专利交易市场

一种基于多通道图卷积神经网络的蛋白质互作网络节点分类方法，通过组合高阶信息来提高分类效果，根据蛋白质相互作用数据构建一个蛋白质互作网络，构建多通道图卷积神经网络模型，该模型包含两层结构，使用不同的图卷积核组合，在少数有标签蛋白质的数据基础上完成半监督分类，得到无标签蛋白质的类别。本发明通过多通道的高阶邻域图卷积神经网络组合来提取蛋白质互作网络的高阶信息，在较低的运算代价下提升了对蛋白质的分类精度。

本发明公开了一种特征金字塔图卷积神经网络及其在3D点云分类中的应用。本发明通过对图卷积网络提取到的多种不同尺度的特征信息进行特征提取，在网络进行特征提取的过程中，不同深度的网络提取出的信息会有不同，通过对多种尺度可以更充分的使用网络中的特征信息，提高网络的效果。同时本发明通过深层残差图网络结构对特征进行进行提取，并构建了一种特征金字塔结构，在网络进行预测结果的以后充分的使用多种层次的特征信息，通过这种方法使得网络在进行3D点云分类的时候拥有更好的效果，同时该结构还能运用到其他任务重，本发明可以充分的利用图网络中提取的数据关系信息，提高图网络对数据的关系处理能力，提高在点云分类等图数据中的能力。

本发明公开了一种基于图卷积神经网络的跨语料库情感识别方法，适用于语音情感识别领域使用。获取两个具有情感标签的音频数据库，两选取部分样本删除情感标签，对两个音频数据库的音频进行特征提取，得到多个情感特征组，建立图卷积神经网络模型，然后将GCN中每个节点与与之距离最近节点之间构成边，最终将节点和边连接构成一张新的图，音频定义为GCN的节点输入两层的图卷积神经网络，将有情感标签和无情感标签的音频放入图卷积神经网络进行训练，最终通过语音情感标签概率完成情感识别。其步骤简单，实现了跨多个数据库训练，有效提高训练后图卷积神经网络的准确率。

本发明公开了一种基于图卷积神经网络的软件缺陷预测方法，利用GCN算法训练模型对输入的代码文件进行缺陷类型的预测。本发明通过Bert模型将软件的源代码文件进行特征提取，并通过构建抽象语法树实现了源代码中的文件之间的关联，然后使用关联算法Apriori将代码中可能具有缺陷传递的文件进行关联，最后将源文件的特征向量与特征向量之间的关联关系作为邻接矩阵作为输入，实现了对GCN模型的训练。当判断软件代码文件是否存在缺陷时，将代码文件自动转化为其对应的特征向量向量作为模型的输入，GCN模型输出代码文件可能存在缺陷，从而大大减少了测试人员的工作量。