号：CN202011493010.5
申请日：2020-12-17
Applicant: 江南大学
IPC: G06T11/20 , G06F40/211 , G06F40/289 , G06N3/04
Abstract: 一种基于改进图卷积网络的图像生成方法，该方法包括：一，建立输入层，利用预训练好的词向量将句子中的单词映射成一个低维、连续的词向量；二，建立Bi‑LSTM层，通过该层混合语义信息；三，构建目标向量的隐层表示，首先先通过GCN层，在句法上，来混合目标与句子中其他词的信息，再使用注意力机制来计算与目标相关的上下文表示；四，构建MDGCN层，根据依存句法树构建句子的多目标依存图，再根据多目标依存图使用图卷积网络对同一句子的多个目标进行建模；五，建立输出层，用一个全连接层转换维度，再通过softmax函数将其转换为概率表示；六，模型训练，使用交叉熵误差函数和L2权重衰退共同作为损失函数。
-
-
-
-
-
-
-
-
-
Search Results
54
records
(took 0.03 seconds)
