-
公开(公告)号：CN103745467B
公开(公告)日：2016-08-17
申请号：CN201410005842.6
申请日：2014-01-07
Applicant: 东南大学
IPC: G06T7/00
Abstract: 本发明公开了一种基于数字体积相关法的三维图像配准方法，包括如下步骤：对样品进行第一次三维成像，得到三维图像数据G1(x，y，z)；刚性运动后，对样品进行第二次三维成像，获得三维图像数据G2(x，y，z)；对G1(x，y，z)和G2(x，y，z)进行数字体积相关计算，获得G2(x，y，z)三维图像数据中部分位置点相对G1(x，y，z)的位移值；将得到的相对位移值代入刚性运动位移公式中，采用最小二乘法计算，得到待测样品的6个刚性运动自由度；计算得到G2(x，y，z)中各个点刚性运动后的新位置；利用插值算法计算得到刚性运动后的新三维图像数据G3(x，y，z)。
-
公开(公告)号：CN105138665A
公开(公告)日：2015-12-09
申请号：CN201510557916.1
申请日：2015-09-02
Applicant: 东南大学
CPC classification number: G06F17/30 , G06F17/30864 , G06F17/2785 , G06F17/30705 , G06F17/30731
Abstract: 本发明公开了一种基于改进LDA模型的互联网话题在线挖掘方法，对应一个持续的、流式的、逐段进行的话题挖掘过程，它每次处理n个网页，这些网页通常由网络爬虫以在线、实时的方式从互联网采集得到，对这些网页的内容进行挖掘的结果生成k个话题。在处理完当前n个网页后，对新采集到的n个网页继续进行该过程。主要包括On-LDA模型超参数的初始化、On-LDA模型超参数的动态更新、基于On-LDA模型的互联网话题挖掘等。本发明从根本上改变了传统LDA模型在话题挖掘过程中关于超参数、的赋值方式和使用效果。它充分利用网页内容所属的分类信息来对模型超参数、赋初值，使超参数的初值完全依赖于待挖掘网页内容本身，既简化了计算过程又更具合理性。
-
公开(公告)号：CN104731887A
公开(公告)日：2015-06-24
申请号：CN201510110009.2
申请日：2015-03-13
Applicant: 东南大学
IPC: G06F17/30
CPC classification number: G06F17/30867
Abstract: 本发明公开了一种协同过滤中的用户相似度度量方法。本发明建立用户数值属性与用户分类属性之间的联系，采用聚类算法挖掘用户分组，综合考虑用户分组信息与用户对物品的评分信息预测用户的潜在兴趣，从而完成面向用户的个性化推荐。本发明提供的方法优势在于能够提高用户之间相似度度量的准确度，提高用户兴趣挖掘的精度，增加网络用户体验度。
-
公开(公告)号：CN103900506A
公开(公告)日：2014-07-02
申请号：CN201410124388.6
申请日：2014-03-28
Applicant: 东南大学
IPC: G01B15/06
Abstract: 本发明公开了一种基于位移梯度分解的异位数字体积相关方法，包括以下步骤：将样品进行第一次三维成像，得到样品变形前的三维图像数据G1(x，y，z)；将样品进行异位变形，对变形后的样品进行第二次三维成像，得到样品变形后的三维图像数据G2(x，y，z)；利用DVC计算样品变形前后三维图像数据G1(x，y，z)和G2(x，y，z)之间位移场u(x，y，z)，位移场u(x，y，z)包括刚性运动位移场uR(x，y，z)与变形位移场uD(x，y，z)；利用位移场u(x，y，z)计算出位移梯度T(x，y，z)；利用位移梯度分解方法计算出变形位移梯度D(x，y，z)与转动位移梯度R(x，y，z)；利用转动位移梯度R(x，y，z)与边界条件计算出刚性运动位移场uR(x，y，z)；利用u(x，y，z)与uR(x，y，z)计算出变形位移场uD(x，y，z)，样品的变形位移场uD(x，y，z)即为样品原位变形后的三维位移场。本发明方法不仅克服了原位数字体积相关方法中原位在线实验的困难，并且还具有高的准确度和精确度。
-
公开(公告)号：CN113094596B
公开(公告)日：2025-01-28
申请号：CN202110454550.0
申请日：2021-04-26
Applicant: 东南大学
IPC: G06F16/9536 , G06F18/214 , G06F18/2415 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于双向传播图的多任务谣言检测方法，该方法可用于社交网络帖子的谣言检测以及评论信息的立场检测。本发明首先根据谣言帖子的内容生成文本特征矩阵、用户特征矩阵和文本统计特征矩阵，之后构建谣言的双向传播图，通过计算双向图卷积并进行根节点特征增强抽取谣言的传播特征，最后对传播特征进行平均池化和特征整合后，训练softmax分类器，获取谣言检测和立场检测结果。本发明能够有效地获取谣言的顺序传播特征和广度散布特征，并且引入用户评论的立场检测作为辅助任务，从而提高模型的泛化性，进一步提高谣言检测任务的准确率。
-
Patent Agency Ranking
公开(公告)号：CN116253332B
公开(公告)日：2025-01-03
申请号：CN202310087878.2
申请日：2023-02-09
Applicant: 东南大学
Abstract: 本发明涉及分布式温和合成氨技术领域，特别是涉及一种基于Ni‑Co双金属MOF的等离子体辅助氨合成方法。该方法通过将一步水热法制备得到的Ni‑Co双金属MOF材料用作等离子体辅助合成氨的催化剂，依赖于其增强的气体传质特性和双金属间的耦合作用，这种材料大幅增强了等离子体辅助合成氨性能：相较于等离子体辅助合成氨领域最广泛使用的材料——Ni/Al2O3，增强了30％以上的性能。同时在这种将Ni‑Co双金属MOF用于等离子体辅助氨合成方法中，催化剂材料还拥有良好的稳定性和循环性能，其可以在36h的长周期以及10次以上的循环中保持结构和性能的稳定。这种将Ni‑Co双金属MOF用于等离子体辅助合成氨领域的优异性能，使其成为分布式合成氨工艺的巨大潜力。
-
公开(公告)号：CN114781367B
公开(公告)日：2024-11-12
申请号：CN202210422977.7
申请日：2022-04-21
Applicant: 东南大学
IPC: G06F40/284 , G06F40/30 , G06F18/2415 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于词干信息融合的关键词生成方法，该方法首先提取词干信息，将词干信息融入Embedding层，以增强同词干单词的强关联性；接着搜索文本中同词干变种组合构建参考文本，通过编码层模块提取参考文本中的词语义信息；再基于初始文本和参考文本加权扩充生成概率分布，采用双软开关复制机制修正复制机制带来的生成偏差；然后在译码器层面构建词干生成任务，通过词与词干的多任务联合训练获得最终关键词生成概率分布，缓解训练偏差导致网络性能无法充分发挥的问题，最后基于BeamSearch方法生成关键词。相比其他方法，本发明方法以词形态学为基础，生成能力强，预测准确率高，在文本理解方面具有明显优势。
-
公开(公告)号：CN114925211B
公开(公告)日：2024-08-06
申请号：CN202210385244.0
申请日：2022-04-13
Applicant: 东南大学
IPC: G06F16/36 , G06F16/35 , G06N3/045 , G06F16/901 , G06N3/0499 , G06N3/0442 , G06N3/0464
Abstract: 本发明公开了一种面向表格型数据的事实验证方法，能够用于检验网络上声明的真实性，包括如下步骤：首先针对输入的表格数据和文本声明，利用DeBERTa模型获得单一模态的编码表示；然后将单一模态的编码表示作为交叉模态Transformer模块的输入，分别获得融合模态间信息的表格表示和文本声明表示；最后通过构建一个图神经网络，提取表格的结构信息以及文本的语义信息来进行信息传递和推理；最后利用一个多层感知器获得声明真实性的预测结果，本发明结合图神经网络来对表格数据进行表示，并联合多模态技术增强文本声明和表格数据之间的交互，增强了模型的表示学习能力和推理能力，从而提高了声明真实性预测的准确性。
-
公开(公告)号：CN118381652A
公开(公告)日：2024-07-23
申请号：CN202410634495.7
申请日：2024-05-22
Applicant: 东南大学
Abstract: 本发明公开了一种安全可信的分布式工业互联网标识解析方法及装置，其中方法包括以下步骤：标识符结构设置；可信身份认证；可信标识注册；标识安全解析。本发明首先通过有序多重群签名技术为标识解析体系内节点身份及标识提供可信认证，确保标识源数据安全可信；其次通过引入IPFS技术改进标识符结构设置，从而实现，标识及其源数据的强关联性；最后将通过区块链及非对称加密技术，实现身份证书、标识及其源数据的安全存储和安全传输。本发明利用区块链和有序多重群签名算法，确保了工业互联网标识解析体系流程的安全可信，将标识与源数据绑定实现工业互联网标识的源头安全，防止企业对工业互联网标识及源数据的恶意纂改。
-
公开(公告)号：CN113326695B
公开(公告)日：2024-04-26
申请号：CN202110455888.8
申请日：2021-04-26
Applicant: 东南大学
IPC: G06F40/247 , G06F40/30 , G06N3/0464 , G06N3/047 , G06N3/096
Abstract: 本发明公开了一种基于迁移学习的情感极性分析方法，本发明首先构建文本排序模型，弥补当前语言模型缺乏句子级预训练任务的缺陷，提高模型的逻辑感知与语义表达能力。然后，构建情感极性分析模型，将文本排序模型训练得到的相关参数迁移到情感极性分析模型中对应的位置。最后，将迁移后的模型在情感极性分析数据集上继续训练。本发明利用迁移学习为情感极性分析模型引入领域先验知识，可以提高模型的领域适应性，有助于获取更高质量的句子特征，进而提高模型的分类准确率，并且，本发明所采用的注意力机制可以为情感极性分析模型降低评论文本的噪声干扰，提高模型的分类鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
143
records
(took 0.029 seconds)
