-
公开(公告)号：CN118279424A
公开(公告)日：2024-07-02
申请号：CN202410362791.6
申请日：2024-03-28
Applicant: 东北大学
Abstract: 本发明提供一种基于可变形注意力和可逆网络的多对比度MRI重建方法，涉及医学成像技术领域。提出一种新的多对比度MRI重建模型，所述模型总体框架包括T个递归块，每个递归块由一个可变形注意力块DAB和一个可逆神经块INB组成；DAB用来挖掘不同对比度之间的对应关系，并自适应地从参考图像到目标图像提取高频细节；INB用来有效融合提取的参考特征和目标特征。本发明方法与现有技术对比，能够实现最佳的性能，可以以较少的误差重建高质量的图像。
-
公开(公告)号：CN118152667B
公开(公告)日：2024-07-02
申请号：CN202410571166.2
申请日：2024-05-10
Applicant: 东北大学
IPC: G06F16/9535 , G06F18/214 , G06F18/22
Abstract: 本发明公开了一种面向学生偏好的习题推荐方法，涉及智慧教育的技术领域，本发明旨在解决通过优化习题推荐策略来提高学生学习体验的问题，本发明至少包括如下步骤：形成训练数据集，获取学生与习题的交互行为数据；根据交互行为数据，进行相似程度计算，计算习题之间或学生之间的相似程度；根据相似程度计算结果，选择与目标习题或学生最相似的一组邻域；使用学生对每道题目的尝试次数和相似程度生成学生对题目兴趣程度的预测结果；利用学生与习题的历史交互日志进行建模，根据学生对题目兴趣程度的预测结果为每个学生推荐题目，生成推荐集合；实现了基于学生相似性或习题相似性进行学生偏好习题推荐，为学生提供更加全面、个性化的学习体验。
-
公开(公告)号：CN117556343A
公开(公告)日：2024-02-13
申请号：CN202311585786.3
申请日：2023-11-24
Applicant: 东北大学
IPC: G06F18/2415 , G06Q50/20
Abstract: 本发明提供一种基于Bloom认知理论的知识熟练度计算方法，涉及教育数据挖掘技术领域。该方法首先将学生做题日志和标记的题目‑‑知识点矩阵，分别定义为矩阵R和矩阵Q，进行层级理论假设和层间理论假设，构建知识熟练度计算模型；然后分别利用基于矩阵分解和神经网络BloomCDM的方法，实现BloomCDM模型参数的学习，进而确定学生的知识熟练度矩阵；最后设计高阶知识组结构发现模型HKG‑D，采用特征降维算法和聚类算法，获取高阶知识组结构，从知识组中抽象出高阶知识点，进而完善高阶知识组结构的构建。该方法在建模过程中，提出了知识组和高阶知识组的概念，完善了教育理论在计算科学中的表示。
-
公开(公告)号：CN112988844B
公开(公告)日：2022-09-27
申请号：CN202110347398.6
申请日：2021-03-31
Applicant: 东北大学
IPC: G06F16/2458 , G06F16/26 , G06N3/04 , G06N3/08 , G09B19/00
Abstract: 本发明提供一种基于学生练习序列的知识概念表示学习方法，涉及教育数据挖掘技术领域。该方法中设计了一个可解释的知识追踪模型来追踪学生知识概念掌握随时间的动态变化，提出了一个具有三种交互策略的对数线性模型，其通过分析学生知识概念掌握的动态变化，获得知识概念的分布式表征；此外，在模型设计中融入了猜测和失误因素；使用一个长短期记忆网络来近似后验分布；最后，使用醒眠算法来学习模型参数以及知识概念与题目的分布式表示。本发明通过分析学生的习题反应和知识概念掌握情况来了解知识概念之间的关系，通过大量的学生锻炼序列数据来构建知识概念图，用更优的性能来获取知识的分布式表示。
-
公开(公告)号：CN112988844A
公开(公告)日：2021-06-18
申请号：CN202110347398.6
申请日：2021-03-31
Applicant: 东北大学
IPC: G06F16/2458 , G06F16/26 , G06N3/04 , G06N3/08 , G09B19/00
Abstract: 本发明提供一种基于学生练习序列的知识概念表示学习方法，涉及教育数据挖掘技术领域。该方法中设计了一个可解释的知识追踪模型来追踪学生知识概念掌握随时间的动态变化，提出了一个具有三种交互策略的对数线性模型，其通过分析学生知识概念掌握的动态变化，获得知识概念的分布式表征；此外，在模型设计中融入了猜测和失误因素；使用一个长短期记忆网络来近似后验分布；最后，使用醒眠算法来学习模型参数以及知识概念与题目的分布式表示。本发明通过分析学生的习题反应和知识概念掌握情况来了解知识概念之间的关系，通过大量的学生锻炼序列数据来构建知识概念图，用更优的性能来获取知识的分布式表示。
-
Patent Agency Ranking
公开(公告)号：CN105354988B
公开(公告)日：2018-02-27
申请号：CN201510920979.9
申请日：2015-12-11
Applicant: 东北大学
Abstract: 本发明提出一种基于机器视觉的驾驶员疲劳驾驶检测系统及检测方法，属于机器视觉、机器学习技术领域，该系统属于非侵入式检测系统，在检测时通过摄像头采集所需信息，不影响驾驶员的正常驾驶，且设备价格低、体积小，仅需在车内安装蓝牙摄像头，在手机内安装app软件，便可实现对驾驶员的疲劳检测；本系统采集信息方便易行，使用时仅需外加摄像头即可适应任何车型及路况，拥有一致的疲劳判断标准和较高的疲劳判断准确率；本系统综合眼部、嘴部和脸部疲劳特征，提高了在复杂的驾驶环境下疲劳判断的准确率，并结合机器学习根据驾驶员的反馈来快速更新系统自身参数以适应不同驾驶员自身的不同特点，系统训练时间短，计算速度快，实时性强。
-
公开(公告)号：CN107590742A
公开(公告)日：2018-01-16
申请号：CN201710957182.5
申请日：2017-10-16
Applicant: 东北大学
Inventor： 赵志滨 , 姚兰 , 于戈 , 鲍玉斌 , 陈郭成 , 刘佳良 , 张天成 , 李芳芳 , 许存立 , 刘欢 , 王勋 , 储佳红 , 唐梦娇 , 徐瑛蔚 , 李壮 , 王宗怡 , 石玉鑫 , 梁睿博 , 杨泽清 , 赵永恒 , 关亨 , 王思远 , 吴永琪 , 华钰 , 高若涵
IPC: G06Q50/00
Abstract: 本发明公开了一种基于行为的社交网络用户属性值反演方法，基于行为的用户属性值反演方法的思想是针对反演对象在社交网络多话题下的评论行为，发现与反演对象具有相似网络行为的人群，再利用群体属性值与个体属性值之间的映射策略以及带权重的投票机制，对网络用户的属性值进行推测并将结果赋给反演对象。这种方法一方面可以动态填补和修正用户属性信息中所存在的缺失值、错误值；更进一步可以为社交网络中的个性化推荐提供更为可靠的原始数据。提高网络用户信息的准确性，最终达到动态填补和修正网络用户属性缺失值和错误值的目的。
-
公开(公告)号：CN118152667A
公开(公告)日：2024-06-07
申请号：CN202410571166.2
申请日：2024-05-10
Applicant: 东北大学
IPC: G06F16/9535 , G06F18/214 , G06F18/22
Abstract: 本发明公开了一种面向学生偏好的习题推荐方法，涉及智慧教育的技术领域，本发明旨在解决通过优化习题推荐策略来提高学生学习体验的问题，本发明至少包括如下步骤：形成训练数据集，获取学生与习题的交互行为数据；根据交互行为数据，进行相似程度计算，计算习题之间或学生之间的相似程度；根据相似程度计算结果，选择与目标习题或学生最相似的一组邻域；使用学生对每道题目的尝试次数和相似程度生成学生对题目兴趣程度的预测结果；利用学生与习题的历史交互日志进行建模，根据学生对题目兴趣程度的预测结果为每个学生推荐题目，生成推荐集合；实现了基于学生相似性或习题相似性进行学生偏好习题推荐，为学生提供更加全面、个性化的学习体验。
-
公开(公告)号：CN116521997A
公开(公告)日：2023-08-01
申请号：CN202310507281.9
申请日：2023-05-08
Applicant: 东北大学
IPC: G06F16/9535 , G06Q50/20 , G06F16/35 , G06F40/289 , G06F40/216 , G06N5/025 , G06N5/01 , G06N20/20 , G06N3/04 , G06N3/092 , G06N3/098
Abstract: 本发明提供一种基于强化学习的个性化学习路径推荐方法，涉及教育数据挖掘技术领域。该方法首先根据学者的学习记录构建学习者模拟器，该模拟器能够判断出学习者的学习水平；然后通过基于文本分类和关联规则挖掘的概念图自动构建模型自动构建练习题所包含的知识点间的知识关系图；再基于知识关系图以及认知诊断模型设计一个练习题导航模块，选择潜在的候选练习题；强化学习智能体在动作空间中选择动作后，在状态空间中确定状态转移，根据损失函数和优化策略更新模型参数，优化强化学习模型；最后使用设计的强化学习模型给学习者推荐练习，并根据学习者的学习情况更新强化学习模型参数。该方法能为学习者推荐高效合理的学习路径。
-
公开(公告)号：CN113010580A
公开(公告)日：2021-06-22
申请号：CN202110348594.5
申请日：2021-03-31
Applicant: 东北大学
IPC: G06F16/2458 , G06F16/26 , G06Q50/20 , G06N20/00
Abstract: 本发明提供一种基于学习迁移的知识追踪方法，涉及教育数据挖掘技术领域。该方法使用学习曲线和艾宾浩斯遗忘曲线作为先验，来追踪学生的知识熟练度和抽象原理掌握程度随时间的变化，将学生的知识结构分为两部分，一部分是通过学生对抽象原理的理解而获得的深层知识结构，另一部分是代表知识概念之间浅层关联的浅层知识结构，能有效提高模型性能，利用教育专家标注的Q矩阵来描述知识概念与题目之间的包含关系，作为先验来生成题目嵌入结果，设计概率矩阵分解框架，该框架分为以下三个部分，学生知识熟练度与抽象原理掌握程度追踪、学生练习反馈建模与模型参数学习，通过基于学习迁移的多级知识追踪模型来追踪学生的知识掌握程度。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.019 seconds)
