-
公开(公告)号：CN117174161A
公开(公告)日：2023-12-05
申请号：CN202311078766.7
申请日：2023-08-25
Abstract: 本发明公开了一种基于频域变换增强的表型预测方法，包括：获取不同作物植株的基因数据和表型数据并对其进行预处理；对预处理后的基因数据进行数值映射；对数值映射后的基因序列进行离散傅里叶变换，判断每个窗口是否为蛋白质编码区，并根据判断结果对蛋白质编码区进行特征增强；将特征增强后的基因序列进行处理，采用低频特征、高频去噪后的特征、小波逆变换后的低频特征以及作为标签的预处理后的表型数据对三流网络进行优化训练；将待检测基因序列的特征输入到训练好的三流网络中，输出表型预测结果。本发明还公开了一种基于频域变换增强的表型预测装置。本发明利用基因编码区的先验提高表型预测效果，实现时频上的基因到表型的非线性关系。
-
公开(公告)号：CN119181442B
公开(公告)日：2025-02-28
申请号：CN202411682969.1
申请日：2024-11-22
Applicant: 之江实验室
IPC: G16C20/70 , G16C20/80 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于扩散模型的微结构逆向生成方法和装置，该方法包括：在训练阶段，首先利用图结构和建模参数对三维微结构进行表示，然后训练变分自编码器对三维结构进行编码和解码，同时提取三维微结构的潜在特征，最后在提取的潜在特征上训练扩散模型，同时增加性质和建模参数作为条件约束；在推理阶段，输入目标性质和建模参数到训练好的扩散模型，然后扩散模型根据输入的条件进行扩散去噪得到相应的潜在特征，将潜在特征输入到变分自编码器的解码器中解码出对应的图表示，最后根据图表示和建模参数得到最终的三维微结构。本发明创新性的利用扩散模型和图表示相结合的方法实现性质到微结构的逆向生成，使得生成的微结构的质量得到保证。
-
公开(公告)号：CN115331732B
公开(公告)日：2023-03-28
申请号：CN202211238697.7
申请日：2022-10-11
Applicant: 之江实验室
IPC: G16B20/30 , G16B40/00 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了基于图神经网络的基因表型训练、预测方法及装置，根据现有公开的基因位点与表型的相关性，构建图神经网络：节点代表基因位点，边代表两个基因位点同时与某个表型相关，且边的权重代表基因位点之间的关联程度；采集样本的基因数据，并收集各个样本对应的表型数据；训练过程中，对输入的基因数据基于其位点探测概率值进行编码；将编码数据输入构建的图神经网络；采用均匀采样进行节点邻域选择，并通过邻域节点的权重与卷积核参数更新各个节点；将每个节点的输出结果进行拼接，并将其输入多层感知器，输出表型分类结果；将分类结果与真值进行比较，训练与验证图神经网络；再将待分类的基因数据输入训练好的图神经网络进行表型分类。
-
公开(公告)号：CN119181442A
公开(公告)日：2024-12-24
申请号：CN202411682969.1
申请日：2024-11-22
Applicant: 之江实验室
IPC: G16C20/70 , G16C20/80 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于扩散模型的微结构逆向生成方法和装置，该方法包括：在训练阶段，首先利用图结构和建模参数对三维微结构进行表示，然后训练变分自编码器对三维结构进行编码和解码，同时提取三维微结构的潜在特征，最后在提取的潜在特征上训练扩散模型，同时增加性质和建模参数作为条件约束；在推理阶段，输入目标性质和建模参数到训练好的扩散模型，然后扩散模型根据输入的条件进行扩散去噪得到相应的潜在特征，将潜在特征输入到变分自编码器的解码器中解码出对应的图表示，最后根据图表示和建模参数得到最终的三维微结构。本发明创新性的利用扩散模型和图表示相结合的方法实现性质到微结构的逆向生成，使得生成的微结构的质量得到保证。
-
公开(公告)号：CN116992919A
公开(公告)日：2023-11-03
申请号：CN202311269915.8
申请日：2023-09-28
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G06N3/042 , G06N3/0464 , G06N3/0499 , G06N3/084 , G16B40/00 , G06F18/213 , G06F18/22
Abstract: 本发明公开了一种基于多组学的植物表型预测方法和装置，该方法基于图卷积神经网络，将多组学如基因组、转录组、代谢组的数据作为图节点，不同组学之间的关联程度作为图的边来构建每个植株的图结构数据，将构建的图结构数据输入图卷积神经网络中，提取节点特征，通过Transformer网络更新节点特征，节点特征拼接后输入全连接层，输出表型预测值，利用整个图结构融合多组学特征实现表型的预测。本发明创新性的利用图卷积神经网络结合Transformer网络实现基因到表型的预测，并利用多组学构建图结构融合多组学数据实现精准表型预测，在一定程度上解决只用单一组学表型预测不准的问题，提高了表型预测的效果。
-
Patent Agency Ranking
公开(公告)号：CN119783473A
公开(公告)日：2025-04-08
申请号：CN202510252251.7
申请日：2025-03-05
Applicant: 之江实验室
IPC: G06F30/23 , G06F30/27 , G06F30/15 , G06T17/20 , G06N5/04 , G06F111/10 , G06F111/04 , G06F111/08 , G06F119/14 , G06F113/10
Abstract: 本发明公开了一种振动模态可编程的3D打印点阵生成式设计方法，该方法包括：依据不同的单胞结构建立单胞数据库；利用点阵胞元的基频理论模型获取不同单胞结构的基频，构建单胞结构‑基频数据集，并用于结构‑基频逆向设计模型的训练；通过动力学有限元分析仿真软件进行高阶频率的仿真，构建单胞结构‑高阶频率数据集，并用于结构‑高阶频率推理模型的训练；利用训练好的结构‑基频逆向设计模型生成具有指定基频的多组单胞结构；利用训练好的结构‑高阶频率推理模型获取多组单胞结构的多个阶次的高阶频率；根据指定的高阶频率按阶次依次对多组单胞结构进行筛选，获取符合振动模态要求的一组单胞结构。本发明实现了单胞的振动模态的生成式设计。
-
公开(公告)号：CN119670303A
公开(公告)日：2025-03-21
申请号：CN202510186064.3
申请日：2025-02-20
Applicant: 之江实验室
IPC: G06F30/17 , B29C64/386 , B33Y50/00 , B22F10/80 , G06F30/23 , G06F113/10 , G06F119/14
Abstract: 本发明公开了一种3D打印点阵填充的板材件基频的生成式设计方法，该方法包括：建立点阵单胞的结构‑等效刚度数据库，以及单胞结构‑等效刚度逆向设计模型；将板材实体简化为壳体，并为其设置边界条件；根据板材的目标基频进行迭代计算，以获取目标等效刚度；获取目标等效刚度对应的单胞结构，并将其填充到板材中；使用动力学有限元分析仿真软件对填充点阵后的板材进行动力学仿真计算，得到其基频值；若判断计算出的基频值为设计值，则表示完成板材的设计，否则修正优化结构‑等效刚度数据库、单胞结构‑等效刚度逆向设计模型或目标等效刚度后继续上述步骤，其中设计值为目标等效刚度对应的基频值。本发明实现了板材件基频的快速生成式设计。
-
公开(公告)号：CN119533394A
公开(公告)日：2025-02-28
申请号：CN202510101330.8
申请日：2025-01-22
Applicant: 之江实验室
IPC: G01B21/32
Abstract: 本发明公开了一种3D打印非标准试样的应变测试装置和方法，该装置包括：两个拉伸试样端头；设置在两个拉伸试样端头之间的拉伸试样点阵段；设置在拉伸试样端头上的连接平台，该连接平台位于拉伸试样端头宽度方向的中间位置处，连接平台上设置有两个圆形的凸台；两个测量板分别与两个连接平台上设置的两个凸台绑定，两个测量板的另一端互相搭接；和接触式引伸计，其两端夹持在两个测量板的另一端。本发明通过测量上下测量板的相对位移来等效测量点阵的测量区域变形量，从而实现了非标准拉伸试样等效应变的测量，有效降低了测量成本，提高了测量效率，提高了测量精确度。
-
公开(公告)号：CN116884481A
公开(公告)日：2023-10-13
申请号：CN202310697601.1
申请日：2023-06-13
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
IPC: G16B20/30 , G06N3/0464 , G06N3/0895 , G16B20/00
Abstract: 一种基于图卷积神经网络与自监督重构学习的基因到表型预测方法和系统，该方法基于图卷积神经网络的方法，将每个品种的大豆作为图节点，大豆的基因序列为节点的特征，利用每个品种大豆之间的亲缘关系作为图的边，将构建的图输入图卷积神经网络与自监督重构网络中，更新节点特征，实现大豆基因到表型的预测。本发明创新性的利用图卷积神经网络实现基因到表型的预测，利用自监督学习降低基因维度，并将品种之间的亲缘关系作为先验关联不同品种指导基因到表型挖掘，提高表型预测的效果。
-
公开(公告)号：CN116597894A
公开(公告)日：2023-08-15
申请号：CN202310359159.1
申请日：2023-03-31
Applicant: 之江实验室 , 中国科学院东北地理与农业生态研究所
Abstract: 基于XGBoost特征选择与深度学习结合的大豆基因到表型预测方法，首先基于XGBoost方法进行特征选择挑选基因位点，根据XGBoost获得每个基因位点的重要性量度，根据重要性量度排序将重要的基因位点挑选出来，然后将挑选的基因位点进行自监督重构训练得到重构网络参数，最后对挑选的基因位点onehot编码，并利用重要性量度值对编码加权重，将加权重后的编码输入到修改后的重构网络中实现大豆基因到表型的预测。本发明利用XGBoost进行重要基因位点筛选，过滤掉大量冗余的基因位点，并利用生成网络学习基因位点的分布，对基因位点重构，重构网络的参数作为预训练参数指导基因预测表型的训练，提高表型预测的效率和效果。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.043 seconds)
