-
公开(公告)号：CN106153615B
公开(公告)日：2019-01-15
申请号：CN201610464255.2
申请日：2016-06-21
Applicant: 华南理工大学
IPC: G01N21/78
Abstract: 本发明公开了一种木糖试纸及其制备方法。所述的制备方法包括以下步骤：配制好显色剂及缓冲溶液，并在此基础上配制不同梯度的木糖标准溶液；将基纸浸渍在配制好的显色剂中，浸匀晾干，上下表层涂覆一层氧化钙；将不同浓度梯度的木糖溶液分别滴加在木糖试上反应显色，拍照制备比色卡，通过对比比色卡能够得知所测样品木糖浓度。本发明的制备方法制备工艺简单，易于操作，适于工业化生产；所得产物能够快速有效对木糖样品进行检测，具有良好的应用前景。
-
公开(公告)号：CN108830295A
公开(公告)日：2018-11-16
申请号：CN201810440942.X
申请日：2018-05-10
Applicant: 华南理工大学
CPC classification number: G06K9/6267 , G06N3/0454 , G06N3/08 , G06N3/084
Abstract: 本发明公开了一种基于多时间尺度回声状态网络的多变量时间序列分类方法，步骤如下：对于一个多变量时间序列，采用M个具有不同时间跳跃连接长度的跳跃储备池作为编码器，产生一种多时间尺度回声状态表示；采用M个卷积与池化层和一个全连接层作为解码器，卷积与池化层用于学习多时间尺度回声状态表示中的高维复杂特征，全连接层用于融合学到的不同时间尺度的特征以获取输入时间序列的一个多时间尺度特征；采用一个Softmax层作为分类器，根据输入时间序列的多时间尺度特征产生其分类结果。采用负对数似然函数作为损失函数，使用后向传播算法和梯度优化方法训练本模型。本发明的分类方法在多变量时间序列分类问题上达到了较高的准确率。
-
公开(公告)号：CN108197653A
公开(公告)日：2018-06-22
申请号：CN201810004157.X
申请日：2018-01-03
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于卷积回声状态网络的时间序列分类方法，回声状态网络具有时序核及回声状态性质，前者是指回声状态网络将输入的信号映射到储备池的高维空间中，而后者是指该网络对于短期的历史信息具有记忆的能力。在卷积神经网络中，多尺度卷积层可提取回声状态网络中的多尺度特征并且通过时间方向上的最大池化可维持多尺度的时序不变性。本发明将回声状态网络及卷积神经网络结合在一起，提出卷积回声状态网络模型，该模型将回声状态网络输出的状态表示信息进行多尺度卷积及时间方向上的最大池化等操作，实现回声状态网络及卷积神经网络的优势互补，在保持回声状态网络学习模式的高效性的同时，也发挥了卷积神经网络在特征提取方面的优势。
-
公开(公告)号：CN105271191B
公开(公告)日：2018-06-22
申请号：CN201510673092.4
申请日：2015-10-13
Applicant: 华南理工大学
IPC: C01B32/184 , C01B32/198 , C01B32/19 , C02F1/72
Abstract: 本发明属于功能材料技术领域，公开了一种还原氧化石墨烯及其制备方法与应用。所述的制备方法包括以下制备步骤：在氧化石墨烯溶液中加入维生素C，搅拌混合均匀，然后加入氨水搅拌混匀，升温至90～100℃进行保温反应，反应完成后过滤，用去离子水洗涤滤饼至中性，干燥，即得所述还原氧化石墨烯。本发明的制备方法制备工艺简单，易于操作，适于工业化生产；所得产物能够有效降低发酵废液的COD，具有良好的应用前景。
-
公开(公告)号：CN108108475A
公开(公告)日：2018-06-01
申请号：CN201810004236.0
申请日：2018-01-03
Applicant: 华南理工大学
CPC classification number: G06F16/2465 , G06N3/0454
Abstract: 本发明公开了一种基于深度受限玻尔兹曼机的时间序列预测方法，该时间序列预测方法包括训练过程和测试过程，其中，训练过程：重构网络结构，引入结构化遮蔽矩阵，对于每一层基于结构化递归时序的Spike‑and‑Slab玻尔兹曼机进行参数更新，下一层的训练以上一层隐单元作为输入；测试过程：在训练得到的模型下初始化各层，从最高层开始逐层预测，下一层隐单元的值由上层显单元决定，第一层显单元的值就是模型预测值。通过实验验证了本发明所提方法的有效性，实验结果表明该方法可以提高对动作序列数据的预测。
-
Patent Agency Ranking
公开(公告)号：CN106198513A
公开(公告)日：2016-12-07
申请号：CN201610464336.2
申请日：2016-06-21
Applicant: 华南理工大学
IPC: G01N21/78
CPC classification number: G01N21/78
Abstract: 本发明属于功能材料技术领域，具体公开了一种木聚糖试纸及其制备方法。所述的制备方法包括以下步骤：配制木聚糖标准溶液和不同梯度的木聚糖溶液；标定木聚糖酶标准品活力，并配制不同浓度梯度的木聚糖酶溶液；将不同浓度梯度的木聚糖酶溶液分区涂覆在中速定性滤纸上制得试纸I；将另一张基纸浸渍在配制好的显色剂中，浸匀晾干，表层涂覆一层氧化钙，制得试纸II；试纸I和试纸II叠合，即为木聚糖试纸。将制备好的试纸在不同浓度梯度的木聚糖标准溶液中反应显色，拍照制备比色卡，通过对比比色卡能够得知所测样品木聚糖浓度。本发明的制备方法简单，易于操作，适于工业化生产；所得产物能够有效对木聚糖样品进行检测，具有良好的应用前景。
-
公开(公告)号：CN105483005A
公开(公告)日：2016-04-13
申请号：CN201510966850.1
申请日：2015-12-18
Applicant: 华南理工大学
Abstract: 本发明属于微生物培养领域，具体涉及一种壳聚糖气凝胶碱性培养基的制备和使用方法。所述制备方法包括以下步骤：将20.00质量份的壳聚糖溶于1000体积份的乙酸溶液中，旋转蒸发浓缩至100体积份，即壳聚糖乙酸溶液凝胶的浓度为20％；将得到的壳聚糖乙酸溶液倒入容器内，于-20℃预冻24h，取出后在-55℃冷冻干燥36h，即得到壳聚糖气凝胶碱性培养基。本发明提供了一种新型的碱性培养的制备和使用方法，该方法制备的培养基具有更大的比表面积，提供更多附着位点，更适于微生物生长，完成培养目标。
-
公开(公告)号：CN104807764A
公开(公告)日：2015-07-29
申请号：CN201510191712.0
申请日：2015-04-21
Applicant: 华南理工大学
Abstract: 本发明公开了一种碱性木聚糖酶活力测定的方法，属于木聚糖酶活力测定领域。所述方法包括以下步骤：配制pH＝7.8的磷酸二氢钠-磷酸氢二钠缓冲液，并在此基础上配制木糖标准溶液、木聚糖标准溶液及碱性木聚糖酶样品；制作木糖吸光度-木糖浓度的标准曲线；在pH＝7.8的碱性环境下，用待测碱性木聚糖酶水解木聚糖，并检测水解得到的木糖的吸光度AE；同时设置不加碱性木聚糖酶的空白对照组，并测其吸光度AB；将所测水解得到的木糖的吸光度值用标准曲线对应获得所述水解产物木糖的含量；根据公式计算出碱性木聚糖酶活力。本发明针对碱性木聚糖酶活力测定方法进行了改进，解决了现有检测方法不能客观地反应碱性木聚糖酶的活力的问题。
-
公开(公告)号：CN102890707A
公开(公告)日：2013-01-23
申请号：CN201210311531.3
申请日：2012-08-28
Applicant: 华南理工大学
IPC: G06F17/30
Abstract: 本发明公开了一种基于条件随机场的网络短评论情感倾向性挖掘系统，包括包括提取模块、识别模块、构建模块、分类模块；所述提取模块，用于提取短评论中的特征词；识别模块，用条件随机场模型的识别特征词对应的情感词，并与特征词匹配组合成元组；构建模块，用于构建与情感词相关的情感词典；分类模块，用于将元组在情感词典中查找分类，进而挖掘出短评论的情感倾向性。本发明能够自动挖掘出网页上的短评论，并将其中的特征词-情感词元组抽取出来，建立情感词典，对该元组的情感倾向性进行精确的判断。
-
公开(公告)号：CN114647778B
公开(公告)日：2024-12-13
申请号：CN202210218635.3
申请日：2022-03-04
Applicant: 华南理工大学 , 广州启辰电子科技有限公司
IPC: G06F16/9535 , G06F18/23 , G06N3/0464 , G06N3/0442 , G06N3/045
Abstract: 本发明公开了一种基于深度聚类算法的电影个性化序列推荐方法，实现个性化的电影推荐。过程如下：获取电影数据集，分离出所需数据；通过深度聚类从所获得的数据中挖掘用户的高层次意图，形成融合用户高层次意图的交互序列；通过对所获得的数据进行用户静态特征的挖掘，并与用户观影序列结合，形成用户特征动态序列；将融合用户高层次意图的交互序列与用户特征动态序列结合输入门控循环单元，得到融合的序列信息；用融合的序列信息计算出所有候选项目与此序列的匹配得分，并从中选取排名前K个项目作为推荐结果。本发明可以有效捕捉到用户在观看电影时较高层次的意图特征，并通过聚类的分布来缓解长尾问题，最终生成个性化的电影推荐。
-
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.046 seconds)
