-
公开(公告)号：CN108469726A
公开(公告)日：2018-08-31
申请号：CN201810222643.9
申请日：2018-03-19
Applicant: 南开大学
IPC: G05B11/42 , G05B19/042
Abstract: 一种基于Ethernet Powerlink的变参数PID运动控制器实现方法，属于以太网技术与运动控制相结合的技术领域。该控制器作为Ethernet Powerlink从站接收主站发来的期望位置信息，同时在FPGA采集实际位置信息，与期望位置信息做差，传给变参数PID模块，计算结果送到PWM(Pulse Width Modulation)产生模块，将相应占空比的PWM波输入伺服电机驱动器，驱动电机转动到期望位置。该发明基于FPGA器件实现，通过设计实际实验验证了所提方法的可行性，本发明具有实时性高，抗干扰性强，开发成本低等优点，适用于复杂环境下高实时性，高稳定性要求的运动控制领域。
-
公开(公告)号：CN105512511B
公开(公告)日：2018-07-06
申请号：CN201510823808.4
申请日：2015-11-24
Applicant: 南开大学
IPC: G06F19/24
Abstract: 本发明公开了一种对异质网络中的节点进行聚类的方法，该聚类方法属于数据挖掘、生物信息领域，该聚类方法包括以下步骤：根据异质节点间的关联关系数据，构建相邻两层节点间关联矩阵；对于具有层次结构的节点，根据节点间的层次关联关系，构建不同层次的节点内层次关联矩阵；以节点间关联矩阵和节点内层次关联矩阵作为输入，构建一致性多非负矩阵分解模型，并进行优化，得到节点聚类矩阵；对节点聚类矩阵进行归一化处理，若节点与簇的相关性大于给定阈值，则认为该节点属于该簇，完成对节点的聚类。本发明实现了对异质节点间多层关联关系和节点内层次关联关系进行建模，达到了很好的节点聚类效果。
-
公开(公告)号：CN101385662A
公开(公告)日：2009-03-18
申请号：CN200810152334.5
申请日：2008-10-15
Applicant: 南开大学
Abstract: 本发明属于医疗评价和药效分析领域。具体涉及一种建立前列腺间质增生大鼠实验动物模型的方法。通过给去势WISTAR大鼠皮下注射浓度比为1∶100的雌/雄激素混合液建立前列腺间质增生大鼠实验动物模型。该模型与传统的丙酸睾酮注射法建立前列腺增生模型的方法相比，其病理特征以间质增生为主，分布于腺泡周围的平滑肌细胞层数由1－2层增至3－6层，导管周围的平滑肌细胞层数最多可达10－20层。该模型具有操作简单，造模周期短，重现性好和病变部位易于观察等优点，适用于前列腺间质增生病理改变过程分子机制的研究和相关防治药物的筛选。
-
公开(公告)号：CN1546235A
公开(公告)日：2004-11-17
申请号：CN200310107261.5
申请日：2003-12-09
Applicant: 南开大学
CPC classification number: Y02P20/52
Abstract: 用于合成叔丁基取代苯酚的新催化剂及工艺，属于叔丁基取代苯酚的合成方法及相关固体酸催化剂，涉及基于结晶硅铝酸盐的催化剂及其制备与合成叔丁基取代苯酚的催化烷基化反应工艺。本发明解决了非连续流动的釜式反应工艺操作不便及催化剂反应选择性低、副产物多等缺陷。该催化剂以微孔结晶硅铝酸盐为主，并负载硼、镁、铝、磷、钙、钛、锌、钼中一至三种元素为活性组分，其制备方便、活性和选择性高且易再生、可重复利用；该催化烷基化反应工艺采用较温和的操作条件和连续流动方式，将酚类与烷基化试剂通过催化剂床层，经选择性催化反应一步合成叔丁基取代苯酚；该工艺环境友好、副产物少、流程简单，可联产对叔丁基苯酚和2，4－二叔丁基苯酚。
-
公开(公告)号：CN118069802A
公开(公告)日：2024-05-24
申请号：CN202410197949.9
申请日：2024-02-22
Applicant: 南开大学 , 天津汲智科技有限公司
IPC: G06F16/332 , G06N3/0464 , G06N3/0455 , G06N3/042 , G06F18/214
Abstract: 一种基于自适应双尺度图自训练的会话推荐方法，通过基于双尺度物品关系的图增强、在线网络的搭建、目标网络的搭建、挖掘额外的监督信号、模型训练、模型在线推理等步骤，得到推荐结果。本发明在线网络训练过程中，搭建了一个与其结构相同的目标网络。目标网络基于动量编码更新其参数，可视为在线网络历史参数的指数移动平均集成。相比于在线网络的实时更新、快速探索，目标网络具有更加鲁棒的性能，能够为在线网络的学习提供额外的引导。本发明能够有效地解决现阶段基于图模型的会话推荐方法面临的由结构性信息不平衡所导致的问题，进而能够有效地提升会话推荐的表现，并且无需额外的大规模的计算或者其他先进、复杂模型的引入。
-
Patent Agency Ranking
公开(公告)号：CN111104797B
公开(公告)日：2023-05-02
申请号：CN201911300281.1
申请日：2019-12-17
Applicant: 南开大学
IPC: G06F40/279 , G06F40/289 , G06F40/30 , G06F40/58
Abstract: 一种基于对偶的序列到序列生成的论文网络表示学习方法，该方法包括：论文平行序列生成部分；论文节点识别部分(论文内容嵌入，论文内容序列编码，论文标识序列生成)；论文内容生成部分(论文节点标识嵌入，论文标识序列编码，论文语义解码，论文内容生成)；和对偶融合部分。本发明综合论文网络中论文节点的内容信息(即论文的题目或摘要)和论文间的结构信息(即论文间的引用关系)，通过两种信息的互相映射过程将两种信息融合得更充分，学习到更具有含义的论文节点的表征。本发明还可以在解码出输入论文序列的文本内容之后继续解码出新的文本，即考虑到输入的论文序列的结构信息和内容信息之后预测出的新的论文内容。
-
公开(公告)号：CN110969014B
公开(公告)日：2023-04-07
申请号：CN201911124188.X
申请日：2019-11-18
Applicant: 南开大学
IPC: G06F40/284 , G06F40/295 , G06F40/30 , G06N3/08
Abstract: 一种基于同步神经网络的意见二元组抽取方法。在细粒度情感分析领域，意见二元组抽取是一个重要任务，该任务旨在挖掘意见句中包含的评价对象、评价词、以及两者间的修饰关系。给定意见句，本发明方法首先基于预训练语言模型BERT构建编码层，学习词的上下文语义。随后，交替构建多个识别层与同步层，以实现评价对象、评价词、以及两者间关系的同步抽取。具体地，识别层包含意见实体抽取与关系检测两个模块，同步层设计了两个同步矩阵(即，边界同步矩阵与关系同步矩阵)来记录识别层学习到的高层语义信息，并传递给下一个识别层，以实现意见实体抽取与关系检测的相互促进。最后，本方法利用一个推理层，基于识别层的结果获取最终的意见二元组。
-
公开(公告)号：CN111667158B
公开(公告)日：2022-06-10
申请号：CN202010453436.1
申请日：2020-05-26
Applicant: 南开大学
Abstract: 一种基于多图神经网络联合学习的工作技能预测方法，涉及计算机应用技术领域。利用招聘网站上积累的招聘启事数据，提出了基于多图神经网络联合学习的工作技能预测模型。首先构建了三个网络保持了工作任务和技能之间复杂的关联关系。通过对三个图神经网络的联合学习分别得到工作任务节点和技能节点的互补语义表示，并且将多个图中同种类型的节点表示进行拼接得到融合了复杂关系信息的节点表征；最后，基于工作任务和技能的节点表征表示利用一个多标签分类器进行工作技能预测。本发明通过多个基于注意力机制的图神经网络的联合训练将节点表征中融入了更多的预测信息，使得工作技能预测的准确率，召回率得到有效的提升。
-
公开(公告)号：CN111667158A
公开(公告)日：2020-09-15
申请号：CN202010453436.1
申请日：2020-05-26
Applicant: 南开大学
Abstract: 一种基于多图神经网络联合学习的工作技能预测方法，涉及计算机应用技术领域。利用招聘网站上积累的招聘启事数据，提出了基于多图神经网络联合学习的工作技能预测模型。首先构建了三个网络保持了工作任务和技能之间复杂的关联关系。通过对三个图神经网络的联合学习分别得到工作任务节点和技能节点的互补语义表示，并且将多个图中同种类型的节点表示进行拼接得到融合了复杂关系信息的节点表征；最后，基于工作任务和技能的节点表征表示利用一个多标签分类器进行工作技能预测。本发明通过多个基于注意力机制的图神经网络的联合训练将节点表征中融入了更多的预测信息，使得工作技能预测的准确率，召回率得到有效的提升。
-
公开(公告)号：CN106778880B
公开(公告)日：2020-04-07
申请号：CN201611203288.8
申请日：2016-12-23
Applicant: 南开大学
Abstract: 基于多模态深度玻尔兹曼机的微博话题表示及主题发现方法。本发明通过对微博中话题标签进行分析，综合利用话题标签间共现信息及话题标签所在微博的向量空间表达这两种模态进行话题标签的表达建模。通过这两种信息得到的表达同时包含了话题标签本身相似性及所在微博的相似性。对话题标签的共现信息及微博的向量空间表达分别采用不同的深度玻尔兹曼机进行建模，最后将两个模态结果通过多模态的深度玻尔兹曼机进行联合学习，从而得到对联合两种模态的多模态表达。通过对得到的话题标签的多模态表达进行聚类，可将其中相似的话题标签聚到一起，从而提取出相应的微博主题。对于不含话题标签的微博，也可通过本模型生成话题标签，进而进行主题发现。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.029 seconds)
