专利交易市场

本发明是一种基于机器学习的智能地毯跌倒判别方法，在由按照合理的人体行走规律设计的智能地毯上，使用机器学习的方式将行走过程中地毯踩点在时间及空间数据变化情况作为机器学习的输入特征，通过反复地走动并将信息存入数据库，将存储的特征信息和用户实际走动情况进行匹配，从而实现基于机器学习的特征环境。在进行分类算法之前，建立隐马尔科夫概率转移模型，使地毯获得自适应的物体区分功能，去除地毯上无效的踩点信息，保留目标用户信息。在训练过程中，采用基于SVM(支持向量机)进行训练，选取不同的核函数特征数据反复训练，根据不同的训练结果，在智能地毯上重复走动和跌倒两个过程，建立高可靠性的跌倒判别模型。

本申请公开了支持双向隐私保护的机器学习安全聚合预测方法及系统，包括：客户端、计算服务器和聚合服务器；计算服务器接收客户端发送的待预测数据的数据份额；所述计算服务器对数据份额进行处理，得到预测结果份额；所述计算服务器对预测结果份额进行盲化处理，得到盲化预测结果份额；所述计算服务器将盲化预测结果份额发送给聚合服务器；所述聚合服务器对盲化预测结果份额进行移除盲化处理和加噪声处理，将结果反馈给客户端。

本发明公开一种基于高通量表征与机器学习的核电用钢晶粒尺寸预测方法，涉及材料晶粒尺寸分析及预测技术领域，通过高通量表征技术一次性获取大量核电用奥氏体不锈钢在不同热变形与热处理条件下的多变量复杂参数组合，结合EBSD大面积拼接技术获取高精度的晶粒尺寸信息，利用WOA‑XGBoost机器学习算法建立可靠的实验数据库，实现对大尺寸试样晶粒尺寸的准确预测。这种方法不仅提高了数据采集效率，还显著降低了研究与生产成本，同时优化了工艺参数，提升了材料性能和质量。此外，该发明还促进了智能制造技术的发展，推动了材料研发和生产过程的智能化和自动化，有助于实现可持续发展的目标。

本申请属于坩埚抗变形预测技术领域，涉及基于机器学习的石英坩埚高温抗变形率预测方法；本发明通过收集关键的历史数据，涵盖铝合金成分、坩埚物理属性、使用条件及抗变形率等信息；经过数据预处理，保证了数据集的质量和一致性；通过皮尔逊相关系数、LASSO回归和主成分分析等统计方法，筛选出对抗变形率有显著影响的特征，并进行特征工程以构建新的交互特征，这些特征能够反映熔炼条件与坩埚物理属性之间的复杂关系；深度学习模型的引入使得预测模型能够学习到数据中的深层次模式，从而显著提升预测的精度；最终，训练好的模型能够根据实时数据准确预测石英坩埚的高温抗变形率，为生产决策提供了科学依据，有助于优化生产流程和降低成本。

本发明提供了一种基于机器学习的线稿生成方法及装置，所述方法包括：获取若干数量的素材对比图；其中，所述素材对比图包括素材草稿图以及与其对应的素材线稿图；利用预设的深度学习生成模型根据所述素材草稿图及其对应的素材线稿图进行学习和训练，生成得到线稿转换模型；将待处理草稿图输入至所述线稿转换模型生成得到与所述待处理草稿图相对应的线稿图。本发明通过利用草稿‑线稿对比图对深度学习生成模型进行训练，生成将草稿转换为线稿的模型，从而在实际创作过程中能够根据草图自动生成线稿图，大大节省了人工和时间成本。

本发明涉及人工智能与生物信息学领域，涉及一种基于机器学习的子宫内膜癌组织学等级预测方法，其中包括核糖核酸序列处理、支持向量机、生存分析等技术。首先，对G1G3数据集和G2数据集的核糖核酸序列进行预处理，并对提取完特征的数据集进行去量纲化处理；其次，训练G1、G3级子宫内膜癌分类预测模型，确定支持向量机的最优核函数，并完成模型测试；最后，使用训练好的模型将G2级患者分成G2高风险和G2低风险两个亚组，通过生存分析验证分级的有效性。本发明提高了G1、G3级子宫内膜癌分级预测准确率，并成功地将G2级患者分成了G2高风险和G2低风险两个亚组。本发明能够为子宫内膜癌患者的临床手术决策提供参考。