-
公开(公告)号：CN114579407A
公开(公告)日：2022-06-03
申请号：CN202210478087.8
申请日：2022-05-05
Applicant: 北京航空航天大学
Abstract: 本发明涉及一种因果关系检验和微服务指标预测报警方法，包括：基于Granger因果关系检验的服务指标因果关系发现、基于Attention LSTM的多指标预测。该方法通过Granger因果关系检验发现与要预测指标具有因果关系的指标，共同参与预测，提高了预测的准确率。同时针对微服务场景中指标序列较长，指标之间往往局部存在因果关系，整体因果关系不强的问题，本发明对Granger因果关系检验进行改进，分段增量计算因果关系。这种方法在实际应用中，当时间序列有新的值加入时，只需要计算增量的因果关系，无需对历史数据重新计算，从而减少计算量，提高了微服务场景下因果关系发现的效率。
-
公开(公告)号：CN112947985A
公开(公告)日：2021-06-11
申请号：CN202110134185.5
申请日：2021-01-29
Applicant: 北京航空航天大学
Abstract: 本发明提供了一种智能检测及修复代码的方法与系统，涉及计算机编程领域，用以解决现有技术中对程序代码检测及修复的不足，本发明的方法包括：获取程序代码信息，根据代码检测规范对代码进行检测，依据代码修复规范对代码进行修复，生成检测报告。本发明所提供的技术方法与系统能够针对目前部分企业采用人工代码检测及修复效率较低的问题，智能检测不符合规范及存在风险的代码，更加客观高效的提升开发人员效率，同时避免代码中存在的典型错误，方便程序的开发及维护以及提高代码的稳定性。
-
公开(公告)号：CN110569443A
公开(公告)日：2019-12-13
申请号：CN201910907990.X
申请日：2019-09-24
Applicant: 北京航空航天大学
IPC: G06F16/9535 , G06Q10/04
Abstract: 本发明涉及一种基于强化学习的自适应学习路径规划系统，包括环境模拟，策略训练和路径规划三个模块，整个过程根据改进后的项目反映原理得到的学生每个时刻的能力值，基于马尔科夫决策过程，模拟复杂的学习环境，并合理应用强化学习的算法结合学生历史的学习轨迹离线训练路径规划策略，最后根据训练好的策略在线为学生自适应规划学习路径。本发明最后基于强化学习的思想，将在线教育平台上学习的复杂场景构建于马尔科夫决策过程的框架中，以高效获得能力提升为目标，为学生提供学习资源的持续性推荐，规划最优的学习路径，从而提高学习者的学习效果以及学习效率。
-
公开(公告)号：CN109871441A
公开(公告)日：2019-06-11
申请号：CN201910187119.7
申请日：2019-03-13
Applicant: 北京航空航天大学
IPC: G06F16/332 , G06N3/04
Abstract: 本发明设计了一种基于神经网络的导学问答系统，包括前端和后端，前端包括注册模块、登录模块、提问模块、回答模块、评价模块和认知评价树模块；所述后端包括三个子系统，分别为认知评价子系统、答案重用子系统和答案生成子系统；本发明通过对问句的信息提取，检索社区中已存在的问题的答案；如果不存在相似的问题，则使用训练好的模型在离线文档中生成回答，并在返回的答案中引导学习者扩展阅读。
-
公开(公告)号：CN105306960B
公开(公告)日：2018-05-04
申请号：CN201510673176.8
申请日：2015-10-18
Applicant: 北京航空航天大学
IPC: H04N21/234 , H04N21/2343 , H04N21/2662 , H04N21/231 , H04N21/845
Abstract: 本发明涉及一种用于传输高质量在线课程视频的动态自适应流系统，由服务器端和客户端组成；服务器端负责视频的接收内容识别及分类存储工作，主要部署视频接收模块、视频划分模块、视频分类模块、视频转码存储模块；客户端面向学生，为学生提供基于内容的动态自适应视频流，主要部署视频观看模块、码率调整模块。本发明有效提高了带宽的利用率及用户体验，能够高效传输在线课程视频。
-
Patent Agency Ranking
公开(公告)号：CN112487172B
公开(公告)日：2023-07-18
申请号：CN202011491346.8
申请日：2020-12-16
Applicant: 北京航空航天大学
IPC: G06F16/332 , G06F16/335 , G06N3/0464 , G06N3/08 , G06F18/214
Abstract: 本发明公开了一种面向深度答案推荐模型的主动学习方法，涉及人工智能领域，具体为：首先，针对某个线上社区问答平台，将每个问题和对应的若干候选答案分别作为一个样本；利用通常采用的深度答案推荐模型通过dropout构建贝叶斯神经网络，包括在每层权重前设置dropout机制；然后，利用贝叶斯神经网络计算每个样本的近似期望损失；并将期望损失按从大到小排序，并选取前K个作为待标注数据样本；接着，将前K个样本中的每个样本分别分给三个用户，进行最优答案的人工标注，并将标注结果进行融合；训练当前线上社区问答平台的深度答案推荐模型；直至深度答案推荐模型达到收敛且最优性能。本发明有效减少了基于深度学习的答案推荐模型训练所需要的标注数据量。
-
公开(公告)号：CN114968819A
公开(公告)日：2022-08-30
申请号：CN202210737640.5
申请日：2022-06-27
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种面向微服务持续集成的代码质量问题检测及修复方法，应用于信息处理技术领域。在微服务场景下，开发者提交代码后，会触发持续集成流水线，执行本发明方法。本方法包括以下步骤：对代码的多种质量问题进行自动检测，包括代码风格检测、代码安全性检测以及代码单元测试；对检测出的代码部分质量问题进行自动修复；修复完成后将代码质量问题的检测和修复结果统一反馈给开发者。本发明可以自动对代码质量问题进行排查和修复，从而大大提高微服务场景下持续集成开发过程的质量和效率。
-
公开(公告)号：CN114741322A
公开(公告)日：2022-07-12
申请号：CN202210566644.1
申请日：2022-05-24
Applicant: 北京航空航天大学
Abstract: 本发明提出一种基于注意力机制的API误用检测方法及系统，包括如下步骤：步骤1、获取检测领域预定量代码；步骤2、将所述预定量代码转化为基于注意力机制API误用检测模型所需训练数据；步骤3、利用所述训练数据训练所述基于注意力机制API误用检测模型，得到模型参数；步骤4、获取待检测代码，将待检测代码转化为所述基于注意力机制API误用检测模型要求的数据格式，将待检测代码转换的数据格式通过所述基于注意力机制API误用检测模型，得到检测结果，对所述待检测代码生成检测报告。本发明将自注意力机制应用于API使用规约的学习以及API误用检测，通过采集大量Java代码并通过静态分析构造API使用的样本集，并使用神经网络对这些样本进行训练，构造自动检测API误用的模型。
-
公开(公告)号：CN114676258A
公开(公告)日：2022-06-28
申请号：CN202210354283.4
申请日：2022-04-06
Applicant: 北京航空航天大学
IPC: G06F16/35 , G06F16/36 , G06F40/242 , G06F40/295 , G06N3/04 , G06N3/08 , G16H50/70
Abstract: 本发明提出一种基于患者症状描述文本的疾病分类智能服务方法，属于人工智能领域，具体为：首先，从现有数据中根据患者症状的描述语句提取实体，并标注类型，作为样本存储到图形数据库；然后，通过生成器，生成各样本同类型的新样本并标注，针对每个新样本，利用检查器判断出可用样本加入已标注数据集；接着依次构建实体识别微服务，输入实际患者的症状描述文本，输出实体的识别结果；构建疾病查询微服务，在图形数据库中查询与实体的识别结果相关的疾病并排序，作为候选疾病结果输出；最后，构建用户交互微服务，将实体识别结果，候选疾病结果以及历史健康数据一起打包返给患者；本发明降低了运维成本，方便后续更新和完善数据。
-
公开(公告)号：CN114092288A
公开(公告)日：2022-02-25
申请号：CN202111395652.6
申请日：2021-11-23
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种面向编程初学者的个性化智能辅导方法，涉及教育智能化领域；首先，针对某个题目的各编程作业，以块为粒度进行划分；然后，将测试样例输入到各作业程序中，得到各自的变量执行轨迹；根据匹配条件，将正确的作业程序分为聚类，从每个类中随机选择一个模板；针对当前错误作业程序，逐个选择模板与之进行变量执行轨迹的匹配，采用笛卡尔积生成映射关系并计算每一个映射关系对应的修复代价；选择满足变量匹配完全一致且代价值最小的映射关系，将正确变量对应到错误程序对应的变量上，修复对应的知识点，完成最终的修复反馈生成。最后，构建联合因子模型，实现对学生的编程学习状态进行评估；本发明提高了编程作业的修复率。
-
-
-
-
-
-
-
-
-
Search Results
70
records
(took 0.088 seconds)
