专利名称：基于分组变量的低冗余特征选择方法      申请号：201811097768X     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：机器学习 数据挖掘 训练模型 数据算法   相似专利 发布日：2024/12/13  
摘要： 本发明涉及一种基于分组变量的低冗余特征选择方法，包括：对已知患病与否的电子病历数据进行处理，得到已知结果病历的二维特征数据集；利用k‑means等聚类方法构建所述病历的二维特征数据集的自动分组；提出去冗余分组特征选择方法的模型目标函数；对S3中提出的目标函数进行全局优化，构建出相应的疾病预测模型。本发明通过在进行特征选择时，将组冗余性考虑进去，能够从高维特征中选择出一种更具有代表性的低维特征，可以带来预测精度和速度的提升。

专利名称：一种多小区联邦学习模型训练方法      申请号：2021111918089     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：机器学习 数据安全 数据传输 用户信息安全   相似专利 发布日：2025/03/12  
摘要： 本发明涉及一种多小区联邦学习模型训练方法，属于机器学习领域。该方法具体步骤为：用户基于本地数据训练本地模型，并发送至所关联的蜂窝基站；基站接收用户本地模型聚合为全局模型，并记录迭代次数；若基站迭代次数差异超过门限值，则停止迭代，否则，判断模型更新差异是否低于门限值；若是，则暂停发送模型参数，否则，判断当前可用带宽是否低于门限值；若是，则基站仅发送模型权值差异值高于门限值的相应权值；否则，基站发送模型全部参数；各基站更新模型，直至模型收敛。

专利名称：一种多标签图像深度学习分类方法及设备      申请号：2020110221913     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：机器学习   相似专利 发布日：2025/07/09  
摘要： 本发明涉及机器学习领域的多标签学习技术，涉及一种多标签图像深度学习分类方法及设备，包含以下步骤：获得标签关系图；根据标签关系图获得所有类别标签的映射和所有标签组的映射；构建深度卷积神经网络并进行图像通用特征提取；选取卷积神经网络不同层的特征图通过映射函数将其映射到标签和标签组映射的维度；对选取特征图中所有像素点计算标签和标签组在当前像素点位置的相合性评分与归一化评分；得到最终的标签相关语义特征与最终的标签组的相关语义特征；标签预测。本申请实现有效利用标签关系，学习更加丰富的图像通用特征和标签关系特征，更好的进行多标签分类任务。

专利名称：一种基于精细时移多尺度排列熵与萤火虫算法优化支持向量机的故障诊断方法      申请号：201910372132X     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：机器学习   相似专利 发布日：2025/07/09  
摘要： 本发明公开了故障诊断技术领域的一种基于精细时移多尺度排列熵与支持向量机的故障诊断方法，本发明的步骤为：采集待诊断物体的原始故障振动信号；提取原始故障振动信号的精细时移多尺度排列熵值；将故障样本分为多个训练样本和测试样本；采用多个训练样本对基于萤火虫优化的支持向量机多故障分类器进行训练；采用已训练完成的多故障分类器(萤火虫算法优化的支持向量机)对测试样本进行分类；根据分类结果识别故障物体的工作状态和故障类型。本发明提出的故障诊断方法在特征提取的过程中有较高的创新性，在故障识别过程中具有较高的识别度。

专利名称：一种基于小样本学习的虹膜识别方法      申请号：2021102168952     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：机器学习 生物识别 眼睛识别   相似专利 发布日：2024/11/21  
摘要： 本发明公开了一种基于小样本学习的虹膜识别方法，应用于机器学习技术领域，具体步骤包括如下：获取虹膜图像，并对虹膜图像进行预处理，得到数据集；在MAML框架下嵌套特征提取网络，构造虹膜图像识别模型；对构造的虹膜识别模型进行训练，获取原模型参数值并更新原模型参数值；同时对损失函数引入L2正则化；得到最优虹膜图像识别模型，进行虹膜识别。本发明基于元学习的模型无关自适应算法的基础上进行了改进，对MAML的交叉熵损失函数进行改进，引入L2正则化，在内循环内部进行更为充分的学习，减少训练过程的过拟合现象，提高算法的泛化性以更好地适应新任务；同时使元学习变简，进一步嵌套特征提取网络，增强内嵌网络的特征提取能力。

专利名称：基于机器学习的模型参数获取方法、系统及可读介质      申请号：2021104835325     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：机器学习   相似专利 发布日：2025/07/09  
摘要： 本发明公开了一种基于机器学习的模型参数获取方法、系统及可读介质，建立延迟状态空间模型、全局模型，通过机器学习算法即EM算法确定参数估计，所述的延迟状态空间模型，引入一个隐藏变量表示在时间t生效的子模型，得到输出模型；利用贝叶斯规则得出延迟的概率，使用卡尔曼滤波器对这些密度函数进行数值计算；用当前估计的参数评估Q函数，在下一个最大化步骤中，通过最大化Q函数获得新参数；最大化Q函数，对每个参数执行微分运算；通过将导数等于零来计算每次迭代时系统参数的最佳估计。本发明通过使用多个双速率状态空间模型来逼近具有不同工作条件的参数变化时延系统。

专利名称：一种基于LightGBM的绩点预测方法      申请号：2018106792479     转让价格：面议  收藏
法律状态：已下证   类型：发明   关键词：机器学习 数据挖掘 教育管理 教学设计 职业培训 教育质量分析 智慧教育 考勤打卡 学业预警   相似专利 发布日：2025/06/26  
摘要： 本发明公开了一种基于LightGBM的绩点预测方法，本发明首先对从教务网、招生就业系统、学生基础信息系统、学生财务系统获取到的数据进行ETL处理，获得符合规范的能用于数据挖掘任务的学生行为习惯数据集StuHabitV1，再使用XGBoost及随机森林对数据集StuHabitV1进行学生绩点的预测，利用这两个算法的互信息对StuHabitV1进行特征选择得到StuHabitV2，最后对lightGBM调参以得到最优的模型。本发明有效地提高了预测的准确程度。