-
公开(公告)号：CN104239058A
公开(公告)日：2014-12-24
申请号：CN201410483420.X
申请日：2014-09-22
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06F9/44
Abstract: 本面向复用的软件需求建模及演化方法，包括：（1）首先，领域需求模型树DR-T初始化；（2）采采用wiki方式进行领域需求获取，将采用自然语言描述的领域需求通过wiki系统收集起来。（3）确定共性需求，构建领域需求模型。（4）新建应用App[m]的应用需求模型AR-T[m]初始化。（5）向AR-T[m]添加差异需求节点，形成完整的App[m]应用需求模型。（6）应用需求模型AR-T[m]向领域需求模型DR-T的演化。（7）领域需求模型DR-T中共性需求演化为非共性需求。软件企业通过采用该面向复用的软件需求建模及演化方法，可以逐步构建某个业务领域的需求模型，形成软件企业重要的无形资产。当该领域中有新的软件需要构建时，可以复用领域需求模型中的规约，快速形成需求规格说明以及需求模型。
-
公开(公告)号：CN118982074B
公开(公告)日：2025-04-11
申请号：CN202411463393.X
申请日：2024-10-21
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明提出一种基于高效微调和联邦学习的行业大模型训练方法及系统，涉及联邦学习领域。该方法由中心端执行，包括：获取原始全局模型，初始化可调低秩矩阵；所述可调低秩矩阵用于根据客户端资源量进行秩缩放；将模型结构和可调低秩矩阵发送给各客户端，以使各客户端基于本地数据对可调低秩矩阵进行微调训练，得到更新的可调低秩矩阵，并发送至中心端；将更新的可调低秩矩阵进行聚合，更新原始全局模型的权重文件，得到优化的全局模型。本发明客户端在微调训练时对预训练权重进行量化，并对具有秩缩放功能的可调低秩矩阵进行微调训练，以提取客户端本地数据有效特征，实现了模型参数的灵活调整与资源的高效利用。
-
公开(公告)号：CN116185604A
公开(公告)日：2023-05-30
申请号：CN202211594422.7
申请日：2022-12-13
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
Abstract: 本发明提出了一种深度学习模型的流水线并行训练方法及系统，涉及机器学习技术领域，具体方案包括：获取要训练的模型，对模型中每个网络层所占用的内存量进行预估，得到内存预估序列；利用前缀和分区算法对内存预估序列进行分区，将分区均衡分配到流水线上的GPU中；将训练数据集分批连续传入流水线中，进行流水线并行训练；其中，并行训练过程中，采用同步加异步混合的权重缓冲方式，对网络层的权重进行更新；本发明采用一种权重缓冲策略，保证同一小批数据在执行前向传播和反向传播时使用的是同一个版本的参数，从而提高模型训练精度，节省计算资源内存。
-
公开(公告)号：CN110929678B
公开(公告)日：2023-04-25
申请号：CN201911232735.6
申请日：2019-12-04
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06V20/69 , G06V10/762 , G06V10/764 , G06V10/82 , G06V10/28 , G06N3/0464
Abstract: 一种外阴阴道假丝酵母菌孢子检测方法，外阴阴道假丝酵母菌孢子的检测精确度与召回率高，对聚团孢子的检测效果卓著。本专利提出改进的FasterRCNN方法，利用假丝酵母菌孢子经过革兰氏染色后的成像特点，建立辅助RPN网络，将专家知识融入到FasterRCNN网络中，提高了孢子检测精度，降低了特征提取层的复杂度。运行该检测网络所需的计算复杂度与时间大大缩短，更适合在妇科镜检分析设备部署。
-
公开(公告)号：CN109712142B
公开(公告)日：2023-03-28
申请号：CN201910025249.0
申请日：2019-01-11
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明的基于染色分离的乳腺癌Ki67/ER/PR核染色细胞计数方法，首先对乳腺癌病理切片图像进行染色分离，获取基于H染色剂的图像IH和基于DAB显色剂的图像IDAB，然后经滤波消除细胞间质的影响，获得图像IH，filterd和IDAB，filterd；然后根据IH，filterd统计阴性细胞，根据IDAB，filterd及其亮度图VDAB统计强阳、中阳、弱阳细胞，最终获取阴性细胞、阳性（分强阳、中阳和弱阳）细胞的数量和所占细胞总数的概率。本发明设计基于染色分离的乳腺癌核染色细胞计数方法，能够快速有效地实现细胞计数，协助医生工作，降低医生工作量的同时保证计算准确度。
-
Patent Agency Ranking
公开(公告)号：CN114385233B
公开(公告)日：2022-08-02
申请号：CN202210291811.6
申请日：2022-03-24
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本申请属于计算机系统技术领域，提供了一种跨平台自适应数据处理工作流系统及方法，包括客户端，被配置为基于应用程序编程接口调用和画布式拖拽构建工作流，将所构建的工作流通过Istio安全网关发送到服务端；服务端，被配置为基于服务器接口接收客户端所构建的工作流，基于运算符计算平台适配器进行工作流逻辑运算符的计算环境优化适配。本申请采用基于Kubernetes的微服务架构，采用Istio安全网关作为客户端与服务端的唯一通道，实现跨平台自适应数据工作流的处理。
-
公开(公告)号：CN114385601A
公开(公告)日：2022-04-22
申请号：CN202210291801.2
申请日：2022-03-24
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06F16/21 , G06F16/22 , G06F16/2458 , G06F16/25
Abstract: 本发明涉及流式数据智能处理技术领域，提供了基于超算的云边协同高通量海洋数据智能处理方法及系统，包括基于历史海洋观测数据构建每个海洋观测数据流的初始海洋数据智能处理模型；实时获取每个海洋观测数据流的数据并进行预处理；基于预处理后的每个海洋观测数据流数据，对相应的初始海洋数据智能处理模型进行实时迭代训练更新，得到每个海洋观测数据流的最新海洋数据智能处理模型，保存在模型版本库中；通过调用每个海洋观测数据流的最新海洋数据智能处理模型对每个海洋观测数据流中不断流入的数据进行实时推理与预测；将超算训练优化后的模型推送到边缘端，在边缘端进行模型更新，并进行具体推理应用，从而避免了数据远程传输，降低了延迟。
-
公开(公告)号：CN109410194B
公开(公告)日：2022-03-29
申请号：CN201811222572.9
申请日：2018-10-19
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: G06T7/00 , G06V10/25 , G06V10/764 , G06V10/82 , G06K9/62
Abstract: 本发明的基于深度学习的食管癌病理图像处理方法，包括：a).病理切片扫描；b).圈注上皮区类型，将上皮区的正常区域、低级别和高级别癌前病变区域圈注出来；c).图像预处理，获取上皮小图像；d).卷积神经网络将每个上皮小图像沿其纵向均分为n个图像块，对每个图像块进行特征提取；e).长短期记忆网络LSTM，获取上皮小图像的特征向量；f).分类器分类；g).模型建立和调优，h).准确率计算。本发明的食管癌病理图像处理方法，经CNN、LSTM网络和分类器的处理后，获取每个上皮小图像为正常、低级别和高级别癌前病变类型的概率，为病理科食管癌全切片的科学利用提供了一种行之有效的数字图像处理方法，有益效果显著，适于应用推广。
-
公开(公告)号：CN114186668A
公开(公告)日：2022-03-15
申请号：CN202111498488.1
申请日：2021-12-09
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
Abstract: 本发明公开了一种物联网数据流预测的在线深度学习方法、系统和设备，包括采集观测数据，获取预设时间段内观测数据的目标数据点及目标数据点序列；对原始观测数据进行处理，并构建训练和测试样本；根据训练和测试样本建立ECNN模型进行在线深度学习。对比现有技术，本发明的有益效果在于：采用进化卷积神经网络框架，可以端到端地进行训练，既具有较好的数据特征学习能力，并且还可以随数据流自适应地进化，同时解决了容量可扩展性和可持续性问题。
-
公开(公告)号：CN114004766A
公开(公告)日：2022-02-01
申请号：CN202111311399.1
申请日：2021-11-08
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明公开了水下图像增强方法、系统和设备，水下图像增强方法，包括以下步骤：获取水下视频或图像数据；通过数据增强生成对抗网络，对所述视频或图像数据使用预设算法进行预处理得到衰减图及雾化效果图，对所述衰减图及雾化效果图提取特征获取水下仿真数据，将所述水下视频或图像数据与对应的水下仿真数据生成配对数据集；利用修复生成对抗网络对得到的配对数据集进行判别器计算损失数并进行训练得到水下图像修复模型。能够根据实际水下退化质量生成对应的仿真配对数据集，不需要参数调节，基于多尺度特征融合的水下增强算法修复水下图像颜色。
-
-
-
-
-
-
-
-
-
Search Results
99
records
(took 0.106 seconds)
