CN112668809B - 建立自闭症儿童康复效果预测模型的方法 - Google Patents
建立自闭症儿童康复效果预测模型的方法 Download PDFInfo
- Publication number
- CN112668809B CN112668809B CN202110111675.3A CN202110111675A CN112668809B CN 112668809 B CN112668809 B CN 112668809B CN 202110111675 A CN202110111675 A CN 202110111675A CN 112668809 B CN112668809 B CN 112668809B
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- children
- information
- autism
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
本发明公开了一种建立自闭症儿童康复效果预测模型的方法,所述模型包括多棵代表不同特征分类的弱决策树;所述样本根据其特征在每棵弱决策树上对应一个节点;所述节点对应着该棵决策树上的分数;所述样本在所有决策树上的分数加和即为该样本的特征值。所述建立方法包含以下步骤:步骤a:获取自闭症儿童的基本信息;步骤b:获取自闭症儿童中残联47项指标的评估结果;步骤c:将获取的上述基本信息和评估结果信息矢量化为特征值;步骤d:依据上述特征值进行机器学习,得到上述各项特征对于自闭症儿童康复效果的权重值,完成模型建立。本发明还公开了一种预测自闭症儿童康复效果的方法及系统。
Description
技术领域
本发明属于人工智能技术领域,具体涉及一种建立自闭症儿童康复预测模型的方法以及基于该模型方法的系统。
背景技术
症状分析是自闭症儿童康复活动中的重要一环。目前,自闭症儿童的康复环节中,症状分析都是由康复师根据特征表现,以以往具有相似表现的症状分析为基础,生成新的症状分析反馈给自闭症儿童。
自闭症儿童的基数极为庞大,而有经验的康复师的数量相较之下则少之又少,如何将经验丰富的康复师对儿童通过经验进行的康复趋势的判断转化为科学可复现的预测模型,是一个重要的问题。经验不足的康复师们可能无法对自闭症儿童做出最有效的康复趋势判断,通过机器学习将康复师的经验转化为预测模型,可以大大提高经验尚浅的康复师对自闭症儿童康复趋势的判断,从而提高对自闭症儿童康复的成效。
发明内容
本发明为了克服现有技术的缺陷,提出了一种建立自闭症儿童康复效果预测模型的方法,所述方法包含以下步骤:
步骤a:获取自闭症儿童的基本信息;
步骤b:获取自闭症儿童中残联47项指标的评估结果;
步骤c:将获取的上述基本信息和评估结果信息矢量化为特征值;
步骤d:依据上述特征进行机器学习建立模型,建立用于自闭症儿童康复效果预测的模型,并得到上述各项特征对于自闭症儿童康复效果的权重值。
其中,建立模型的方法如下:
所述模型为F模型,用以预测通过XGBoost算法,最小化LMSE,即以获得最贴近实际结果的模型;其中,i是训练集中的第i组数据,n为数据集的总样本量,为模型F(x)对第i组数据集的预测结果,yi为第i组数据的实际输出结果;所述数据集为所有儿童的30项儿童基本信息及47项特征值;
所述模型建立分为M个阶段,在每个阶段m(1≤m≤M)中,对Fm进行预测,Fm为第m个阶段的F(x)对y的预测函数,而预测结果与实际结果之间的运算差值采用预测器hm(x)来弥补,则预测结果为Fm+1(x)=Fm(x)+hm(x)=y,亦可表示为hm(x)=y-Fm(x);其中,y为实际输出结果,Fm(x)为模型的预测结果;
本发明为了考虑到更多的场景,使用贪婪算法进行预测,贪婪算法的模型如下:
在模型中,通过贝叶斯算法防止过拟合,其原理为重新定义MSE的运算方法来减小误差,即其原理为在计算原函数的MSE时,在原函数上增加人为的误差以增加模型的普适性,具体算法如下:
将实际模型简化为:y=f(x)+ε;
其中,f(x)为预测函数,ε为人为增加的误差,方差为σ2(如此误差的和为0);则本发明希望能找到尽量贴合原函数f(x)的新函数则在数据集D中,D的定义如下:D={(x1,y1)...,(xn,yn)},则本发明希望能尽量减小则本发明的误差集为ED,通过以下步骤展开ED:
最后得到符合上述函数的模型,并得到各项特征值的权重值。
本发明运用交叉验证技术,反复将数据集拆分为运算集和测试集,对样本进行多次模型建立,并筛选出其中结果最优的模型;所述数据集为所有儿童的30项儿童基本信息及47项特征值;
所述最优模型为根据运算集得到的模型,用测试集中的输入信息预测输出信息,其结果与测试集中的输出信息进行比对,保留正确率最高的模型;
进一步筛选最优的参数。
本发明中所述特征值为矢量数据。
本发明还提出了一种上述方法应用中建立的模型,所述模型包括多棵代表不同特征分类的弱决策树;所述样本根据其特征在每棵弱决策树上对应一个节点;所述节点对应着该棵决策树上的分数;所述样本在所有决策树上的分数加和即为该样本的特征值。
本发明还公开了一种非诊断目的的基于上述模型预测自闭症儿童康复效果的方法,所述方法包含以下步骤:
步骤I:获取自闭症儿童的基本信息;
步骤II:获取自闭症儿童中残联47项指标的评估结果;
步骤III:将获取的上述基本信息和评估结果信息矢量化为特征值;
步骤IV:将上述特征输入事先建立的模型中运算;
步骤V:得到针对该儿童自闭症康复效果的预测。
本发明还提出了一种预测自闭症儿童康复效果的系统,所述系统包含以下:
数据录入模块:包含前端网页和微信小程序,负责录入自闭症儿童的基本信息和中残联47项指标的评估结果;
数据库模块:负责储存,筛选录入的自闭症儿童基本信息及中残联47项评估指标的结果;所述筛选为根据所需要获得的模型依照模型特征对数据进行筛选;
机器学习模块:负责通过XGBoost算法学习并建立自闭症儿童康复效果预测模型,获得各项自闭症儿童特征对于自闭症儿童康复效果的权重值;
预测模块:负责将录入的自闭症儿童基本信息及中残联47项指标的评估结果代入模型中进行预测并返回康复概率实现自闭症儿童康复效果预测。
本发明的有益效果在于:
本发明可以把康复师在实际对儿童自闭症康复效果进行评估时积累的经验转化为数学模型,将儿童的数据输入本发明即可预测该儿童的自闭症康复效果。
此外,现有各类自闭症康复课程繁多,本发明可以作为一个帮助评估课程有效性的指标。
附图说明
图1是本发明特征值权值图。
图2是本发明一个含有n个数据,折叠k次的数据集。
图3是本发明随机化后的数据集。
图4是本发明第一次拆分模型计算的数据集。
图5是本发明第二次拆分模型计算的数据集。
图6是本发明第三次拆分模型计算的数据集。
图7是数据部分截图。
具体实施方式
结合以下具体实施例和附图,对发明作进一步的详细说明。实施本发明的过程、条件、实验方法等,除以下专门提及的内容之外,均为本领域的普遍知识和公知常识,本发明没有特别限制内容。
本发明提出了一种建立自闭症儿童康复效果预测模型的方法,所述方法包含以下步骤:
步骤a:获取自闭症儿童的基本信息;
步骤b:获取自闭症儿童中残联47项指标的评估结果;
步骤c:将获取的上述基本信息和评估结果信息矢量化为特征值;
步骤d:依据上述特征进行机器学习建立模型,得到上述各项特征对于自闭症儿童康复效果的权重值,完成模型建立。
本发明还公开了一种基于上述模型预测自闭症儿童康复效果的方法,所述方法包含以下步骤:
步骤I:获取自闭症儿童的基本信息;
步骤II:获取自闭症儿童中残联47项指标的评估结果;
步骤III:将获取的上述基本信息和评估结果信息矢量化为特征值;
步骤IV:将上述特征输入事先建立的模型中运算;
步骤V:得到针对该儿童自闭症康复效果的预测。
本发明还公开了一种预测自闭症儿童康复效果的系统,所述系统包含以下:
数据录入模块:包含前端网页和微信小程序,负责录入自闭症儿童的基本信息和中残联47项指标的评估结果;
数据库模块:负责储存,筛选录入的自闭症儿童基本信息及中残联47项评估指标的结果;所述筛选为根据所需要获得的模型依照模型特征对数据进行筛选(例:若只想研究上海儿童的情况,则筛选出上海儿童的数据,得到上海儿童的模型);
机器学习模块:负责通过XGBoost算法学习并建立自闭症儿童康复效果预测模型,获得各项自闭症儿童特征对于自闭症儿童康复效果的权重值,如图1所示;
预测模块:负责将录入的自闭症儿童基本信息及中残联47项指标的评估结果代入模型中进行预测并返回康复概率实现自闭症儿童康复效果预测。
本发明还提出了一种上述方法应用中建立的模型,所述模型包括多棵代表不同特征分类的弱决策树;所述样本根据其特征在每棵弱决策树上对应一个节点;所述节点对应着该棵决策树上的分数;所述样本在所有决策树上的分数加和即为该样本的特征值。
在步骤d中,采用XGBoost算法作为建立机器学习预测自闭症儿童康复效果模型的机器学习算法。XGBoost是梯度提升树(GDBT)算法的增强算法,其核心在于回归树(CART)。在XGBoost中,建立以下模型:
本发明建立名为F的模型,以预测通过XGBoost算法,最小化RMSE以获得最贴近实际结果的模型。其中i是训练集中的第i组数据,n为数据集的总样本量,为模型F(x)对第i组数据集的预测结果,yi为第i组数据的实际输出结果。
本发明的模型建立分为M个阶段,在每个阶段m(1≤m≤M)中,对Fm进行预测,而预测结果与实际结果之间的差值,本发明采用一个预测器hm(x)来弥补实际运算中的差值,则预测结果为Fm+1(x)=Fm(x)+hm(x)=y,亦可表示为hm(x)=y-Fm(x)。
在精确预测模型的同时,也需要避免过拟合。在模型中,贝叶斯算法是防止过拟合的主要方法。具体算法如下:
最后得到符合上述函数的模型,并得到各项特征值的权重值。
在步骤d中,为了让模型尽可能普适,运用了交叉验证(Cross Validation)技术,反复将数据集拆分为运算集和测试集。假设有一含有n个数据,折叠k次的数据集;先将数据集进行随机化,然后进行连续三次拆分模型计算,如图2-6所示:图2是一个含有n个数据,折叠k次的数据集,图3是随机化后的数据集,图4是第一次拆分模型计算的数据集,图5是第二次拆分模型计算的数据集,图6是第三次拆分模型计算的数据集。
可见,折叠三次可以对样本进行三次模型建立,并可以筛选出其中结果最优的模型,从而进一步筛选最优的参数。
在实际的运算中,随机拆分了30%总样本的样本数据作为测试集,将测试集的结果与对测试集的预测结果进行反复比对,最后反复验证计算出最合适的参数,从而计算出最准确的模型。
建模方法中,算法要求输入的数据为矢量数据,则需要对数据进行整理(步骤c),具体细则依下表:
在步骤III中,对于自闭症儿童康复效果的判定基于该儿童中残联47个评估点的评估结果总分判定,若该儿童康复训练后评估总分高于训练前评估总分,则认定该儿童的康复有效果,反之则表示无效。
实施例
将模拟的30条儿童数据放入t1.csv中:每个模拟的儿童数据中均包含了上述儿童基本信息及儿童的47个社交评估点的信息。
其中数据部分截图如图7所示,每行对应一个儿童信息,每列对应一个儿童指标,如列J对应的即是儿童母亲的怀孕周数。
在实际预测中(结果未知),则可以通过如下命令获得预测的准确率:
然后随机模拟一组数据,将其保存为t2.csv,并对t2进行预测,得到结果为:
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下,本领域技术人员能够想到的变化和优点都被包括在本发明中,并且以所附的权利要求书为保护范围。
Claims (4)
1.一种建立自闭症儿童康复效果预测模型的方法,其特征在于,所述方法包含以下步骤:
步骤a:获取自闭症儿童的基本信息;
步骤b:获取自闭症儿童中残联47项指标的评估结果信息;
步骤c:将所述基本信息和评估结果信息矢量化为特征值;
步骤d:依据所述特征值进行机器学习,建立用于自闭症儿童康复效果预测的模型,并得到上述基本信息和47项指标的评估结果信息矢量化特征值对于自闭症儿童康复效果的权重值;
所述模型为F模型,用以预测通过XGBoost算法,最小化LMSE,即以获得最贴近实际结果的模型;其中,i是数据集中的第i组数据,n为数据集的总样本量,为模型F(x)对第i组数据的预测结果,yi为第i组数据的实际输出结果;所述数据集为所有儿童的30项儿童基本信息及47项指标的评估结果信息矢量化特征值;
所述模型建立分为M个阶段,在每个阶段m中,1≤m≤M,对Fm进行预测,Fm为第m个阶段的F(x)对y的预测函数,而预测结果与实际结果之间的运算差值采用预测器hm(x)来弥补,则预测结果为Fm+1(x)=Fm(x)+hm(x)=y,亦可表示为hm(x)=y-Fm(x);其中,y为实际输出结果,Fm(x)为模型的预测结果;
为了考虑到更多的场景,使用贪婪算法进行预测,贪婪算法的模型如下:
在模型中,通过算法防止过拟合,其原理为在计算原函数的MSE时,在原函数上增加人为的误差以增加模型的普适性,具体算法如下:
将实际模型简化为:y=f(x)+ε;
其中,f(x)为预测函数,ε为人为增加的误差,误差的平均值为0,方差为σ2;
所述基本信息、评估结果信息及矢量化数据如下表:
2.如权利要求1所述的建立自闭症儿童康复效果预测模型的方法,其特征在于,运用交叉验证技术,反复将数据集拆分为运算集和测试集,对样本进行多次模型建立,并筛选出其中结果最优的模型;所述最优的模型为根据运算集得到的模型,用测试集中的输入信息预测输出信息,其结果与测试集中的输出信息进行比对,保留正确率最高的模型;进一步筛选最优的参数。
3.如权利要求1或2所述的建立自闭症儿童康复效果预测模型的方法,其特征在于,所述模型包括多棵代表不同特征分类的弱决策树;
所述样本根据其特征在每棵弱决策树上对应一个节点;所述节点对应着该棵决策树上的分数;
所述样本在所有决策树上的分数加和即为该样本的特征值。
4.一种预测自闭症儿童康复效果的系统,其特征在于,所述系统包含以下:
数据录入模块,负责录入自闭症儿童的基本信息和中残联47项指标的评估结果信息;
数据库模块,负责储存,筛选录入的自闭症儿童基本信息及中残联47项指标的评估结果信息;所述筛选为根据所需要获得的模型依照模型特征对数据进行筛选;
机器学习模块,负责通过XGBoost算法学习并采用如权利要求1或2所述方法建立自闭症儿童康复效果预测模型,获得各项自闭症儿童特征对于自闭症儿童康复效果的权重值;
预测模块,负责将录入的自闭症儿童的基本信息及中残联47项指标的评估结果信息代入模型中进行预测;
输出模块,其用于输出自闭症儿童的康复概率。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020111889490 | 2020-10-30 | ||
CN202011188949.0A CN112270441A (zh) | 2020-10-30 | 2020-10-30 | 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668809A CN112668809A (zh) | 2021-04-16 |
CN112668809B true CN112668809B (zh) | 2021-09-21 |
Family
ID=74345017
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011188949.0A Pending CN112270441A (zh) | 2020-10-30 | 2020-10-30 | 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统 |
CN202110111675.3A Active CN112668809B (zh) | 2020-10-30 | 2021-01-27 | 建立自闭症儿童康复效果预测模型的方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011188949.0A Pending CN112270441A (zh) | 2020-10-30 | 2020-10-30 | 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN112270441A (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113192642B (zh) * | 2021-04-01 | 2023-02-28 | 四川大学华西医院 | 外科患者术后恢复状态预测模型构建系统 |
CN114141374B (zh) * | 2021-12-07 | 2022-11-15 | 中南大学湘雅二医院 | 孤独症发病预测模型构建方法、预测方法及装置 |
CN114446476B (zh) * | 2022-01-28 | 2023-02-17 | 中南大学湘雅二医院 | 孤独症治疗效果预测模型构建方法、预测方法及装置 |
CN117476183B (zh) * | 2023-12-27 | 2024-03-19 | 深圳市一五零生命科技有限公司 | 自闭症儿童康复效果ai评估模型的构建系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833611A (zh) * | 2017-11-06 | 2018-03-23 | 广州优涵信息技术有限公司 | 一种基于虚拟现实的自闭症康复训练方法 |
CN108743222A (zh) * | 2018-06-01 | 2018-11-06 | 南昌大学 | 一种基于Leap Motion的手指对称康复误差修正方法 |
CN110879917A (zh) * | 2019-11-08 | 2020-03-13 | 北京交通大学 | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BRPI0823183B8 (pt) * | 2008-10-31 | 2021-06-22 | Fundacio Inst Guttmann | método e sistema implementado por computador para otimizar previsões para intervenções personalizadas para um determinado usuário em processos cujo substrato é a plasticidade neuronal. |
CN109979599A (zh) * | 2017-12-27 | 2019-07-05 | 中国科学院沈阳自动化研究所 | 一种基于机器学习的糖尿病智能预测模型的建立方法 |
CN109240090B (zh) * | 2018-11-08 | 2020-10-23 | 浙江大学 | 一种基于时间差分的增量学习xgboost模型的自适应软测量建模方法 |
CN109920551A (zh) * | 2019-01-24 | 2019-06-21 | 华东师范大学 | 基于机器学习的自闭症儿童社会行为表现特征分析系统 |
CN110197706B (zh) * | 2019-04-26 | 2021-08-27 | 深圳市宁远科技股份有限公司 | 一种基于sbs的层次化特征选择方法、系统及应用 |
CN110111888A (zh) * | 2019-05-16 | 2019-08-09 | 闻康集团股份有限公司 | 一种XGBoost疾病概率预测方法、系统及存储介质 |
CN110418354A (zh) * | 2019-08-06 | 2019-11-05 | 北京邮电大学 | 一种基于机器学习的免传播模型无线网络规划方法 |
CN111063194A (zh) * | 2020-01-13 | 2020-04-24 | 兰州理工大学 | 一种交通流预测方法 |
CN111768239A (zh) * | 2020-06-29 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 道具推荐方法、装置、系统、服务器和存储介质 |
-
2020
- 2020-10-30 CN CN202011188949.0A patent/CN112270441A/zh active Pending
-
2021
- 2021-01-27 CN CN202110111675.3A patent/CN112668809B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833611A (zh) * | 2017-11-06 | 2018-03-23 | 广州优涵信息技术有限公司 | 一种基于虚拟现实的自闭症康复训练方法 |
CN108743222A (zh) * | 2018-06-01 | 2018-11-06 | 南昌大学 | 一种基于Leap Motion的手指对称康复误差修正方法 |
CN110879917A (zh) * | 2019-11-08 | 2020-03-13 | 北京交通大学 | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112270441A (zh) | 2021-01-26 |
CN112668809A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668809B (zh) | 建立自闭症儿童康复效果预测模型的方法 | |
CN109829057B (zh) | 一种基于图二阶相似性的知识图谱实体语义空间嵌入方法 | |
CN108095716B (zh) | 一种基于置信规则库和深度神经网络的心电信号检测方法 | |
CN105975573B (zh) | 一种基于knn的文本分类方法 | |
CN111428818B (zh) | 基于神经通路激活状态的深度学习模型测试方法与装置 | |
CN110232280B (zh) | 一种基于树结构卷积神经网络的软件安全漏洞检测方法 | |
US20220156583A1 (en) | Method of generating classifier by using small number of labeled images | |
CN111695042B (zh) | 基于深度游走和集成学习的用户行为预测方法及系统 | |
CN110377511B (zh) | 一种面向数据流的测试用例生成方法 | |
CN112381763A (zh) | 一种表面缺陷检测方法 | |
CN114780831A (zh) | 基于Transformer的序列推荐方法及系统 | |
CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
CN107798431A (zh) | 一种基于改进Elman神经网络的中长期径流预报方法 | |
CN110851654A (zh) | 基于张量化数据降维的工业设备故障检测分类方法 | |
CN114723522A (zh) | 一种面向评论文本的图神经网络推荐方法 | |
CN115145817A (zh) | 一种软件测试方法、装置、设备及可读存储介质 | |
CN113343225B (zh) | 一种基于神经通路的深度学习的中毒防御方法及装置 | |
CN113764034B (zh) | 基因组序列中潜在bgc的预测方法、装置、设备及介质 | |
CN114519508A (zh) | 基于时序深度学习和法律文书信息的信用风险评估方法 | |
CN114048817A (zh) | 一种基于变异策略的深度学习输入集优先级测试方法 | |
Huang et al. | Harnessing deep learning for population genetic inference | |
CN111708865B (zh) | 一种基于改进XGBoost算法的技术预见及专利预警分析方法 | |
CN112416358B (zh) | 一种基于结构化词嵌入网络的智能合约代码缺陷检测方法 | |
CN113591988B (zh) | 知识认知结构分析方法、系统、计算机设备、介质、终端 | |
CN114706780A (zh) | 一种基于Stacking集成学习的软件缺陷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |