-
公开(公告)号：CN115145784A
公开(公告)日：2022-10-04
申请号：CN202210411985.1
申请日：2022-04-19
Applicant: 北京理工大学
Abstract: 本公开涉及一种分布式事务提交协议的运行环境监测方法，属于分布式事务处理技术领域。本公开通过使用RLSM鲁棒性等级状态机来维护每个参与者的系统环境，该状态机维护的状态可通过输入不同参数被动态调整，以实时跟踪每个参与者的环境；协调者能够基于参与者对应RLSM的状态确定系统环境等级，打破了现有分布式事务提交时对系统环境的固定假设，使得分布式事务提交可根据系统环境动态调整提交协议，提高分布式事务处理的效率。进一步通过设定状态机输入由当前协议及其结果设置，实现参与者RLSM状态的自动调整。进一步设定状态机降低等级时的输入参数非固定，而是通过强化学习基于历史提交协议执行结果习得，更符合分布式事务处理环境，提高事务处理效率。
-
公开(公告)号：CN114818124A
公开(公告)日：2022-07-29
申请号：CN202210394120.9
申请日：2022-04-14
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于DPPO的虚实融合栅格舵模型参数优化方法，属于航天器设计参数优化技术领域。本发明使用BP神经网络训练的代理模型替代栅格舵系统物理仿真模型，可以快速地生成数据、完成预测，使用Adams物理仿真模型预测20000组数据需要耗时越20小时，使用代理模型仅需1.6秒。使用DPPO深度强化学习对栅格舵系统参数进行优化，在计算梯度时通过更新前后地参数对比，限制更新步长，解决了基于行为地强化学习的步长敏感问题，使得训练更易收敛。同时，使用分布式的方式，用多组线程与环境交互，产生训练数据，在提升数据收集速度的同时，降低了网络间的相关性，使得训练更容易收敛，更易实现对栅格舵系统的参数优化。
-
公开(公告)号：CN113159449A
公开(公告)日：2021-07-23
申请号：CN202110521123.X
申请日：2021-05-13
Applicant: 北京理工大学
Abstract: 本发明涉及一种基于结构化数据的预测方法，属于人工智能学习预测技术领域，包括获取所述结构化数据元组x＝＜x1，x2，...xj，...xm＞；将属性值xj转换为嵌入向量表示ej；使用多个指数神经元基于所述嵌入向量建模所述x的特征相互作用；将所有所述特征相互作用聚合构建所述x的特征向量；基于所述特征向量进行分类预测。本发明通过指数神经元建模交叉特征，克服了对数神经元输入必须为正的限制，提高了神经元灵活性及适用场景，提升了交叉特征建模的有效性；多头门控注意力机制能够根据输入数据动态并有选择性地建模任意阶的交叉特征，提升了特征建模的准确性和效率，进而提升了目标预测的准确性和效率；通过门控机制动态捕捉输入样本的交互项，提供了模型决策的可解释性以及新的见解。
-
公开(公告)号：CN113012808A
公开(公告)日：2021-06-22
申请号：CN202110405487.1
申请日：2021-04-15
Applicant: 北京理工大学
Abstract: 本发明涉及一种健康预测方法，属于人工智能数据挖掘技术领域。包括以下步骤：S1获取原始医疗时序特征矩阵X；S2使用特征交互表示方法对xt重新表达为使其包含特征交互信息；S3使用综合信息提取方法提取时序数据序列的综合信息；S4使用分类方法对所述进行分类以实现健康预测。本发明能够充分利用医学特征的交互信息，包括功能级交互和时间级交互，从而对医疗时序数据内在相关信息进行更为有效的挖掘，进而实现对用户健康进行更为有效的预测。功能级交互能够有效地描绘出不同的异常模式，从而更好的区分患者不同的健康状态。时间级交互可以更有效的学习患者动态变化的健康状况。通过双向嵌入能够为数字型医学特征生成信息含量更加丰富的嵌入向量表达。
-
Patent Agency Ranking
公开(公告)号：CN112951417A
公开(公告)日：2021-06-11
申请号：CN202110405508.X
申请日：2021-04-15
Applicant: 北京理工大学
Abstract: 本发明涉及一种医疗时序数据医学特征交互表示方法，属于人工智能数据处理技术领域。包括以下步骤：S1获取原始医学特征向量x；S2对x中第i个医学特征值xi通过嵌入机制生成嵌入向量ei；S3对不同医学特征的嵌入向量做交互ri，j；S4对不同交互相对于其特征分配注意力权重αi，j；S5将第i个医学特征与其他所有医学特征交互进行乘加后获得其交互表示ci；S6将ei与ci拼接后做线性压缩获得第i个医学特征的全面表示fi；S7将所有特征的全面表示拼接后得到x的全面表达。本发明能够分别处理各个医学特征从而保留特征的个性，同时又能够让其与交互作用更紧密的结合；因此，本发明方法能够有效地描绘出不同的异常模式，从而更好的区分患者不同的健康状态。
-
公开(公告)号：CN119649981A
公开(公告)日：2025-03-18
申请号：CN202411700047.9
申请日：2024-11-26
Applicant: 首都医科大学附属北京天坛医院 , 北京理工大学
Abstract: 本申请提供了一种诊断建议生成模型的训练方法、装置及电子设备，利用训练样本集对基底模型进行训练，获得待验证生成模型；针对于测试样本集中的每条描述‑诊断样本，将该描述‑诊断样本输入所述待验证生成模型，确定该描述‑诊断样本的预测诊断建议；比对预测诊断建议与该描述‑诊断样本的参考诊断建议，确定该描述‑诊断样本的第一评估指标；结合医疗诊断词表，确定该描述‑诊断样本的第二评估指标；基于每个描述‑诊断样本的第一评估指标和第二评估指标，确定待验证生成模型的模型总损失，分析模型总损失，训练得到诊断建议生成模型。这样，可借助于不同评估维度上的第一评估指标和第二评估指标，训练得到具有较高精度的诊断建议生成模型。
-
公开(公告)号：CN118674972A
公开(公告)日：2024-09-20
申请号：CN202410679529.4
申请日：2024-05-29
Applicant: 首都医科大学附属北京天坛医院 , 北京理工大学
IPC: G06V10/764 , G06V10/80 , G06V10/771
Abstract: 本申请提供了一种脑疾病分类方法及装置，其中，方法包括：获取待分类脑部在三维多模态下的影像信息及其对应的影像报告；通过预先训练好的特征提取模型，对影像信息进行特征提取得到影像特征，对影像报告进行特征提取得到文本特征；引入脑结构模板，设计基于影像特征的特征筛选模型，以通过文本特征对影像特征进行特征筛选、过滤与融合，得到降低维度的聚合图像特征；通过多模态融合模型，将聚合图像特征与文本特征进行特征融合，得到待分类脑部的多模态融合特征；将多模态融合特征输入分类模型，确定出待分类脑部的疾病类型。本申请解决了现有技术中三维脑影像数据冗余程度高、脑疾病分类精度低的技术问题，达到提高分类精度的技术效果。
-
公开(公告)号：CN112951417B
公开(公告)日：2022-06-28
申请号：CN202110405508.X
申请日：2021-04-15
Applicant: 北京理工大学
Abstract: 本发明涉及一种医疗时序数据医学特征交互表示方法，属于人工智能数据处理技术领域。包括以下步骤：S1获取原始医学特征向量x；S2对x中第i个医学特征值xi通过嵌入机制生成嵌入向量ei；S3对不同医学特征的嵌入向量做交互ri，j；S4对不同交互相对于其特征分配注意力权重αi，j；S5将第i个医学特征与其他所有医学特征交互进行乘加后获得其交互表示ci；S6将ei与ci拼接后做线性压缩获得第i个医学特征的全面表示fi；S7将所有特征的全面表示拼接后得到x的全面表达。本发明能够分别处理各个医学特征从而保留特征的个性，同时又能够让其与交互作用更紧密的结合；因此，本发明方法能够有效地描绘出不同的异常模式，从而更好的区分患者不同的健康状态。
-
公开(公告)号：CN113053530A
公开(公告)日：2021-06-29
申请号：CN202110404818.X
申请日：2021-04-15
Applicant: 北京理工大学
Abstract: 本发明涉及一种医疗时序数据综合信息提取方法，属于人工智能数据处理技术领域。包括以下步骤：获取医疗时序特征矩阵X＝(x1，x2，...，xt...，xT)；对X进行动态建模获得累积表示h1，h2，...，ht...，hT；对每个时间步长的输出和最后一个时间步长的输出进行交互获得各时间步长的交互结果si，T；对每个时间步长与最后一个时间步长的交互分配注意力权重βi，T；通过将si，T与βi，T做乘加运算汇总所有时间步长与最后一个时间步长交互后的总体表示gT；将hT与gT拼接对X进行全面建模本发明能够很好的对时间步长之间的交互进行建模，从而更有效的学习患者动态变化的健康状况，而且这些变化都是因人而异的，通过注意力机制区分不同交互的重要性，由此可提供更全面表示患者EMR数据的能力、可获得更好的分析性能并提供细粒度的医学分析结果。
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.023 seconds)
