专利交易市场

一种基于动态修正向量的图像增量学习方法，包括以下步骤：S1构造以ResNet‑32网络层结构为模型的主干网络，采用Adam训练优化器，同时，基础分类损失函数是Kullback‑Leibler Divergence相对熵损失函数；S2损失函数引入知识蒸馏，结合分类损失函数，帮助新模型学习旧类别中的知识，缓解灾难性遗忘问题；S3训练方式采用代表性记忆方法和动态修正向量方法训练ResNet‑32模型；S4重载上一增量阶段训练的最佳模型，重复步骤S2～S3，评估在所有测试集上的性能，直到训练完所有增量数据。本发明提高了增量学习任务的识别能力，具有较高的实用价值。

本发明提供了一种基于增量学习的miRNA及其异构体家族信息识别方法，具体包括：构建miRNA成熟体及其异构体的家族信息识别问题的基准数据集；构建基于增量学习的miRNA成熟体及其异构体家族信息识别的基准模型；选取旧基准模型所使用的旧类别数据，和新类别数据合并，构建增量学习数据集；在全连接层添加新类别数量维度，在偏差校正层开放对新类别的校正函数，更新家族信息识别模型；将增量学习数据集输入到新家族信息识别模型，在损失函数约束下进行训练；最后将待分类miRNA序列输入到训练后的模型中，进行序列家族信息识别，得到家族分类结果。本发明可用于鉴定miRNA成熟体和异构体的家族归属，使得多分类问题结果更为可靠和可信，降低系统误差。

本发明公开了一种科技新闻的增量学习多层次二分类方法，本发明利用新闻属性中的文章标题、文章内容、关键词，结合向量空间模型下的文本加权方法和文本间相似度计算方法，先对标记新闻文档集中的标记信息和全文信息进行预处理和特征加权，存储计算中间结果，之后从特征信息和全文文本两个层次，使用余弦相似度计算新文本与科技新闻分类和非科技新闻分类间的相似度，以此依据判定新文本的分类，多层次判断方法和增量学习方法提高了对科技词汇的敏感度，二分类方法能够减少与科技新闻无关新闻的文本数量，进而提高文本多分类准确性。本发明用于改善从Web网页中抽取新闻信息的使用价值，提高科技新闻的分类准确率。

本发明公开一种基于增量学习的锚链闪光焊接质量在线检测方法，包括以下步骤：采集M个不合格样与N个合格样本；通过分段线性插值使样本的信号长度一致；对信号进行归一化处理；计算不合格样本之间的距离，建立距离矩阵；随机抽取不合格样本后合成新样本，并计算新样本与已有不合格样本之间的距离；判断不合格样本的数量是否与合格样本的数量相同；构建卷积神经网络，对模型进行训练；输出模型在测试集上的预测结果；利用新增样本对模型进行训练；输出增量学习后的模型在测试集上的预测结果。本发明有效地增加了不合格样本的数量，解决了样本的不平衡问题，提高了模型的泛化能力；解决了锚链闪光焊接的样本数量与日俱增的问题。

本发明公开了一种基于支持向量几何意义的增量学习方法，包括以下步骤：首先提出有效的选取给定个数凸包顶点样本的方法，称为CHVS方法，并从理论上证明此方法所选取的样本就是凸包顶点样本；其次通过在每一类样本集合中运用CHVS方法，从大数据量训练样本中选取出那些能够最大程度保持各类凸包信息的重要样本，称为VS方法；最后用这些选取的少量重要样本与新来的样本一起重新训练得到更新的分类器。本发明实现了有效的SVM增量学习分类方法，是一种通用的方法，相对于其它的经典SVM增量学习方法，本发明的增量学习方法更适合于大数据量的在线增量学习任务，具有很好的应用前景。