-
公开(公告)号：CN117455742A
公开(公告)日：2024-01-26
申请号：CN202311521750.9
申请日：2023-11-13
Applicant: 重庆大学
IPC: G06Q50/26 , G06Q10/0631 , G16H40/20 , G16H10/60 , G16H50/30 , G06F16/906 , G06F16/904 , G06F16/909 , G06F16/215 , G06F16/29 , G06F16/28 , G06F16/27 , H04B7/185 , H04W4/029 , H04W4/30 , H04W4/80 , H04W4/90 , G16Y10/60 , G16Y20/10 , G16Y20/40 , G16Y30/00 , G16Y40/10 , G16Y40/20 , G16Y40/30 , G16Y40/60 , H04W84/06
Abstract: 本发明涉及一种基于航空医学应急救援大数据的空天地一体化信息处理方法及系统，属于航空医学应急救援技术领域。该方法包括以下步骤：S1、将航空医学应急救援任务所涉及的数据进行分类和采集；S2、对采集的数据进行处理，并与外援设备进行连接，实现数据的实时传输；S3、数据存储及管理：面向应急救援资源和实时救援信息，整合存储医疗记录、患者信息、救援资源以及航空运输数据，实现全面数据集成管理。本发明能够满足空地联合救治需求，解决空地协同救援过程多源异构数据可靠传输难题；支持结构化与非结构化应急救援关键数据的处理与管理，实现空地协同救援信息交互问题，为航空医学应急救援综合指挥调度的顺利开展提供精细化的信息支撑。
-
公开(公告)号：CN116522771B
公开(公告)日：2024-01-26
申请号：CN202310439351.1
申请日：2023-04-21
Applicant: 重庆大学
IPC: G06F30/27 , G06N3/0464 , G06N3/08 , G06N3/0455 , G06F18/24
Abstract: 本发明提出一种基于注意力机制的双向两阶段可解释重着陆预测方法，包括，获取原始飞行参数，对原始飞行参数进行预处理，得到训练数据；构建基于注意力机制的双向两阶段可解释重着陆预测模型；其中基于注意力机制的双向两阶段可解释重着陆预测模型包括时间参数模块和参数时间模块；将训练数据输入基于注意力机制的双向两阶段可解释重着陆预测模型，进行训练；获取待预测飞行数据，将待预测飞行数据输入训练完成的基于注意力机制的双向两阶段可解释重着陆预测模型，得到预测结果以及重着陆时的发生原因。
-
公开(公告)号：CN109977250B
公开(公告)日：2023-03-28
申请号：CN201910211486.6
申请日：2019-03-20
IPC: G06F16/58 , G06F16/51 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种融合语义信息和多级相似性的深度哈希图像检索方法，包括以下步骤；S1，构建图像数据库；S2，构建标签向量矩阵和语义向量矩阵；S3，构建相似度矩阵；S4，搭建深度哈希神经网络模型，将原始图像转换为近似哈希向量；S5，构建对相似图片哈希向量的海明距离有下界约束的损失函数；S6，对搭建的深度哈希神经网络模型进行训练；S7，构建图像的哈希向量数据库；S8，将待检索图像的哈希向量与哈希向量数据库里的向量进行对比，以找出相似的图像。本发明通过融合语义信息，提高了图像检索的精度；并通过约束两张相似图片所对应哈希向量间的海明距离的下界，提高了检索性能。
-
公开(公告)号：CN114004292A
公开(公告)日：2022-02-01
申请号：CN202111270700.9
申请日：2021-10-29
Applicant: 重庆大学
Abstract: 本发明涉及一种基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法，包括以下步骤：将大量QAR数据进行筛选，得到其中俯仰操纵杆在接地前10英尺的累计值大于0的部分；提取高度、俯仰角等五个参数作为机器学习特征；根据所提取的参数，对其数据进行预处理，得到连续高度值、俯仰角累计变化值、最大俯仰角、飞机方向风量四个特征；使用K‑means聚类算法，将大量平飘顶杆航班数据分为四类：逆风影响类、俯仰影响类、高度影响类、自身影响类；基于数据分析，得到其平飘顶杆事件发生的主要原因。本方法在一定程度上避免了飞机降落阶段可能产生的安全事件，可以为航空科研人员提供对此类问题的新见解，指导航空公司对飞行员进行更加具有针对性的训练考核。
-
公开(公告)号：CN113569906A
公开(公告)日：2021-10-29
申请号：CN202110649772.8
申请日：2021-06-10
Applicant: 重庆大学
Abstract: 本申请提出了一种基于元路径子图的异质图信息提取方法，涉及异质图信息提取技术领域，其中，该方法包括：通过异质属性转换，将异质图包含的节点的属性映射到同一特征空间，生成对应的特征向量；根据元路径类别的不同对异质图进行分解，生成同质子图和异质子图；分别对同质子图和异质子图中节点的特征向量进行卷积，生成目标节点在不同子图中的特征表示；对目标节点在不同子图中的特征表示按照相应的权重进行融合，获取到每个节点的多重语义和多种子图结构。本发明可以很好地捕获同质邻居和异质邻居的结构、语义和属性信息，能够提供更加完善的节点特征表示，能够用于广泛的机器学习和图数据挖掘任务。
-
Patent Agency Ranking
公开(公告)号：CN113486938A
公开(公告)日：2021-10-08
申请号：CN202110720131.7
申请日：2021-06-28
Applicant: 重庆大学
Abstract: 本申请提出了一种基于多分支时间卷积网络的重着陆的分析方法，该方法包括：获取原始参数数据和动态时间点；使用改进后的时间卷积网络对原始参数数据进行卷积操作生成每个参数的特征图；对特征图进行特征提取生成整体特征表示；使用整体特征表示对预设类别进行学习得到预设类别的参数层面以及每个参数的特征图所占的权重；根据参数层面以及每个参数的特征图所占的权重对整体特征表示中的特征图进行线性组合，得到最终的类激活映射图，根据类激活映射图对飞机重着陆进行分析。本发明为航空领域的安全事故或超限事件提供了新思路，为时间序列分类问题的可解释性工作提供了参考，还为飞行安全提供了技术借鉴，具有较好的理论和应用价值。
-
公开(公告)号：CN110704692A
公开(公告)日：2020-01-17
申请号：CN201910864727.7
申请日：2019-09-12
Applicant: 重庆大学
IPC: G06F16/901 , G06N20/00 , G06Q10/04 , G06Q10/10
Abstract: 本发明公开了一种结合动态图嵌入方法的员工离职行为预测方法，包括将员工的历史工作信息表示为员工节点与公司节点之间相连的二部图；通过有偏随机游走的方式，随机或有序选择相邻顶点来构造序列；对所述序列进行处理，以学习二部图的低维向量表示；对员工的基本属性与所述低维向量选择机器学习方法进行训练；利用训练的结果进行员工离职预测。本发明可以获得的特征能够更好地解决员工离职预测问题，同时比没有时间信息的其他图嵌入方法更有效。
-
公开(公告)号：CN110163418A
公开(公告)日：2019-08-23
申请号：CN201910346268.3
申请日：2019-04-26
Applicant: 重庆大学
Abstract: 本发明公开了一种基于生存分析的员工离职行为预测方法，方法包括以下步骤：步骤1：进行待预测员工的离职行为特征提取；步骤2：采用预测算法进行预测，得出重要特征；步骤3：对重要特征进行分析，得出结论。本发明提出的基于生存分析的离职预测方法，将生存分析的概率统计技术与随机森林的集成学习进行融合，既利用了事件和时间统计得出的生存率，又将问题归结为传统的有监督二分类问题，使得可以与大量成熟的机器学习算法进行比较，最终分类效果比已有的离职预测算法表现更佳。
-
公开(公告)号：CN108875076A
公开(公告)日：2018-11-23
申请号：CN201810750096.1
申请日：2018-07-10
Abstract: 本发明公开了一种基于Attention机制和卷积神经网络的快速商标图像检索方法，包括搭建Caffe深度学习开源框架，对开源VGG16网络模型进行训练；基于VGG16网络模型设计包含两层卷积层的Attention网络，并在训练好的VGG16网络模型中添加Attention网络；使用FlickrLogos‑32数据集中的训练集对添加了Attention网络的VGG16网络模型进行训练；基于训练好的添加了Attention网络的VGG16网络模型生成Attention‑MAC商标特征提取模型；基于Attention‑MAC商标特征提取模型对待查询商标图像进行检索，并生成检索结果。本发明避免使用全连接层冗余的参数，达到精简模型的目的，提高训练和检索的速度，降低误检率。
-
公开(公告)号：CN106777926A
公开(公告)日：2017-05-31
申请号：CN201611085292.9
申请日：2016-11-30
Applicant: 重庆大学
IPC: G06F19/00
CPC classification number: G16Z99/00
Abstract: 本发明涉及基于多选择器组合的影响最大化结构，包括多选择器层、多组合器层以及评价器层，多选择器层包括多个选择器，每个选择器表示任意一个已知的影响最大化算法；选择器根据自身策略增量地选择几个新的节点作为候选的种子节点，并通过集合输出新的节点；多组合器层包括多个组合器，每个组合器与多个选择器相连，实现对多个选择器的输出进行组合；每一个组合器的输出包含一个节点的集合，每个节点表示经过组合后的候选种子节点；评价器层包括一个评价器，它接收来自组合器层推选出的候选种子节点，并根据节点对应的权重决定是否对其进行评估。本发明通过对多个已有的选择器选择的种子节点进行组合，保证无论k的取值如何，都能得到高质量的解。
-
-
-
-
-
-
-
-
-
Search Results
59
records
(took 0.039 seconds)
