-
公开(公告)号：CN118709836A
公开(公告)日：2024-09-27
申请号：CN202410767474.2
申请日：2024-06-14
Applicant: 淮阴工学院
IPC: G06Q10/04 , G06Q50/20 , G06F18/2411 , G06F18/2415 , G06F18/213 , G06F18/2113 , G06F18/10 , G06N3/0464 , G06N3/047
Abstract: 本发明公开了一种基于深度神经网络的学生成绩预测方法，该方法建立了学生成绩预测模型，该模型结合了学生视觉空间注意力数据，利用深度神经网络DNN框架进行特征学习，通过三个全连接层优化数据特征，最终利用支持向量机SVM对结果进行分类，实现最佳的预测效果。本发明能有效地对学生的学术成绩进行分类预测，结合了深度学习和机器学习技术的优势，为教育领域的成绩评估提供了一个高效的工具。
-
公开(公告)号：CN117315584A
公开(公告)日：2023-12-29
申请号：CN202311303447.1
申请日：2023-10-09
Applicant: 淮阴工学院
IPC: G06V20/52 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06T7/73 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于改进YOLOv7‑tiny的危化品车辆目标检测方法,包括以下步骤：首先将危化品车辆数据集中的原始图像进行一次处理，生成统一大小的图像，然后对统一大小的图像进行二次处理；在模型的Backbone部分引入轻量的C2fGhostv2网络和部分卷积；在模型的Neck部分也引入轻量的C2fGhostv2网络，使模型在保证轻量化的同时获得更加丰富的梯度流信息，更高效的进行特征融合。再者，为了解决解决盲目强调高质量样本导致的目标性能下降的问题，使用WIoU损失函数，很好的平衡了高质量和低质量样本的训练效果，提高了模型的鲁棒性和泛化性能；最后通过卷积和解码操作来生成目标框的位置和类别信息。与现有技术相比，本发明为危化品车辆目标检测领域的理论研究和应用提供了有力支持。
-
公开(公告)号：CN119539146A
公开(公告)日：2025-02-28
申请号：CN202411498699.9
申请日：2024-10-25
Applicant: 淮阴工学院
IPC: G06Q10/04 , G06Q10/063 , G06Q50/00 , G06N3/048 , G06N3/09
Abstract: 本发明公开了一种社交网络中影响力最大化方法、系统、设备及存储介质；属于复杂网络分析技术领域，其步骤为：通过节点的结构相似性特征，得到训练网络中每个节点的嵌入的无标度网络；将每个节点单独作为种子节点集合进行模拟信息的传播，得到单个节点传播后所影响到的节，将得到的训练网络中节得到的特征标签输入到GAT中进行特征再处理和训练优化相关参数，然后对真实的网络进行影响力的预测；引入k‑shell值和度中心性指标为每个节点重新设置影响力分数，选取影响力分数高的前k个节点作为种子节点集合。本发明所提出的方法更好地捕捉结构相似性和聚合局部影响力程度，在解决影响力最大化问题中引入图嵌入和图注意力网络，提高了挖掘种子节点的效率。
-
公开(公告)号：CN118470411A
公开(公告)日：2024-08-09
申请号：CN202410600922.X
申请日：2024-05-15
Applicant: 淮阴工学院
IPC: G06V10/764 , G06T5/50 , G06T5/70 , G06N3/0455 , G06N3/042 , G06N3/0895
Abstract: 本发明公开了一种基于去噪和掩码重建的图对比学习网络节点分类方法、装置及介质，所述的图对比学习网络节点分类方法包括：(1)对图数据添加定向噪声，得到一个增强后的加噪视图；将引文网络数据的特征进行一定程度的掩码，得到一个增强后的掩码视图；(2)通过GNN编码器获取两个增强视图的节点特征表示；(3)以两个增强视图的对应节点为正样本，其余为负样本，建立对比学习任务，然后将编码器得到的节点特征表示通过GNN解码器提取特征，与原图建立重构任务；(4)构建包括去噪重建损失、掩码重建损失和两个增强视图之间的对比损失的联合多损失函数，从而训练一个编码器，实现对网络中节点的分类。本发明能够提高网络节点分类的精度。
-
公开(公告)号：CN117541415A
公开(公告)日：2024-02-09
申请号：CN202311297980.1
申请日：2023-10-08
Applicant: 淮阴工学院
Abstract: 本发明公开了一种融合反向影响力得分的网络传播抑制方法，适用于社交网络下影响力抑制最大化研究领域。其具体步骤为：首先采用RIS算法构建足够多的随机子图，通过在随机子图上随机采样生成节点的反向可达集，然后使用影响力追溯的方法从外向内找到关键节点，通过采样模拟负影响力节点传播，寻找对负影响力节点起关键作用的节点，作为候选节点，最后使用基于流式算法的最大覆盖方法寻找k个覆盖最多反向可达集的节点，作为抑制节点集合。与现有技术相比，本发明所提出的方法可以更好的抑制网络中负影响力的传播，同时保持了正影响力的传播，是一种比较优秀的影响力抑制最大化算法。
-
Patent Agency Ranking
公开(公告)号：CN117409366A
公开(公告)日：2024-01-16
申请号：CN202311377861.7
申请日：2023-10-23
Applicant: 淮阴工学院
IPC: G06V20/52 , G06V20/70 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06V10/25 , G06V10/764 , G06V10/77 , G06V10/774 , G06V10/776 , G06N3/0464 , G06T5/90
Abstract: 本发明公开了一种基于LRC2f和小目标特征聚合的烟火检测方法及装置，制作不同场景下包含火焰及烟雾目标的图片数据集，对数据集进行标注，并进行划分；将特征增强策略、LRC2f模块和小目标特征聚合结构集成到YOLOv8n中；其中特征增强策略指对输入图像属性进行调整，使得火焰和烟雾目标特征更加显著；LRC2f模块指轻量级感受野扩张的特征提取模块，在轻量化的同时更大范围感知周围目标；小目标特征聚合网络指将浅层网络中大尺寸特征图映射到模型的颈部，更好地捕捉小的火焰及烟雾目标；使用训练集和测试集共同训练搭建好的模型，得到训练结果；使用训练结果检测不同场景下的烟雾及火焰目标。不呢发明显著减少模型参数，实现良好的烟火检测效果。
-
公开(公告)号：CN116756207A
公开(公告)日：2023-09-15
申请号：CN202310569958.1
申请日：2023-05-19
Applicant: 淮阴工学院
IPC: G06F16/2458 , G06N5/01 , G06N5/04
Abstract: 本发明涉及到计算机复杂网络优化技术领域，公开了一种基于折扣策略与改进离散乌鸦搜索算法的网络关键节点挖掘方法，包括：首先对引文网络预处理转换为邻接矩阵，并对该网络做反向得到反向网络；然后利用LRDiscount算法对反向网络的节点进行初始筛选得到候选节点集C；接下来根据改进离散乌鸦搜索算法的局部优化过程对候选节点集C进行优化；最后从优化后的节点集中选择最优的集合，并进行节点影响力评估，从而得到最终k个关键种子节点。与现有技术相比，本发明将网络节点的影响力折扣策略与改进离散乌鸦搜索算法相结合，从模仿乌鸦搜索过程中更新节点位置进行影响力扩散，通过乌鸦个体在引文网络中游走产生的边际增益来寻找关键节点。
-
公开(公告)号：CN118570007A
公开(公告)日：2024-08-30
申请号：CN202410678283.9
申请日：2024-05-29
Applicant: 淮阴工学院
IPC: G06Q50/00 , G06F18/213 , G06F18/232 , G06N3/042 , G06N3/088
Abstract: 本发明公开了一种负面舆情传播抑制方法、系统、设备及存储介质，其中方法包括：对社交网络中所有节点的进行邻域采样，生成关系图，获取关系图中节点的特征表示，完成节点的嵌入；在无监督环境中学习节点特征表示，并使用损失函数对学习的过程进行评估，通过基于图的损失函数对输出表示进行优化，调整参数；在完成节点嵌入的基础上，根据样本分布的紧密程度，选择基于密度的聚类算法来对社交网络进行节点聚类，获取网络中基于密度的聚类簇；识别聚类簇中的重要簇，缩小候选种子节点集的范围，在重要簇中识别重要节点作为种子节点进行负面舆情传播的抑制；本发明显著减少模型训练的时间开销，在社交网络的虚假信息传播抑制中取得了良好效果。
-
公开(公告)号：CN117292335A
公开(公告)日：2023-12-26
申请号：CN202311280782.4
申请日：2023-09-28
Applicant: 淮阴工学院
IPC: G06V20/54 , G06V20/52 , G06V10/52 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于改进YOLOv5算法的危化品车辆检测方法，包括S1、对已获取到数据寄命名为Hazardous Vehicles，进行预处理，得到处理后的数据集划分为四个类别；S2、搭建传统YOLOv5模型架构，并在主干网络部分引入RFEB模块；S3、引入可分离式注意力机制，通过将尺度感知、空间感知和任务感知的注意力机制统一到头部中；S4、利用搭建好的模型在训练集上进行训练并在测试集上进行验证，实现对危化品车辆的预测。与现有技术相比，本发明在主干网络中，RFEB结构通过设计不同dilated convolution结构解决小物体和感受野在低分辨率特征图上的不匹配问题；在模型头部，通过引入可分离式注意力机制，通过将尺度感知、空间感知和任务感知的注意力机制统一到头部中，以提高Head的感知能力和检测精度。
-
公开(公告)号：CN116469573A
公开(公告)日：2023-07-21
申请号：CN202310374907.3
申请日：2023-04-10
Applicant: 淮阴工学院
Abstract: 本发明公开了一种基于自适应遗传算法的疫情传播预测优化方法，在传统SEIR模型的基础上增加病毒可以通过物体进行传播、潜伏期人群具有一定感染率和自愈率、感染者具有死亡率以及康复者具有复阳率来适应真实疫情传播特点；将不同人群随时间t变化的序列函数表示出来整合成人群变化的方程表达式，并对所提出的模型和公式求解证明；再对数据进行参数估计和模型拟合来预测疫情的走势变化；为优化模型预测结果，提出了用自适应遗传算法来调节模型参数使预测结果更加逼近实际结果，最后用评价指标来评估模型预测的结果与实际的数据进行检验评估，证明了经过自适应遗传算法优化后的模型，预测准确度大大提高。本发明具有预测较为精准和可靠性较高的优点。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.019 seconds)
