“毛伊敏”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果21个，建议您升级VIP下载更多相关专利

[发明专利]基于Spark和FFT卷积的并行DCNN场景匹配识别方法-CN202310886214.2在审
发明人：戴经国;毛伊敏;戴俊威 -专利权人：韶关学院
申请日： 2023-07-19 - 公布日： 2023-10-24 - 主分类号： G06V20/00 文献下载
摘要：本发明提出了一种基于Spark和FFT卷积的并行DCNN场景匹配识别方法，包括以下步骤：S1，初始化卷积核的权重；S2，在Spark框架下进行场景识别的DCNN模型并行训练；S3，将待识别的场景图片输入到并行训练完毕的DCNN模型中，得到场景匹配识别结果，并将结果输出到HDFS分布式文件系统中。本发明在场景识别领域具有较高的训练效率，适用于大规模数据集的快速匹配识别。
基于 spark fft 卷积并行 dcnn 场景匹配识别方法

[发明专利]区域滑坡危险性评价的Spark和NRSCA策略并行深度森林算法-CN202310790193.4在审
发明人：贾俊;毛伊敏;刘绍芬;孟晓捷;刘港 -专利权人：江西理工大学
申请日： 2023-06-30 - 公布日： 2023-09-19 - 主分类号： G06F18/243 文献下载
摘要：本发明提出了区域滑坡危险性评价的Spark和NRSCA策略并行深度森林算法，包括以下步骤：S1，将具有潜在滑坡区域的地理底图输入并行深度森林算法中，并从中筛选无关特征，获取候选特征集，从候选特征集中过滤出冗杂特征，构成优质特征集；S2，将获取的优质特征集送入多粒度扫描阶段处理；S3，结合Spark对每层级联森林模型进行并行化训练；S4，对并行深度森林算法的有效性进行验证。本发明提出的算法无论是在运行效率上还是模型精确度上都有显著的提高，此外通过该方法所挖掘出的知识，能够在金融领域、医疗领域上提供巨大的帮助。
区域滑坡危险性评价 spark nrsca 策略并行深度森林算法

[发明专利]基于MapReduce的并行频繁项集挖掘方法-CN202010107067.0有效
发明人： 毛伊敏;张弛 -专利权人：韶关学院
申请日： 2020-02-20 - 公布日： 2023-09-15 - 主分类号： G06F16/2458 文献下载
摘要：本发明提出了一种基于MapReduce的并行频繁项集挖掘方法，包括以下步骤：S1：输入待挖掘的数据集，并对数据集进行划分分区和筛选，得到频繁1项集，对频繁1项集中各个项排列生成F‑list；S2：通过负载均衡策略LBSBDG对F‑list均匀分组；估算F‑list中每一项的负载量，并根据每一项的负载量进行均匀分组，生成分组列表G‑list；S3：启动频繁k项挖掘任务，并行挖掘待挖掘的数据集中所有的频繁项集。本发明采用DiffNodeset数据结构，能够有效避免算法中存在的N‑list基数过大的问题；通过双向比较策略T‑wcs加快2项集的生成效率，以降低算法的时间复杂度。
基于 mapreduce 并行频繁挖掘方法

[发明专利]一种大区域滑坡危险性评价的并行支持向量机分类方法-CN202110666236.9有效
发明人：贾俊;武文英;毛伊敏;安冉 -专利权人：中国地质调查局西安地质调查中心（西北地质科技创新中心）
申请日： 2021-06-16 - 公布日： 2023-09-05 - 主分类号： G06F30/27 文献下载
摘要：本发明提出了一种大区域滑坡危险性评价的并行支持向量机分类方法，括以下步骤：首先，该算法提出KF策略来删减冗余数据，利用删减冗余数据后的数据集训练SVM，降低SVM对冗余数据的敏感性；其次，提出了基于非线性收敛因子和自适应惯性权重的鲸鱼智能优化算法，利用“IW‑BNAW”算法获取SVM的最优参数，提高支持向量机的参数寻优能力；最后，在利用MapReduce构造并行SVM过程中，提出时间反馈策略TFB用于reduce节点的负载调度，提高了集群的并行效率，实现了高并行的SVM。本发明原理简单且易于实现，本发明提出的算法无论是在并行效率上还是预测精确度上都有显著的性能表现，因此可应用于大区域滑坡危险性评价，提高其评价预测精确度。
一种区域滑坡危险性评价并行支持向量分类方法

[发明专利]基于互信息和融合加权的并行深度森林网络入侵检测方法-CN202310584029.8在审
发明人： 毛伊敏;李文豪 -专利权人：江西理工大学
申请日： 2023-05-23 - 公布日： 2023-08-29 - 主分类号： H04L9/40 文献下载
摘要：本发明提出了一种基于互信息和融合加权的并行深度森林网络入侵检测方法，包括以下步骤：S1，对实时网络访问数据进行收集，得到原始特征集；然后对原始特征集进行特征降维；S2，对降维后的特征进行多粒度扫描得到输入特征集；S3，将输入特征集输入级联森林对网络访问数据进行入侵分类，得到预测的入侵类别结果。本发明能快速分析网络行为，从而对网络中存在的攻击行为进行有效的感知。
基于互信融合加权并行深度森林网络入侵检测方法

[发明专利]基于Spark和特征聚类的并行DCNN快速场景匹配识别方法-CN202310482645.2在审
发明人：戴经国;毛伊敏;戴俊威 -专利权人：韶关学院
申请日： 2023-04-28 - 公布日： 2023-08-04 - 主分类号： G06V20/10 文献下载
摘要：本发明提出了一种基于Spark和特征聚类的并行DCNN快速场景匹配识别方法，包括以下步骤：S1，并行池化选取：通过计算池化前后特征图互信息系数对下一次的池化方法进行自适应调整，解决了特征图的精度下降的问题。S2，特征并行聚类：通过粒子群优化快速定位密度聚类参数，在全连接层时对聚类特征抽样识别，解决了特征冗余计算多的问题。S3，特征动态负载：通过动态计算分布式系统各节点特征图的计算开销，并根据此开销在组间负载动态分配数据，实现数据的动态负载均衡，解决了并行识别效率低的问题。本发明解决了深度并行卷积神经网络(DCNN)在识别大规模图像过程中存在的特征图的精度下降，特征冗余计算多，并行识别效率低等问题。
基于 spark 特征并行 dcnn 快速场景匹配识别方法

[发明专利]基于Spark和AMPSO的并行深度卷积神经网络优化方法-CN202310051881.9在审
发明人： 毛伊敏;戴经国;罗全成 -专利权人：韶关学院
申请日： 2023-02-02 - 公布日： 2023-06-30 - 主分类号： G06N3/0464 文献下载
摘要：本发明提出了一种基于Spark和AMPSO的并行深度卷积神经网络优化方法，包括以下步骤：S1，在主节点上使用原始数据集预训练DCNN模型，调用FP‑FIS策略对预训练后的DCNN模型进行剪枝，获得压缩后的DCNN模型，并将压缩后的DCNN模型分发至各计算节点；S2，将原始数据集划分为大小相同的数据集，并分发至各计算节点；S3，在各mapper节点上调用map函数和MPT‑AMPSO策略并使用各节点上所分发的数据集对压缩后的DCNN模型进行并行训练；S4，在各reducer节点上调用reduceByKey函数和DLBNP策略对压缩后的DCNN模型参数进行并行更新，最终获取参数更新结果。本发明解决了模型冗余参数过多的问题；解决了并行DCNN算法收敛速度慢和容易陷入局部最优的问题；解决了集群并行效率低的问题。
基于 spark ampso 并行深度卷积神经网络优化方法

[发明专利]一种大区域滑坡危险性评价的并行DCNN分类方法-CN202310214972.X在审
发明人： 毛伊敏;温占卿 -专利权人：江西理工大学
申请日： 2023-03-08 - 公布日： 2023-06-23 - 主分类号： G06V10/764 文献下载
摘要：本发明提出了一种大区域滑坡危险性评价的并行DCNN分类方法，包括以下步骤：S1，对卷积层中的特征图进行分组合并，实现特征图压缩；解决了训练过程中冗余特征图过多的问题。S2，模型并行训练中，在给定的分类准确度损失范围内寻找最优的近似卷积核替代原卷积核，以此来降低卷积核中的无效参数，进而克服了卷积运算效率低下的问题。S3，对模型并行训练过程中产生的各种中间数据进行均匀分配，有效地解决了节点负载不均衡的问题。本发明能够显著提升DCNN模型在大数据环境下的训练效率，同时在大型数据集上表现出良好的可扩展性。
一种区域滑坡危险性评价并行 dcnn 分类方法

[发明专利]基于Winograd卷积的并行深度卷积神经网络优化方法-CN202210610611.2在审
发明人： 毛伊敏;戴经国;李叶;陈志刚;霍英 -专利权人：韶关学院
申请日： 2022-05-31 - 公布日： 2022-10-18 - 主分类号： G06N3/04 文献下载
摘要：本发明提出了一种基于Winograd卷积的并行深度卷积神经网络优化方法，包括：S1，模型批训练阶段，采用基于余弦相似度与归一化互信息的特征过滤策略FF‑CSNMI，通过先筛选后融合的方式消除冗余特征的计算，解决了冗余特征计算过多的问题；S2，参数并行更新阶段，采用并行Winograd卷积策略MR‑PWC，通过使用并行化Winograd卷积降低大数据环境下卷积的计算量，以此提升卷积运算的性能，解决了大数据环境下卷积运算性能不足的问题；S3，参数组合阶段，采用基于任务迁移的负载均衡策略LB‑TM，通过均衡各节点之间的负载降低并行系统各节点的平均反应时长，提升模型参数的并行化合并效率，从而解决了参数并行化合并效率低的问题。本发明在并行效率和分类效果上都有显著的提升。
基于 winograd 卷积并行深度神经网络优化方法

[发明专利]一种基于MapReduce和MSSA的并行K-means聚类方法-CN202210612800.3在审
发明人： 毛伊敏;戴经国;崔瑜;陈志刚;霍英 -专利权人：韶关学院
申请日： 2022-05-31 - 公布日： 2022-10-18 - 主分类号： G06K9/62 文献下载
摘要：本发明提出了一种基于MapReduce和MSSA的并行K‑means聚类方法，包括以下步骤：S1，对高维数据进行特征加权和特征提取；S2，对特征提取后的数据进行划分，通过两段映射选取高质量划分点，并根据划分点对数据进行广义超平面划分，获得Map上的均匀分区；S3，运用MSSA算法对并行K‑means聚类的质心寻优；S4，得到最终聚类结果并输出。本发明解决了面对高维数据聚类效果差的问题，能得到均匀的数据分区，还改善了算法对初始质心敏感的问题。
一种基于 mapreduce mssa 并行 means 方法

[发明专利]基于Im2col的并行深度卷积神经网络优化方法-CN202210279825.6在审
发明人： 毛伊敏;戴经国;龚克;陈志刚;霍英 -专利权人：韶关学院
申请日： 2022-03-21 - 公布日： 2022-07-29 - 主分类号： G06N3/08 文献下载
摘要：本发明提出了一种基于Im2col的并行深度卷积神经网络优化方法，包括以下步骤：S1，特征并行提取：提取数据中的目标特征作为卷积神经网络的输入；S2，模型并行训练：在并行DCNN模型训练阶段的卷积过程之中，通过IM‑PMTS策略完成分布式的卷积核剪枝，以及多节点卷积计算；并结合MapReduce和Im2col方法并行训练模型；S3，参数并行更新：在反向传播阶段，对于批量数据采用IM‑BGDS策略进行参数的更新；S4，将待测数据输入参数并行更新后的DCNN模型，输出分类结果。本发明提出MHO‑PFES策略能够避免数据冗余特征多的问题；IM‑PMTS策略提高了卷积层运算速度；IM‑BGDS策略排除异常数据对批梯度的影响，解决了损失函数收敛性差的问题。
基于 im2col 并行深度卷积神经网络优化方法

[发明专利]基于增益率与堆叠自编码器的并行随机森林优化方法-CN202210280660.4在审
发明人： 毛伊敏;戴经国;陈伟达;陈志刚;霍英 -专利权人：韶关学院
申请日： 2022-03-21 - 公布日： 2022-07-05 - 主分类号： G06K9/62 文献下载
摘要：本发明提出了一种基于增益率与堆叠自编码器的并行随机森林优化方法，包括：S1，对训练数据集进行特征降维：先对各特征计算特征依赖度获得候选特征集，再对候选特征集的各特征使用冗余过滤函数过滤候选特征集之外的冗余与不相关特征，并使用堆叠自编码器对数据集进行特征提取得到降维数据集；S2，子空间选择：计算由降维数据集初始化生成的特征子空间的信息含量后判断是否满足设定阈值，并对不满足设定阈值的特征子空间进行重新选取；S3，并行构建随机森林：计算各节点分配后的节点数据量以衡量节点负载后，通过节点分配函数选择负载较小的节点分配Reduce任务；S4，将待测数据输入随机森林，得到最终分类结果。本发明在分类效果和并行效率上都有显著的提升。
基于增益堆叠编码器并行随机森林优化方法

[发明专利]基于相对熵和余弦相似度的并行支持向量机优化方法-CN202210285548.X在审
发明人： 毛伊敏;戴经果;郭斌斌;陈志刚;霍英 -专利权人：韶关学院
申请日： 2022-03-22 - 公布日： 2022-06-17 - 主分类号： G06K9/62 文献下载
摘要：本发明提出了一种基于相对熵和余弦相似度的并行支持向量机优化方法，包括以下步骤：S1，数据划分：采用基于相对熵的数据划分策略DPRE进行数据划分，平衡当前子集和原始数据集的相对熵，划分样本到子集；S2，并行SVM训练：结合MapReduce框架实现多层级联结构，逐层过滤非支持向量精简训练集，得到训练后的SVM模型；S3，将待测数据输入训练后的SVM模型，获得数据分类结果。本发明能够在分类效率和分类精确度上都有显著的提高。
基于相对余弦相似并行支持向量优化方法

[发明专利]基于信息论改进的并行深度森林分类方法-CN202011618761.5有效
发明人： 毛伊敏;耿俊豪 -专利权人：韶关学院
申请日： 2020-12-31 - 公布日： 2022-05-13 - 主分类号： G06V10/74 文献下载
摘要：本发明提出了一种基于信息论改进的并行深度森林分类方法。首先，该算法基于信息论设计了一种混合降维策略，获得降维后的数据集，有效减少了冗余及不相关特征数；其次，提出了一种改进的多粒度扫描策略对样本进行扫描，保证每个特征在扫描后以同频率出现在数据子集中，避免了因多粒度扫描不平衡的影响；最后，结合MapReduce框架，对深度森林模型每层级联结构中的随机森林进行并行化训练，同时提出了一种样本加权策略，根据级联中随机森林对样本的评估，选取评估结果较差的样本进入下一层训练，减少了层级中样本的数量，提高了算法的并行效率。本发明原理简、易实现，在运行效率和聚类精确度上都有显著提高，该方法还能在生物学，医学，天文地理学上提供巨大的帮助。
基于信息论改进并行深度森林分类方法

[发明专利]基于MapReduce的并行频繁项集增量数据挖掘方法-CN202110177059.8有效
发明人： 毛伊敏;邓千虎 -专利权人：韶关学院
申请日： 2021-02-07 - 公布日： 2022-05-13 - 主分类号： G06F16/2458 文献下载
摘要：本发明提出了一种基于MapReduce的并行频繁项集增量数据挖掘方法(MR‑PARIMIEG)。S1，设计基于信息熵的SIM‑IE策略来合并数据集中的相似数据项，根据合并后的数据集进行Can树构造，降低了最终生成的Can树结构的空间占用；S2，提出基于遗传算法的DST‑GA策略用于获取大数据集中的相对最优动态支持度阈值，根据所述相对最优动态支持度阈值进行频繁模式挖掘；S3，使用并行LZO数据压缩算法对Map端输出的数据进行压缩来减少传输的数据规模，从而减少了内存与磁盘之间的IO操作频次，最终加速Map与Reduce阶段的数据传输过程。本发明实用简便，与已有的基于MapReduce并行频繁项集增量挖掘方法相比较，本发明提出的方法在时间复杂度和空间复杂度等方面都有明显提高。
基于 mapreduce 并行频繁增量数据挖掘方法

1
2
下一页»
尾页
共 21 条