-
公开(公告)号：CN118692564B
公开(公告)日：2024-11-05
申请号：CN202411194410.4
申请日：2024-08-29
Applicant: 中国石油大学(华东)
Abstract: 本发明涉及生物信息学领域，特别是涉及基于层次图和几何向量感知器的蛋白质位点预测方法，RAGVP‑PPIS模型构建了一个综合了残基层次和原子层次的蛋白质图，包括：残基图和原子图，模型采用几何向量感知器，构建了基于GVP的图神经网络来学习残基图和原子图上两个尺度的信息来进行预测。模型的主要流程包括：层次图构建、特征学习、信息聚合。最终，聚合后的节点特征被输入到预测层，以生成位点预测结果。实验结果表明，与其他基于蛋白质结构和蛋白质序列的预测方法相比，该模型在准确度、精确度、召回率、F1分数、马修斯相关系数、接收者操作特征曲线下面积以及精确召回曲线下的面积等评估指标上均达到较好的效果。
-
公开(公告)号：CN118506902B
公开(公告)日：2024-10-25
申请号：CN202410969130.X
申请日：2024-07-19
Applicant: 中国石油大学(华东)
IPC: G16C20/20 , G16C20/50 , G16C20/70 , G06F18/213 , G06F18/22 , G06F18/23213 , G06N3/042 , G06N3/08
Abstract: 本发明属于人工智能技术领域，特别涉及基于度量小样本学习方法的分子性质预测方法。本发明采用了原型网络框架结合图预训练策略、低秩表示、对比学习和优化的Sinkhorn K‑means算法。原型网络框架，旨在解决图数据的特征学习和聚类问题，利用原型网络框架结合图提取了分子的通用特征，包括局部和全局信息，以应对分子复杂性。通过低秩表示，将高维分子数据映射到更紧凑的表示空间，有助于提高预测性能。引入了对比学习来保持数据在降维后的结构特征，以进一步提高预测准确性。借助扩展的Sinkhorn K‑means算法，将带有标签的数据集成到预测模型中，从而实现更精确的分子性质预测。
-
公开(公告)号：CN118692564A
公开(公告)日：2024-09-24
申请号：CN202411194410.4
申请日：2024-08-29
Applicant: 中国石油大学(华东)
Abstract: 本发明涉及生物信息学领域，特别是涉及基于层次图和几何向量感知器的蛋白质位点预测方法，RAGVP‑PPIS模型构建了一个综合了残基层次和原子层次的蛋白质图，包括：残基图和原子图，模型采用几何向量感知器，构建了基于GVP的图神经网络来学习残基图和原子图上两个尺度的信息来进行预测。模型的主要流程包括：层次图构建、特征学习、信息聚合。最终，聚合后的节点特征被输入到预测层，以生成位点预测结果。实验结果表明，与其他基于蛋白质结构和蛋白质序列的预测方法相比，该模型在准确度、精确度、召回率、F1分数、马修斯相关系数、接收者操作特征曲线下面积以及精确召回曲线下的面积等评估指标上均达到较好的效果。
-
公开(公告)号：CN116665762A
公开(公告)日：2023-08-29
申请号：CN202310246011.7
申请日：2023-03-15
Applicant: 中国石油大学(华东)
Abstract: 本发明为基于自注意力机制的蛋白质‑蛋白质相互作用预测算法，从而实现快速预测两个蛋白质是否发生相互作用，以促进靶向药物开发和疾病防治，为药物设计和疾病预防提供新的思路，包括1)通过蛋白质编码，提取蛋白质序列中所包含的理化性质、氨基酸组成等信息，并将长短不一的蛋白质序列转换为定长的特征向量；2)通过基于自注意力的深度神经网络对蛋白质信息进行特征提取，保证蛋白质特征向量的信息被充分学习；3)对提取到的蛋白质特征向量进行融合拼接，得到相互作用特征，对相互作用特征进行归一化处理得到蛋白质‑蛋白质相互作用预测结果；4)对模型进行参数调优，并在多个种内、种间及网络数据集验证模型的可用性。
-
公开(公告)号：CN109800863B
公开(公告)日：2023-05-23
申请号：CN201910042398.8
申请日：2016-08-30
Applicant: 中国石油大学(华东)
IPC: G06N3/0464 , G06N3/043
Abstract: 本发明提出了一种基于模糊理论和神经网络的测井相识别方法，首先，构建模糊区域卷积神经网络，将给出目标假设区域和目标识别放入同一个网络中，共享卷积计算，一个训练过程更新整个网络的权重；接下来，测井数据经过模糊区域卷积神经网络进行卷积和池化操作，卷积层和池化层交互，在卷积层和池化层进行模糊操作，从模糊区域卷积神经网络的第一层开始，逐渐增加模糊化的层数，针对不同的数据集调整模糊化层数，模糊区域卷积神经网络的最后一层得到特征向量，该特征向量通过一个滑动窗口将特征映射到一个低维向量中，然后将特征输入到两个全连接层，一个全连接层用来定位，另一个全连接层用来分类。
-
Patent Agency Ranking
公开(公告)号：CN116029378A
公开(公告)日：2023-04-28
申请号：CN202211632289.X
申请日：2022-12-19
Applicant: 中国石油大学(华东)
Abstract: 本发明提供了一种基于随机森林的海洋数值模式单点偏差订正方法与系统。在一些可选实施例中，所述方法与系统包括以下步骤：步骤一：站点数据匹配：首先，针对不同大气、海洋数值模式的预报结果选择合适的再分析数据，可供选择的数据集包括欧洲气象中心的ERA5再分析数据。选择的数据的时间分辨率和选择站点的经纬度要匹配，同时。选择合适的数据之后，进行异常数据处理。步骤二：训练单点订正模型：订正的数据为站点的一维时间序列数据，并且具有不同的预报时效(如1小时，2小时等等)，针对不同站点、不同的预报要素(海温、海风、海浪高度等)、不同的预报时效需要训练不同的随机森林模型，并且进行参数优化调整，以获得最佳的订正效果。步骤三：调用模型进行单点偏差订正：系统实际运行过程中，当输入该站点该要素该时效的预报数据后，调用相应匹配的随机森林模型进行偏差订正，然后进行保存。
-
公开(公告)号：CN115953365A
公开(公告)日：2023-04-11
申请号：CN202211604962.9
申请日：2022-12-14
Applicant: 中国石油大学(华东)
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G06T7/60
Abstract: 本发明设计了一种基于深度学习的双分支热带气旋强度与尺度估计方法与系统。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：用于双分支热带气旋强度与尺度估计任务，数据源于HURSAT公开数据集，采用红外和微波遥感图像，并采集热带气旋强度和风半径。步骤二：热带气旋强度与尺度估计编码器模块：根据输入的红外和微波通道的热带气旋遥感图像，利用卷积神经网络和注意力机制提取热带气旋强度和尺度上的高层次特征。步骤三：热带气旋强度与尺度估计双分支解码器模块：双分支解码器模块由两个不同的分支构成，一个分支用来估计热带气旋的强度大小，另一个分支用来估计热带气旋风半径。步骤四：结合步骤二和步骤三的两个模块，基于反向传播原理，共同组成基于深度学习的双分支热带气旋强度与尺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：CN114399073A
公开(公告)日：2022-04-26
申请号：CN202111419175.2
申请日：2021-11-26
Applicant: 中国石油大学(华东)
Abstract: 本发明公开了一种基于深度学习的海洋表面温度场预测方法，属于海洋观测技术领域，该方法首先获取含有海洋表面多个特征的数据样本库，对不同特征进行预处理，得到具有时空关联性的海洋表面温度场时空样本库；其次基于所述的海洋表面温度场时空样本库，利用卷积长短期记忆网络建立海洋表面温度预测模型：预测模型的输入为过去多个时刻的多个海洋表面环境特征，包括海表面温度、海表面盐度、海面高度，模型的输出为海洋表面未来时刻的温度场数据；预测模型的最终输出为目标海域t+1，t+2,t+3时刻的预测温度场。本发明利用深度学习的强非线性映射能力和多模态融合能力来开展海洋表面温度场的预测研究，实现了海洋表面温度场及时、准确、轻量化的预测。
-
公开(公告)号：CN112949178A
公开(公告)日：2021-06-11
申请号：CN202110224589.3
申请日：2021-03-01
Applicant: 中国石油大学(华东)
IPC: G06F30/27 , G06Q10/04 , G06F111/06
Abstract: 本发明涉及一种基于深度学习的海面风场风速智能预测预报系统、计算机设备、存储介质。本发明涉及大气海洋数值预报和深度学习领域。包括混合递归神经网络预测模型，所述模型建立包括以下流程：采集并预处理海面风场风速数据，重构数据时空连续性，搭建混合神经网络模型，以及评估模型性能和对预测结果进行可视化。首先，下载并对海面风场风速数据集进行预处理；其次对海面风速数据进行维度重构，以坐标格点为单位，提取出连续的海面风场时间序列；再次搭建混合递归神经网络模型，主要包括一维卷积层、Dropout层和GRU层；最后对模型进行性能评估确定最优参数，再将预测结果转换回以日期为单位，经纬度网格点为坐标轴的形式，并对其进行可视化。
-
公开(公告)号：CN112652358A
公开(公告)日：2021-04-13
申请号：CN202011595896.4
申请日：2020-12-29
Applicant: 中国石油大学(华东)
Abstract: 本发明公开了一种基于三通道深度学习调控疾病靶点的药物推荐系统，属于药物重定位、三通道深度学习模型预测技术领域。该系统包括三通道深度神经网络模型，所述的三通道深度神经网络模型包括特征提取网络、三通道特征优化网络和全连接网络组成的序列处理模型。所述的三通道分别是正样本药物分子SMILES序列、负样本药物分子SMILES序列和靶点氨基酸序列，将其输入特征提取网络进行充分的特征提取后，然后输入三通道特征优化网络通过最大化负样本药物分子与靶点距离、最小化正样本药物分子与靶点距离优化所学特征表示后，将优化后的三个特征向量拼接一起形成拼接向量，将拼接向量和药物‑靶点结合亲和力值输入到全连接网络中进行回归分析，最终输出药物‑靶点结合亲和力的预测值。
-
-
-
-
-
-
-
-
-
Search Results
113
records
(took 0.032 seconds)
