公开(公告)号：CN117827679A

公开(公告)日：2024-04-05

申请号：CN202410101473.4

申请日：2024-01-24

Applicant: 华南理工大学

Inventor： 汤乐琪 ,  陈武兴 ,  杨楷翔 ,  李天钧 ,  余志文 ,  张通 ,  陈俊龙

IPC: G06F11/36 ,  G06F18/214 ,  G06F18/241 ,  G06N3/045 ,  G06N3/08

Abstract: 本发明公开了一种基于宽度学习的智能工业软件诊断方法，包括：获取不平衡的软件缺陷样本构成的数据集并预处理；将预处理后的数据集划分为训练集和测试集，从训练集中随机选取部分的样本，称为Universum数据，并在Universum数据中选择不同类别的数据取平均值生成先验信息，称为Umean数据；使用Umean数据和剩余的训练集数据训练一个改进的CSBLS模型，称为UCSBLS模型；使用训练好的UCSBLS模型对测试集进行分类，预测出智能工业中的缺陷软件。本发明在宽度学习的基础上，使用了代价敏感学习技术并添加了先验信息，提高对不平衡数据分类准确率，在工业软件缺陷数据集上表现出良好的效果，提高软件缺陷诊断准确性。

公开(公告)号：CN113033641B

公开(公告)日：2022-12-16

申请号：CN202110285595.X

申请日：2021-03-17

Applicant: 华南理工大学

Inventor： 叶枫旭 ,  余志文 ,  陈俊龙

IPC: G06K9/62

Abstract: 本发明公开了一种高维数据半监督分类方法，涉及人工智能半监督学习领域。主要克服制造业高维数据中数据噪声和冗余特征对模型的影响，并将子空间学习，图的构建，分类器训练整合为一个统一框架，达到更好的分类效果。其方法步骤为：1)输入训练数据集；2)数据归一化；3)参数、变量初始化；4)子空间学习；5)图的构建；6)分类器训练；7)循环重复步骤4)‑6)，直至算法收敛；8)对测试样本进行分类；9)得到分类准确率。本发明从标签空间和子空间这两个低维空间来完成图的构建，有效缓解了噪声数据和冗余特征对算法模型的干扰，保证了图的质量，提升了分类效果。

公开(公告)号：CN111598187A

公开(公告)日：2020-08-28

申请号：CN202010579123.0

申请日：2020-06-23

Applicant: 华南理工大学

Inventor： 余志文 ,  蓝侃侃

IPC: G06K9/62 ,  G06N20/20

Abstract: 本发明公开了一种基于核宽度学习系统的渐进式集成分类方法，包括步骤：1）输入训练样本和测试样本；2）使用原始训练数据训练一个核宽度学习系统作为基分类器；3）根据第一个基分类器的训练结果计算预测残差，作为下一个基分类器训练的标签；4）当训练的损失函数值降低率达到阈值，停止训练，不再继续增加基分类器；5）对测试样本进行分类，得到最后的预测结果。本发明通过利用宽度学习系统不需要冗长的反向传播的同时，引入核映射技术提高了分类器的非线性拟合能力，并使用集成的手段融合多个基分类器，在带噪音的生物信息数据集上具有明显提升效果，有助于提高生物基因分类的准确率。

公开(公告)号：CN108764281A

公开(公告)日：2018-11-06

申请号：CN201810346336.1

申请日：2018-04-18

Applicant: 华南理工大学

Inventor： 纪秋佳 ,  吴斯 ,  余志文

IPC: G06K9/62 ,  G06K9/66 ,  G06N3/04

CPC classification number: G06K9/6268 ,  G06K9/66 ,  G06N3/0454

Abstract: 本发明公开了一种基于半监督自步学习跨任务深度网络的图像分类方法，包括以下步骤：S1、从图像整体数据集中随机选取少量标注样本，保留其标签，剩下所有样本作为未标注样本，在整个流程中不知道其真实标签，标注样本的权重在训练过程中恒为1，未标注样本权重初始化为0，初始时只使用标注样本作为训练集；S2、使用训练集训练跨任务深度网络；S3、根据训练好的跨任务深度网络，预测所有未标注样本的伪标签，并赋予每个未标注样本相应权重；S4、根据自步学习范式，选取高置信度的未标注样本，添加到训练集中；S5、重复步骤S2‑S4，直到跨任务深度网络性能饱和或者达到预设循环次数。所述方法不需要输入人为设计的特征，直接输入原始图像即可实现分类。

公开(公告)号：CN107545275A

公开(公告)日：2018-01-05

申请号：CN201710622978.5

申请日：2017-07-27

Applicant: 华南理工大学

Inventor： 余志文 ,  温馨

IPC: G06K9/62

Abstract: 本发明公开了一种将重采样技术与代价敏感学习融合的不平衡数据集成分类方法，涉及人工智能集成学习领域，主要解决现有技术中利用完整数据信息的不平衡数据分类问题，所述方法步骤为：(1)输入训练数据集；(2)计算样本空间分布的相对密度；(3)重采样生成多个子集并训练基础分类器；(4)计算测试样本的相似性矩阵；(5)使用多目标优化并集成得到先验结果；(6)对测试集进行代价敏感学习预测；(7)使用KL散度将结果进行优化融合。所述方法设计了一种新的采样方法解决数据分布不平衡的问题；利用同时结合重采样技术和代价敏感学习的方法解决信息不完整的问题；并充分利用测试集本身的数据信息提高了集成分类器的性能。

公开(公告)号：CN107516110A

公开(公告)日：2017-12-26

申请号：CN201710723583.4

申请日：2017-08-22

Applicant: 华南理工大学

Inventor： 余志文 ,  戴丹

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于集成卷积编码的医疗问答语义聚类方法，涉及机器学习领域，所述方法包括以下步骤：医疗咨询平台用户问答语料采集，卷积核的选取，融合不同卷积核的特征表示，利用自编码机获取最终数据表征，进行医疗咨询问答语义聚类。与传统的深度学习方法相比：本方法用不同的卷积核来提取不同的特征，提取的特征更加充分和多样化，并且使用不同的特征合并方法，将提取到的特征进行融合表示，因此本发明泛化能力强，语义聚类准确率高，基于该方法能够更好地帮助用户了解自身情况，并可辅助医生进行疾病检测，对搭建医疗的自动问答系统具有很大的应用价值。

公开(公告)号：CN118658014A

公开(公告)日：2024-09-17

申请号：CN202411139984.1

申请日：2024-08-20

Applicant: 华南理工大学

Inventor： 董子阳 ,  余志文 ,  杨楷翔 ,  陈武兴

IPC: G06V10/764 ,  G06V10/77 ,  G06V10/82

Abstract: 本发明公开了基于多视图特征加权对比学习的晚期B超图像分类方法，所述方法包括：将肝纤维化B超图像数据集划分为多个子集，通过旋转子空间技术生成多视图优化数据；把优化后多视图数据输入目标模型，得到表征向量和概率向量；使用概率向量计算交叉熵损失，使用表征向量计算对比损失，计算联合损失函数；使用联合损失函数训练目标模型；用训练好的目标模型进行肝纤维化B超图像分类。本发明针对早期和晚期肝纤维化在B超图像中差异不显著的难点，使用多视图优化技术提取出对分类结果影响大的子空间特征，并通过对比学习增强该特征的判别性，增大早期和晚期肝纤维化B超图像的特征表示差异性，实现了高精度的肝纤维化晚期B超图像分类。

公开(公告)号：CN117437458A

公开(公告)日：2024-01-23

申请号：CN202311267138.3

申请日：2023-09-27

Applicant: 华南理工大学

Inventor： 云帆 ,  范紫薇 ,  余志文 ,  杨楷翔 ,  陈俊龙

IPC: G06V10/764 ,  G16H50/20 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于宽度集成学习的疾病检测系统，包括：数据获取模块，对医疗数据进行预处理得到输入样本；初级分类模块，根据分类误差对输入样本进行序列加权，提高集成多样性，将轻量级的宽度学习网络作为初级分类器，对加权后的样本进行训练，使用宽度学习网络的增量学习模式，选择性集成优秀的初级分类器进行预测，提高集成准确性；次级分类模块，将初级分类器的预测结果作为增强特征输入次级分类器，并根据初级分类器的平均预测精度自适应加入数据获取模块得到的输入样本，训练次级分类器，得到最终的疾病检测结果，辅助医生诊断治疗。本发明可通过机器学习方法对疾病进行早期预防和检测，减轻医疗系统和社会经济负担。

公开(公告)号：CN114372181A

公开(公告)日：2022-04-19

申请号：CN202111609391.3

申请日：2021-12-27

Applicant: 华南理工大学

Inventor： 梁泽锋 ,  余志文 ,  杨楷翔 ,  孟献兵 ,  陈俊龙

IPC: G06F16/906 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06Q50/04

Abstract: 本发明公开一种基于多模态数据的设备生产智能规划方法，包括：1)对制造过程进行数据采集，得到多模态数据；2)对多模态数据进行标准化；3)对单个制造步骤构建训练集；4)对每个制造步骤的状态构建类别‑动作映射关系；5)构建并训练深度神经网络；6)用训练好的深度神经网络对每个制造过程中采集到的数据进行分类；7)根据分类结果选择相应动作；8)对每个制造步骤重复进行分类和动作选择，完成动作规划。本发明充分利用制造过程中收集到的多模态数据和深度神经网络，不仅可以识别每个步骤的当前状态，并根据当前状态进行动作规划，实现制造过程的动作智能规划，减少人工干预。此外，还可以增加动作规划的可解释性和准确性。

公开(公告)号：CN109002889B

公开(公告)日：2021-12-17

申请号：CN201810715248.4

申请日：2018-07-03

Applicant: 华南理工大学

Inventor： 余志文 ,  马帅

IPC: G06N3/08

Abstract: 本发明公开了一种自适应迭代式卷积神经网络模型压缩方法，包括：对训练数据进行预处理，用训练数据对卷积神经网络进行训练，选出最优模型作为需要压缩的模型，用自适应迭代式卷积神经网络模型压缩方法对模型进行压缩，对压缩后的模型进行评估，选出最优模型作为压缩完成的模型。本发明具有以下优点：自适应调整量化比例，参数少；自适应迭代式压缩，可以提高模型压缩后的准确率；支持常见的卷积神经网络模型压缩，且可以根据需要压缩到特定位数，因此本发明的方法可以高效地压缩卷积神经网络模型并将模型应用到移动设备上。