本发明公开了一种基于双向特征嵌入的深度学习模型去偏方法，包括：获得第一特权组样本集和第一非特权组样本集；构建双特征嵌入样本集；搭建收入预测模型，所述深度学习模型包括6层全连接网络；利用双特征嵌入样本集，在训练时，以收入判断任务的损失loss_m1，和去社会偏见损失loss_m2组成的总损失loss为最终损失；每训练一阶段，将收入预测模型输出的收入判断结果和对应的敏感性样本集通过mean difference进行测算，当mean difference计算结果满足阈值，则获得最终收入预测模型。该收入预测模型能够准确且不带有偏见的预测收入。
📄 2021107771170
📂 G06N3_08
👤 浙江工业大学
📅 2021-07-09
基于对比生成的自监督消息传递图表示学习方法，包括：步骤1：数据预处理，包括：图数据处理与数据划分；将原始图数据集中的所有孤立节点加上指向自身的自环；若数据集中的连边为有向边，则将所有的有向边转换为无向边；将节点按照1:1:8的比例划分为训练集、验证集和测试集；步骤2：对比生成阶段；该阶段通过一个对比生成模型，具体地学习节点的嵌入表示；对比生成模型由对比模块和生成模块两部分构成，二者共享编码器结构，基于对比和生成的思想，共同优化节点的嵌入表示；步骤3：对比聚合阶段；将对比生成模块得到的拓扑图G的节点嵌入H传给聚合模型，由对比聚合模型对节点嵌入进行聚合，完成训练后得到本模型最终的节点嵌入。解决了生成式方法受噪声和输入特征可辨别性影响较大的问题，提升了模型的鲁棒性。
📄 2024106255563
📂 G06N3_0895
👤 浙江工业大学
📅 2024-05-20
本发明公开了一种面向强化学习的异常数据检测防御方法，包括：(1)搭建小车自动驾驶环境，并基于根据小车自动驾驶环境提供的状态数据，采用深度确定性策略梯度算法进行强化学习，生成驾驶状态数据作为训练样本；(2)利用所述训练样本训练由生成器和判别器组成的生成式对抗网络；(3)采集的驾驶状态数据，利用训练好的生成器生成根据当前时刻驾驶状态数据得到的下一时刻的预测驾驶状态数据；(4)利用训练好的判别器判别下一时刻的真实驾驶状态数据和预测驾驶状态数据是否正常，当下一刻的真实驾驶状态数据异常，预测驾驶状态数据正常，利用预测驾驶状态数据替换真实驾驶状态数据。
📄 2020100718775
📂 G06N3_08
👤 浙江工业大学
📅 2020-01-21
一种优化深度卷积神经网络结构的快速进化方法，包括以下步骤：1)使用基于GNP的进化算法有效构建非线性的CNN网络结构，并对CNN结构的各种超参数进行变异以寻找最优的CNN超参数组合；2)在进化过程中，设计了一种多目标的网络结构评价方法，将分类准确率和分类器的复杂程度同时作为优化目标，目的是有效生成具有高分类准确率和简单结构的CNN分类器；3)提出了增量式训练方法，在上一代CNN结构的基础上进行子代CNN结构的训练。本发明能减少模型的训练次数，降低算法的时间复杂度。
📄 2018101413067
📂 G06N3_08
👤 浙江工业大学
📅 2018-02-11
本发明涉及一种基于改进NBA算法的BPNN特征识别方法，对面边邻接图进行预处理，提取特征因子最小子图，将属于同一特征的特征因子聚合为复合特征，对聚合完毕后的每一个特征因子进行特征编码，得到特征编码序列，采用二阶振荡机制和差分算法对NBA算法进行改进，并以改进的NBA算法优化BP神经网络、进行特征识别。本发明最大限度地识别出具有工程意义的特征，由于神经网络有优良的学习性能，极大提高特征识别的准确性和效率，而利用改进的NBA算法对BP神经网络进行优化，可以实现控制局部搜索和全局搜索间的相互转换，避免陷入局部最优缺陷，具有更好的收敛性。本发明在训练后进行特征识别，有效提高了特征识别的准确率和效率。
📄 201811237688X
📂 G06N3_08
👤 浙江工业大学
📅 2018-10-23
本发明公开了一种面向深度学习模型的动态测试方法，包括如下步骤：S1、获取图片数据集与深度学习模型；S2、将图片数据集划分为训练集和测试集，利用训练样本训练深度学习模型得到分类模型；S3、从测试集中随机选取图片作为测试种子样本；S4、将测试种子样本输入分类模型中，若分类模型输出的分类结果与测试种子样本的标签不一致，则将测试种子样本作为测试样本，否则进入步骤S5；S5、基于测试种子样本在分类模型中的交叉熵损失和神经元覆盖率计算梯度；S6、根据梯度上升算法修改测试种子样本；S7、循环执行步骤S4～S6，直到所有测试种子样本都成为测试样本并输出；S8、利用测试样本评判模型的分类性能。
📄 202010600845X
📂 G06N3_084
👤 浙江工业大学
📅 2020-06-28
一种基于深度学习和进化计算的特征基因查找方法，包括以下步骤：1)计算差异表达水平指数，根据二八准则建立一级基因池；2)根据每个基因的表达水平，计算其映射后的密度矩阵和距离矩阵，绘制决策图，利用多重线性回归分析拟合二元平面，自动确定聚类中心；3)构建深度基因表达预测网络计算一级基因池的基因‑基因敏感性信息GGSI，4)依据GGSI值剔除冗余基因，建立二级基因池；5)基于GGSI值对布谷鸟搜索算法进行二进制编码，选出最紧凑的基因集，建立三级基因池。本发明提供一种基于分级结构建立的特征基因选择框架，能够较好的提取出关键基因，采用多重线性回归分析结合深度学习算法和优化算法选择最紧凑特征基因集的方法。
📄 2017113365356
📂 G06N3_08
👤 浙江工业大学
📅 2017-12-14
本发明涉及一种无源域数据的无监督领域适应方法，以有标签的源域样本训练模型，得到预训练好的源域模型；以源域模型初始化目标域模型；以源域模型的BN层存储的统计信息近似源域的特征分布，与目标域样本的特征分布显式对齐，最小化分布对齐损失，尽可能拉近源域和目标域特征分布空间；基于源域模型的分类器的预测对目标域样本的特征进行模糊聚类，以聚类隶属度作为目标域样本的软标签，计算软标签与模型分类器对目标域样本的预测之间的交叉熵损失，对目标域样本计算信息最大化损失；以所有损失函数共同训练目标域模型，实现无源域数据的无监督领域适应，纠正部分最初分类器分错的目标域样本，提高分类准确度。
📄 2022116006318
📂 G06N3_088
👤 浙江工业大学
📅 2022-12-13
本发明公开了一种基于长短时记忆网络的动态网络结构预测方法，包括：(1)收集动态网络数据，确定时间间隔Δ，将数据分割成N个时刻的静态网络G1,G2,…,GN；(2)设定训练时间步长t，根据训练时间步长t将静态网络划分为一系列的数据样本，组成训练集用于模型的训练；(3)根据动态网络中的节点数量，确定模型中的隐藏层层数和每一个隐藏层的单元数量，并搭建模型；(4)将训练集中的数据样本输入模型进行训练，当达到最大训练步数或模型收敛后，模型训练完毕；(5)输入待测试的序列，进行网络结构预测。利用本发明，能够同时学习网络的非线性特征和时间上的结构演化特征，从而准确预测下一时刻网络的整体结构。
📄 2018111393731
📂 G06N3_08
👤 浙江工业大学
📅 2018-09-28
本发明公开了一种基于图卷积网络和群体关系建模的群体行为识别方法，对个体不同局部位置的传感器采集的连续传感器数据通过滑动窗口对连续的传感器数据进行分割，对于每个个体，将个体局部位置传感器数据输入到卷积神经网络和双向长短期记忆网络得到个体行为特征，通过计算得到个体行为相关性和个体位置相关性，构建个体关系图，输入到图卷积网络对群体行为进行识别。本发明充分挖掘传感器数据群体中个体行为以及个体之间的交互关系特征，进行群体特征级的表征，提高了群体行为识别准确率和鲁棒性。
📄 2022102864436
📂 G06N3_08
👤 浙江工业大学
📅 2022-03-22
本发明公开了一种基于神经元覆盖率的图像深度学习模型测试方法与装置，方法包括：选取图像数据集及M个采用图像数据集预训练好的图像深度学习模型；搭建生成式对抗网络；生成式对抗网络的生成器将随机分布映射为扰动图，再将扰动图加到图像数据集中的原始样本上，生成生成样本；针对M个预训练好的图像深度学习模型，以图像数据集作为训练集，基于神经元覆盖率和注意力机制训练生成式对抗网络；以图像数据集作为输入，分别采用M个训练好的生成器生成对抗样本，汇总后获得测试数据集；利用生成的测试数据集对待测图像深度学习模型进行测试。本发明基于注意力机制和神经元覆盖率，使得图像深度学习模型的测试结果更加可靠。
📄 2020106008445
📂 G06N3_08
👤 浙江工业大学
📅 2020-06-28
一种基于变分自编码器的图像增量学习方法，包括以下步骤：1)构造以AlexNet网络层结构为原型的编码层，引入采样层和输出层；2)构建以上采样层和卷积层为基础的解码器，并且添加BacthNorm层；3)将编码器和解码器作为一个端到端的整体在数据集上进行训练；4)独立出编码器的分类层和解码器作为旧类别数据的生成器，并联合新增数据进行增量学习。本发明使得对抗扰动的生成不再受限于实际中众多环境因素的影响，具有较高的实用价值。
📄 2018112941752
📂 G06N3_08
👤 浙江工业大学
📅 2018-11-01
柿子坊 · 知识产权运营
柿子坊知识产权运营平台