-
公开(公告)号：CN115101145B
公开(公告)日：2024-09-17
申请号：CN202210737270.5
申请日：2022-06-27
Applicant: 暨南大学
IPC: G16C20/50 , G06F18/241 , G06N3/0464 , G06N3/084 , G06N3/045 , G06N3/042 , G06N3/0895 , G16C20/70
Abstract: 本发明公开了一种基于自适应元学习的药物虚拟筛选方法及系统，包括以下步骤：S1、对公开数据库的药物分子数据进行预处理获得分子图数据并划分T个数据集；S2、构建基于元学习器的多任务神经网络模型；S3、利用上述数据集对神经网络模型进行预训练，得到药物虚拟筛选模型；S4、输入任务目标的数据到上述药物虚拟筛选模型，对任务的权重进行调整，添加目标任务相关的预测层，得到与目标任务强相关的药物虚拟筛选模型。本方法与基于深度学习的药物筛选方法相比，利用元学习器对模型进行任务权重上的调整，通过添加目标任务相关的预测层，能够自适应调整模型，使药物虚拟筛选模型达成更好的泛化性能，能够筛选出具有足够活性且符合要求的药物分子。
-
公开(公告)号：CN110619424A
公开(公告)日：2019-12-27
申请号：CN201910723076.X
申请日：2019-08-06
Applicant: 暨南大学
Abstract: 本发明涉及交通运输领域，更具体的，涉及一种运输配送优化系统，包括运输基地选址模块，运输装载模块以及与运输规划模块；所述运输基地选址模块用于选择运输基地以满足运输需求；所述运输装载模块用于使货物尽可能多的装载至标准集装箱内以满足运输要求；所述运输规划模块用于最大限度的调度运输工具；本发明提供的运输基地选址模块充分考虑不同地区的地理特点，拓宽应用范围；本发明提供的运输装载模块，对多维多重背包NP类问题，提出基于装载块序列的混合模拟退火算法，逼近精确解；将多种模块有机结合，达到1+1＞2的综合性目的。
-
公开(公告)号：CN110610420A
公开(公告)日：2019-12-24
申请号：CN201910672177.9
申请日：2019-07-24
Applicant: 暨南大学
Abstract: 本发明公开了一种股票价格趋势预测的方法及其系统，包括以下步骤：设股票的数据集为二维集合D，横轴表示数据集的日期属性和其他属性，记为{Date,a1,a2,…,ak}；定义集合D的时间关联度；定义其他属性ak的分裂节点集合Tk，定义分裂节点t的时间关联度增益；定义分裂节点t的信息增益；结合时间关联度增益TRG(D,t)和信息增益EG(D,t)，得到决策树分裂节点标准；将训练集通过以上步骤训练，得到决策树模型，将训练集合D*按日期划分为若干子集，子集的集合为Cγ＝{C1,C2,…,Cω}；设置预测集在该节点的判断左右子树选择依据的公式，根据判断左右子树选择依据的公式对预测集预测判断，完成股票价格趋势预测。本发明对股价数据的训练效果更好，股价涨跌趋势的预测准确率更高，预测准确率提高近一倍，其预测的涨跌信号基本反映股市收盘价的趋势。
-
公开(公告)号：CN114038517B
公开(公告)日：2024-11-15
申请号：CN202110983302.5
申请日：2021-08-25
Applicant: 暨南大学
IPC: G16C20/70 , G16C20/20 , G06N3/042 , G06N3/0895 , G06N3/0464 , G06N3/0442
Abstract: 本发明涉及一种基于对比学习的自监督图神经网络预训练方法，步骤为：对公开数据库的化合物分子进行预处理，筛选出有机分子；对筛选出的有机分子进行结构分解并提取，将所得的子结构作为标识符，并构建子结构的语料库；将分解后的子结构看作超级节点并构建相应的子图数据，该子图数据与原分子图数据构成正样本对，随机选出若干个子图数据与原分子图数据组成负样本对；构建基于注意力机制的图卷积神经网络、基于多层次的门控循环单元和多层感知机模块，组成自监督学习模型；将所有正负样本对数据输入自监督学习模型进行预训练并保存，便于下游任务的微调。解决对缺乏标注的药物分子的场景时，进行深度学习模型训练所产生的泛化性能不足的问题。
-
公开(公告)号：CN115101145A
公开(公告)日：2022-09-23
申请号：CN202210737270.5
申请日：2022-06-27
Applicant: 暨南大学
Abstract: 本发明公开了一种基于自适应元学习的药物虚拟筛选方法及系统，包括以下步骤：S1、对公开数据库的药物分子数据进行预处理获得分子图数据并划分T个数据集；S2、构建基于元学习器的多任务神经网络模型；S3、利用上述数据集对神经网络模型进行预训练，得到药物虚拟筛选模型；S4、输入任务目标的数据到上述药物虚拟筛选模型，对任务的权重进行调整，添加目标任务相关的预测层，得到与目标任务强相关的药物虚拟筛选模型。本方法与基于深度学习的药物筛选方法相比，利用元学习器对模型进行任务权重上的调整，通过添加目标任务相关的预测层，能够自适应调整模型，使药物虚拟筛选模型达成更好的泛化性能，能够筛选出具有足够活性且符合要求的药物分子。
-
Patent Agency Ranking
公开(公告)号：CN110543782B
公开(公告)日：2022-03-29
申请号：CN201910621268.X
申请日：2019-07-10
Applicant: 暨南大学
Abstract: 本发明公开了一种基于k‑匿名算法实现数据集脱敏的方法以及系统，包括以下步骤：获取未经脱敏处理的数据集；将数据集显示标识符删除，定义准标志符中的每个属性取值域上的顺序，使之成为有序域；将有序域一一映射到实数域中；对于空间各数据点的距离的定义并计算相对距离，根据相对距离结合投影区域密度划分算法确定数据集的划分点，递推求出各级分割点，最终建立超球体群；对超球体群中的每个超球体中所含的点信息进行概化处理，使得所有的记录的准标志符取值相同，完成脱敏处理。本发明能够改善矩形存在的区域角问题，并且能够考虑到临时匿名组中相邻点之间的距离问题，使得在保证隐私保护的前提下，得到更多的匿名组，使数据的概化程度越低，增大了数据的可用性。
-
公开(公告)号：CN110543782A
公开(公告)日：2019-12-06
申请号：CN201910621268.X
申请日：2019-07-10
Applicant: 暨南大学
Abstract: 本发明公开了一种基于k-匿名算法实现数据集脱敏的方法以及系统，包括以下步骤：获取未经脱敏处理的数据集；将数据集显示标识符删除，定义准标志符中的每个属性取值域上的顺序，使之成为有序域；将有序域一一映射到实数域中；对于空间各数据点的距离的定义并计算相对距离，根据相对距离结合投影区域密度划分算法确定数据集的划分点，递推求出各级分割点，最终建立超球体群；对超球体群中的每个超球体中所含的点信息进行概化处理，使得所有的记录的准标志符取值相同，完成脱敏处理。本发明能够改善矩形存在的区域角问题，并且能够考虑到临时匿名组中相邻点之间的距离问题，使得在保证隐私保护的前提下，得到更多的匿名组，使数据的概化程度越低，增大了数据的可用性。
-
公开(公告)号：CN110619424B
公开(公告)日：2022-10-25
申请号：CN201910723076.X
申请日：2019-08-06
Applicant: 暨南大学
Abstract: 本发明涉及交通运输领域，更具体的，涉及一种运输配送优化系统，包括运输基地选址模块，运输装载模块以及与运输规划模块；所述运输基地选址模块用于选择运输基地以满足运输需求；所述运输装载模块用于使货物尽可能多的装载至标准集装箱内以满足运输要求；所述运输规划模块用于最大限度的调度运输工具；本发明提供的运输基地选址模块充分考虑不同地区的地理特点，拓宽应用范围；本发明提供的运输装载模块，对多维多重背包NP类问题，提出基于装载块序列的混合模拟退火算法，逼近精确解；将多种模块有机结合，达到1+1＞2的综合性目的。
-
公开(公告)号：CN113393018A
公开(公告)日：2021-09-14
申请号：CN202110558144.9
申请日：2021-05-21
Applicant: 暨南大学
Abstract: 本发明涉及一种多趋势指标结合与自适应择时的组合优化方法，包括以下步骤：输入资产，得到价比向量和资产组合向量；根据价比向量和资产组合向量得到财富因子的累乘形式；利用三种趋势表达指标表示预测价；将预测价与投资期中的最高价格复合，得到趋势指标；根据趋势指标选出径向基函数的自适应输入；通过自适应输入，计算出径向基函数的投资组合增量；根据投资组合增量建立资产选择模型，获得下一期预测的资产组合。把三种趋势趋势表达指标结合在一起，并对股票进行自适应择时，在价格看涨时动态加入最高价格指标；运用径向基函数算法处理正则化项；与现有的资产配置算法进行了横向对比，交易费损耗在承受范围内，适用于真实的金融数据集和市场。
-
公开(公告)号：CN109284862B
公开(公告)日：2021-08-27
申请号：CN201811023260.5
申请日：2018-09-03
Applicant: 暨南大学
Inventor： 赖兆荣
Abstract: 本发明涉及一种基于交替方向乘子准则的短期稀疏资产组合优化系统，包括依次连接的数据输入模块，收益计算模块，资产组合生成模块，标准化及输出模块，其中，资产组合生成模块中的运算机制，能同时处理L1正则化项和“自融资”项，而且具有鞍点，因此能大幅提高计算精确度。与现有技术相比，本发明获得更高的投资收益，能承受一定的交易费损耗，而且运行迅速，适用于真实世界的金融环境，该系统能够把财富集中在一小部分具有良好增长潜力的资产上，以此来最大化整个投资期的最终财富。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.022 seconds)
