-
公开(公告)号：CN118779469A
公开(公告)日：2024-10-15
申请号：CN202411247105.7
申请日：2024-09-06
Applicant: 浙江大学滨江研究院 , 浙江中烟工业有限责任公司
Abstract: 本发明公开了一种基于特征表示的领域大模型多模态知识库的构建方法，包括如下步骤：步骤一，收集并处理用于构建知识库的信息；步骤二，基于步骤一收集的知识库的信息进行多模态信息特征提取；步骤三，基于步骤一收集的信息和步骤二提取的多模态信息特征构建多模态知识库；步骤四，基于步骤三构建的多模态知识库提取用户输入的需求信息，构建领域意图识别模型，确定用户具体需求意图；步骤五，提取用户输入的需求信息，查询知识库，将查询到的知识块输入领域大模型，借助大模型生成能力输出用户所需求查询结果。本发明的基于特征表示的领域大模型多模态知识库的构建方法，弥补了现有大语言模型在处理多模态数据上的不足，增强用户体验感。
-
公开(公告)号：CN118133190B
公开(公告)日：2024-08-13
申请号：CN202410539115.1
申请日：2024-04-30
Applicant: 浙江大学滨江研究院 , 杭州熔合智造科技有限公司
IPC: G06F18/2431 , G06N3/084 , G06N3/096
Abstract: 本发明的基于BN关系网络的负荷识别模型构建方法及负荷识别方法，针对当前非侵入式负荷识别方法在实际应用过程中可迁移性较差，在新的电器品牌和住房条件上模型泛化性能低，提出了一种基于自适应批标准化（Batch Normalization，BN）关系网络的非侵入式负荷识别方法，改善了不同数据集之间的模型泛化性能，并且在实际应用中只需要少量的标签数据。
-
公开(公告)号：CN118113731A
公开(公告)日：2024-05-31
申请号：CN202311486619.3
申请日：2023-11-09
Applicant: 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) , 浙江大学滨江研究院
IPC: G06F16/2452 , G06F16/242 , G06F16/2453 , G06F16/901 , G06N3/045
Abstract: 本发明公开了一种基于注意力机制的自然文本转图数据库查询语言的方法，包括如下步骤：步骤一，构建CQL查询模板，获取自然文本问题、图数据库模式；步骤二，进行嵌入表示；步骤三，预测MATCH子句；步骤四，预测WHERE子句；步骤五，预测RETURN子句；步骤六，进行反向传播，更新网络参数，完成语言转换。本发明的基于注意力机制的自然文本转图数据库查询语言的方法，通过步骤一至步骤六的设置，所生成的CQL查询语句比现有的方法更加准确和规范。
-
公开(公告)号：CN117950794A
公开(公告)日：2024-04-30
申请号：CN202311491000.1
申请日：2023-11-10
Applicant: 浙江大学 , 浙江大学软件学院(宁波)管理中心(宁波软件教育中心) , 浙江大学滨江研究院
IPC: G06F9/455
Abstract: 本发明公开了一种基于Kubernetes的服务编排系统，包括可视化编排组件，该可视化编排组件用于与用户进行人机交互，以供用户通过前端的图形化流程配置服务编排过程及其服务的相关的信息；控制面板组件，该控制面板组件与可视化编排组件通信连接，以接收可视化编排组件配置好的信息，并将信息进行解析，转换为crd的配置信息；编排引擎组件，该编排引擎组件与控制面板组件通信连接，以接收控制面板传入的配置信息，编排引擎会根据信息进行拓扑排序，并对每个节点启动一个go routine来负责完成服务编排，并将服务编排结果直接传递至用户；其中，控制面板组件的crd是指k8s里的operator。本发明的基于Kubernetes的服务编排系统，基于Kubernetes的服务编排系统。
-
公开(公告)号：CN117351255A
公开(公告)日：2024-01-05
申请号：CN202310942891.1
申请日：2023-11-23
Applicant: 浙江大学滨江研究院 , 浙江大学医学院附属儿童医院
IPC: G06V10/764 , G06V10/82 , G06V10/80 , G06T7/00 , G06N3/0464 , G06N3/098
Abstract: 本发明公开了一种基于目标检测和图像分类的医学图像疾病分类方法，包括如下步骤：步骤一，通过目标检测模型提取病灶所在区域；步骤二，将步骤一提取到的区域输入到特征抽取网络，获取区域特征，之后将获取的区域特征相互融合后输入疾病分类模型，得到图像分类结果；步骤三，对完整的医学图进行特征提取，然后输入疾病分类模型，得到图像分类结果；步骤四，将步骤二和步骤三获取的图像分类结果进行整合，完成分类。本发明的分类方法，提出了一种基于目标检测和图像分类的二分支两阶段疾病分类模型，缓解了数据不平衡问题，加强了模型对具体病灶区域的关注程度。
-
Patent Agency Ranking
公开(公告)号：CN119988082A
公开(公告)日：2025-05-13
申请号：CN202510467265.0
申请日：2025-04-15
Applicant: 浙江大学滨江研究院 , 卡奥斯工业智能研究院(青岛)有限公司
Abstract: 本发明公开了一种复杂表格数据错误检测方法，包括：获取复杂表格数据样本；构建逻辑分组模块、联合表征模块、特殊对采样模块和逆倾向分数修正的分类器模块；逻辑分组模块基于距离相关系数对属性列进行逻辑分组，将最有可能存在上下文语义关系的属性列划分到一组内；联合表征模块加强各个分组内特征向量的上下文逻辑关系的表征能力；基于簇内平方和函数与bce‑rerank模型的特殊对采样模块能在少量标注实例的情况下准确定位到最具信息量的特例数据对；基于逆倾向分数修正的分类器模块旨在消除采样过程中的选择偏差问题；将表格数据标注样本输入上述错误检测模型进行处理，得到最终的错误检测结果。
-
公开(公告)号：CN118965009A
公开(公告)日：2024-11-15
申请号：CN202411467025.2
申请日：2024-10-21
Applicant: 浙江大学滨江研究院
IPC: G06F18/214 , G06F18/22 , G06F18/213 , G06F18/10 , G06N3/0464 , G06N3/0985
Abstract: 本发明公开了一种基于鲁棒性度量学习的非侵入式负荷识别方法，包括如下步骤：步骤一，采集不同运行条件下不同电器类型的电流数据，用于组建元学习数据集；步骤二，使用神经网络架构搜索算法对特征提取网络进行学习，具体为对整体的特征提取网络框架进行定义；步骤三，构建基于神经网络架构搜索的度量学习网络框架；步骤四，使用步骤三中获得的度量学习模型对电器进行非侵入式负荷识别。本发明的基于鲁棒性度量学习的非侵入式负荷识别方法，使用神经网络架构搜索算法对度量学习网络的特征提取模块进行自动搜索，通过含噪数据集的训练，得到抗噪声能力最强的网络结构，提高最终度量学习模型的鲁棒性。
-
公开(公告)号：CN118674239A
公开(公告)日：2024-09-20
申请号：CN202411155492.1
申请日：2024-08-22
IPC: G06Q10/0631 , G06Q10/0639 , G06Q10/067
Abstract: 本发明公开了一种面向多实体复杂场景的服务生态抽象及隐性需求分析方法，包括如下步骤：步骤一，进行服务实体及关系建模，之后进行服务能力及流程建模，完成服务生态抽象建模；步骤二，基于服务生态模型、服务日志分析及性能监测报告，评价当前服务现状，之后借助大模型能力，将当前服务状态指标作为输入，挖掘当前服务隐性需求；步骤三，基于粗糙‑模糊综合决策，确定最佳隐性需求。本发明的面向多实体复杂场景的服务生态抽象及隐性需求分析方法，能够有效的挖掘出最佳的隐性需求。
-
公开(公告)号：CN118503643A
公开(公告)日：2024-08-16
申请号：CN202410962092.5
申请日：2024-07-18
Applicant: 浙江大学滨江研究院 , 卡奥斯工业智能研究院(青岛)有限公司
IPC: G06F18/15 , G06N3/045 , G06N3/0895 , G06F18/24
Abstract: 本发明公开了一种基于半监督学习的缺失数据补全模型，包括：生成器G，生成一个经过补全的数据矩阵#imgabs0#；判别器D，将数据矩阵#imgabs1#的编码存储在掩码矩阵M中，之后判别器D输出一个判别概率矩阵；分类器C，该分类器C使用有标签的多元数据进行训练；其中，生成器G、判别器D和分类器C均引入有多层感知机，通过多层感知机对给定多元数据样本X进行重构，重构成多元的数据矩阵#imgabs2#。本发明的基于半监督学习的缺失数据补全模型，可以提升数据完整性，避免因数据缺失问题而影响后续的决策分析。
-
公开(公告)号：CN118154435A
公开(公告)日：2024-06-07
申请号：CN202410117397.6
申请日：2024-01-29
Applicant: 中共浙江省委党校(浙江行政学院) , 浙江大学滨江研究院
IPC: G06T5/50 , G06T5/60 , G06T5/70 , G06V10/10 , G06V10/80 , G06V10/44 , G06N3/045 , G06N3/0475 , G06N3/0464
Abstract: 本发明公开了一种基于扩散模型的多波段图像融合方法，其特征在于：包括：步骤一，对数据进行处理，确定范例样本；步骤二，训练基于扩散模型的多波段图像融合模型；步骤三，对步骤二训练获得图像融合模型的进行测试，记录测试结果，分析融合效果；步骤四，将步骤三生成的融合图像输入到多模态目标检测器中，训练得到一个高性能的多模态目标检测器，随后，与传统的基于单一场景训练的目标检测器的性能进行对比，观察其性能提升效果，并在观察到性能提升较好后利用训练得到的多模态目标检测器进行图像融合。本发明的基于扩散模型的多波段图像融合方法，以解决红外和可见光图像融合中的噪声和质量问题。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.01 seconds)
