-
公开(公告)号：CN111625775A
公开(公告)日：2020-09-04
申请号：CN202010468422.7
申请日：2020-05-28
Applicant: 河南大学
Abstract: 本发明公开了一种基于Hellinger距离和信度熵的加权冲突证据融合方法，包括如下步骤：首先，获取多个传感器测量信息，转换为证据信息，然后，利用基本概率赋值转换公式将融合证据中的焦元变为单子集焦元，并引入Hellinger距离获得融合证据的支持度；另外，通过改进信度熵表征证据的不确定性程度，综合考虑Hellinger距离和改进信度熵确定融合证据的信任度并获得权重因子，然后利用加权平均思想修正融合证据，最后采用Dempster组合规则对修正后的证据进行逐个融合，输出最终目标识别的决策结果。本发明方案与传统算法相比，通过基本概率赋值转换函数和Hellinger距离能够有效地衡量存在非单子集命题证据之间的冲突程度，同时通过改进的信度熵表征证据的不确定程度，综合考虑支持度和信息量共同确定融合证据的权重系数，具有重要的理论意义和应用价值。
-
公开(公告)号：CN111340118A
公开(公告)日：2020-06-26
申请号：CN202010124973.1
申请日：2020-02-27
Applicant: 河南大学
Abstract: 本发明公开了一种基于信度熵和BJS散度的冲突证据融合方法，包括如下步骤：首先，获取杂草种类目标识别信息转换为证据信息，然后，通过融合证据的信度熵度量证据的不确定度，利用融合证据的BJS散度和支持度之间的关系构造证据的相对支持度，综合考虑融合证据的不确定度、相对支持度以及静态可信度对融合证据进行加权平均处理，得到加权平均证据，最后，采用Dempster组合规则对加权平均证据进行逐个融合，输出最终决策结果。本发明方案与传统算法相比，利用融合证据的信度熵有效度量不确定信息，通过证据的BJS散度有效度量证据BPA之间的相似度，利用信度熵和BJS散度共同确定融合证据的权重系数，实现智慧农业中杂草识别的快速、准确决策处理。
-
公开(公告)号：CN110390372A
公开(公告)日：2019-10-29
申请号：CN201910677950.0
申请日：2019-07-25
Applicant: 河南大学
Abstract: 本发明提供一种基于动态随机二维码与全息投影技术电路巡视方法及系统，该电路巡视方法包括：巡检人员到达关键节点，通过手持终端上传GPS地址至服务器，扫描动态随机二维码上传至认证服务器和随机拍摄关键节点的图像上传至服务器，所有关键节点全部通过则说明整个电路巡视过程可信；手持终端还可以利用全息投影技术全方位展示设备部件的细节，与现场设备部件进行比较及时有效的发现设备部件的问题并及时维修。本发明解决了传统的签到方式耗时、不便捷的问题，提高了巡检人员的积极性，避免了巡检过程中偷懒、不规范等缺陷，同时利用全息投影技术使后续更换、维修工作变得简便，通过向巡检人员推送高频维修处，使得巡检更具有重点目的性。
-
公开(公告)号：CN109241912A
公开(公告)日：2019-01-18
申请号：CN201811046842.5
申请日：2018-09-08
Applicant: 河南大学
Abstract: 本发明提供一种面向无人自主系统的基于类脑跨媒体智能的目标识别方法。该方法包括：步骤1、获取无人自主系统采集到的目标场景的视音频数据，对所述视音频数据进行预处理，提取所述视音频数据中的语言文字，将所述语言文字采用分布式表示，得到词向量；步骤2、结合对象时空上下文信息，对预处理后的视音频数据和词向量进行显著性计算；步骤3、根据显著性计算结果和对象时空上下文信息，训练多模态融合神经网络，提取视音频数据和词向量的属性语义信息；步骤4、根据对象时空上下文信息、属性语义信息和目标知识图谱的先验知识，采用认知计算和贝叶斯推理，得到目标场景中的目标语义信息。本发明能有效提升无人自主设备的智能化目标识别效果。
-
公开(公告)号：CN113177608B
公开(公告)日：2023-09-05
申请号：CN202110559948.0
申请日：2021-05-21
Applicant: 河南大学
IPC: G06F18/2321 , G06F18/214
Abstract: 本发明公开一种针对不完整数据的近邻模型特征选择方法及装置，该方法包括：步骤1、初始化特征加权向量w＝[w1,w2,...,wm]∈Rm为全1的向量；步骤2、基于给定的特征加权向量w构建不完整数据的填充损失函数；步骤3、采用交替迭代优化算法最小化步骤2中的损失函数；步骤4、基于填充后的数据构建近邻模型特征选择方法的损失函数；步骤5、采用梯度下降法优化步骤4中的损失函数；步骤6、循环执行步骤3至步骤5，直到特征加权向量的长度变化小于阈值或达到最大迭代次数；步骤7、根据最终输出的特征加权向量对特征进行降序排序，从而选择出最优的特征子集。本发明在计算填充损失时考虑了特征的重要性，能够有效地提高针对不完整数据的特征选择的分类精度。
-
Patent Agency Ranking
公开(公告)号：CN115618131B
公开(公告)日：2023-05-23
申请号：CN202211411355.0
申请日：2022-11-11
Applicant: 河南大学
IPC: G06F16/9536 , G06Q30/0601
Abstract: 本发明公开一种融合交互频率与注意力网络的物品推荐方法及系统，该方法包括：将收集的每个用户/物品信息进行向量化，得到对应的嵌入向量；将收集的用户物品评分信息根据设定的阈值进行偏好标记，并根据偏好标记筛选给定目标用户喜欢的物品集合和喜欢给定候选物品的用户集合；统计物品集合中每个物品的交互频率，根据融合物品交互频率的注意力网络预测目标用户对候选物品的偏好分数；统计用户集合中每个用户的交互频率，根据融合用户交互频率的注意力网络预测候选物品被目标用户喜欢的偏好分数；将上述两项偏好分数加权求和，得到目标用户对候选物品的交互预测分数，选取top‑k个候选物品进行推荐。本发明能准确地捕获用户和物品的偏好特征。
-
公开(公告)号：CN114550824B
公开(公告)日：2022-11-22
申请号：CN202210110503.9
申请日：2022-01-29
Applicant: 河南大学
Abstract: 本发明公开一种基于嵌入特征和不平衡分类损失的蛋白质折叠识别方法及系统。该方法首先采用预训练的蛋白质语言模型ProtT5‑XL‑UniRef50生成给定蛋白质链的嵌入矩阵，然后通过计算均值和余弦相似性将嵌入矩阵转化为固定长度的特征向量。特别地，通过使用嵌入特征，本发明避免了耗时的多序列比对操作。此外，考虑到蛋白质折叠数据具有明显的不平衡类分布，本发明采用针对不平衡分类任务的标签分布意识间隔损失训练设计的多层感知机网络，并因此增强了稀疏折叠类别的学习能力。总之，本发明提出的蛋白质折叠识别网络模型能够快速准确地预测给定蛋白质链的折叠类别。
-
公开(公告)号：CN113177608A
公开(公告)日：2021-07-27
申请号：CN202110559948.0
申请日：2021-05-21
Applicant: 河南大学
IPC: G06K9/62
Abstract: 本发明公开一种针对不完整数据的近邻模型特征选择方法及装置，该方法包括：步骤1、初始化特征加权向量w＝[w1,w2,...,wm]∈Rm为全1的向量；步骤2、基于给定的特征加权向量w构建不完整数据的填充损失函数；步骤3、采用交替迭代优化算法最小化步骤2中的损失函数；步骤4、基于填充后的数据构建近邻模型特征选择方法的损失函数；步骤5、采用梯度下降法优化步骤4中的损失函数；步骤6、循环执行步骤3至步骤5，直到特征加权向量的长度变化小于阈值或达到最大迭代次数；步骤7、根据最终输出的特征加权向量对特征进行降序排序，从而选择出最优的特征子集。本发明在计算填充损失时考虑了特征的重要性，能够有效地提高针对不完整数据的特征选择的分类精度。
-
公开(公告)号：CN110209938A
公开(公告)日：2019-09-06
申请号：CN201910468791.3
申请日：2019-05-31
Applicant: 河南大学
IPC: G06F16/9535 , G06F16/9536 , G06K9/62
Abstract: 本发明提供一种基于服务多粒度属性的潜在用户推荐方法，包括以下步骤：步骤S1：根据对服务包含类型标签进行聚类产生的服务共性类型类簇实施用户对服务粗粒度属性评分预测；步骤S2：根据jaccard系数基于服务包含类型计算服务间相似性，根据邻居服务进行用户对服务细粒度属性评分预测；步骤S3：对服务粗、细粒度属性的预测评分进行加权求和，实施用户对服务多粒度属性预测并对预测评分进行排序，选择top-k个评分较高的潜在用户进行推荐。本发明的优点在于：从面向服务的角度进行潜在用户的推荐研究；从服务所属共性类型的类簇和服务所属类型方面同时考虑服务粗粒度属性和细粒度属性，有效解决冷启动问题，提高推荐准确度。
-
公开(公告)号：CN117577169A
公开(公告)日：2024-02-20
申请号：CN202311330313.9
申请日：2023-10-13
Applicant: 河南大学
Abstract: 本发明公开了一种基于嵌入特征和动态卷积网络的蛋白质扭转角预测方法，对于给定的蛋白质氨基酸序列，该方法首先采用预训练的蛋白质语言模型生成富含生物信息的嵌入特征，然后采用融合注意力机制的全维度动态卷积网络直接预测扭转角。特别地，通过使用全维度动态卷积，设计的预测网络能够同时学习空间维度、输入通道维度和输出通道维度的注意力并因此提升了网络的特征提取能力。此外，由于网络输出的是扭转角而非扭转角的正弦值和余弦值，所以避免了耗时地使用反正切函数arctan计算扭转角。总之，本发明提出的扭转角预测方法不仅能够基于氨基酸序列进行精确地扭转角预测而且适用于任何预训练的蛋白质语言模型生成的嵌入特征。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.053 seconds)
