-
公开(公告)号：CN115470704B
公开(公告)日：2023-07-21
申请号：CN202211129049.8
申请日：2022-09-16
Applicant: 烟台大学
IPC: G06F30/27 , G06F111/06
Abstract: 本发明公开了一种动态多目标优化方法、装置、设备和计算机可读介质，属于计算机技术领域。方法包括：获取多目标优化事件的事件信息，包括：环境信息和历史信息；建立多目标优化事件的事件模型；根据环境信息检测多目标优化事件的环境是否变化；若多目标事件的环境发生变化，则根据历史信息和环境信息，基于两种预测策略计算事件模型的原始帕累托最优集；将原始帕累托最优集输入至社会学习优化模型进行学习训练，计算事件模型的目标帕累托最优集，目标帕累托最优集为多目标事件的最优集。本发明实施例公开的技术方案提高了动态多目标优化方法对环境变化的适应能力，在环境变化后仍能准确获得解决方案。
-
公开(公告)号：CN116166788A
公开(公告)日：2023-05-26
申请号：CN202310066689.7
申请日：2023-01-12
Applicant: 烟台大学
IPC: G06F16/335 , G06F16/33 , G06F16/9535
Abstract: 本发明提供了一种基于内外动态因素感知的用户主题兴趣偏好预测方法，属于偏好预测技术领域。所述方法，包括：获取用户的微博数据；根据获取的微博数据，得到内部动态因子、外部动态因子和内因演化因子；根据内部动态因子和外部动态因子，得到初始窗口下的用户主题兴趣预测结果；根据内部动态因子、外部动态因子和内因演化因子，得到非初始时间窗口下的用户主题兴趣预测结果。本发明结合内外部动态因子以及内因演化因子，更接近微博用户偏好演化的实际，提高了对基于微博的用户兴趣偏好演化的预测准确度。
-
公开(公告)号：CN114419509B
公开(公告)日：2023-04-18
申请号：CN202210081912.0
申请日：2022-01-24
Applicant: 烟台大学
IPC: G06V20/40 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/09
Abstract: 本申请实施例公开了一种多模态情感分析方法、装置及电子设备。该多模态情感分析方法能够基于目标视频的至少三个单模态数据通过特征级融合及决策级融合的混合融合策略进行情感分析，相较于单模态情感分析模型，融合多模态特征的情感分析方法更好地利用多种模态之间的交互信息以更有效地反映用户的真实情感，且通过结合混合融合策略进行情感分析能有效提高情感分析结果的准确性。
-
公开(公告)号：CN113987261A
公开(公告)日：2022-01-28
申请号：CN202111311681.X
申请日：2021-11-08
Applicant: 烟台大学
IPC: G06F16/735 , G06F16/9535 , G06F16/9536
Abstract: 本发明属于偏好估计技术领域，提供了一种基于动态信任感知的视频推荐方法及系统，获取所有用户对某视频的初始真实偏好和初始交流偏好；将所有用户的初始真实偏好和初始交流偏好输入基于动态信任感知的偏好演化模型，得到所有用户对该视频的最终真实偏好；根据所有用户对该视频的最终真实偏好，向所有用户进行视频推荐；所述基于动态信任感知的偏好演化模型通过动态异质交互偏好接受度和动态异构信任度，依次对用户的真实偏好、交流偏好、公开偏好和估计偏好进行演化，进而提高了偏好演化的精确度，为用户推荐更加感兴趣的视频。
-
公开(公告)号：CN113128671A
公开(公告)日：2021-07-16
申请号：CN202110418142.X
申请日：2021-04-19
Applicant: 烟台大学
Abstract: 本发明公开了一种基于多模态机器学习的服务需求动态预测方法及系统，所述方法包括以下步骤：获取训练数据集，每条训练数据对应一个用户的用户数据、相应服务使用序列数据以及下一时刻的服务需求，所述服务使用序列中每个服务均包括文本数据和图像数据；对于每条训练数据，分别对文本数据和图像数据进行特征提取，并进行特征共享，得到用户使用服务表达向量；然后根据用户使用服务表达向量，基于门控循环单元网络提取用户服务兴趣表达向量；基于各用户对应的用户特征、用户服务兴趣表达向量以及下一时刻的服务需求，训练多模态机器学习模型，用于预测用户的服务需求。本发明能够实现用户下一时刻服务需求的精准预测。
-
Patent Agency Ranking
公开(公告)号：CN119646691B
公开(公告)日：2025-05-09
申请号：CN202510173985.6
申请日：2025-02-18
Applicant: 烟台大学
IPC: G06F18/2431 , G06F18/2415 , G06F18/25 , G06F18/22
Abstract: 本发明涉及多模态情感分析技术领域，尤其是涉及一种基于双向翻译交互的超多模态情感分析方法及系统。方法，包括获取超多模态情感分析的历史数据样本和当前数据样本，包含图像、音频、文本、脑电和眼动共五种模态；将历史数据中的相似样本与当前数据样本进行加权融合，得到增强后的不确定模态缺失下的超多模态特征；将不确定模态缺失下的超多模态特征分别进行自注意力交互以提升各模态质量；将非脑电的四个模态进行拼接融合以及自注意力交互形成初始融合四模态，并通过多头注意力机制将脑电翻译为新的融合四模态；本发明通过将当前样本与相似样本进行加权平均融合，以增强各模态的质量。
-
公开(公告)号：CN119646593B
公开(公告)日：2025-04-22
申请号：CN202510151938.1
申请日：2025-02-12
Applicant: 烟台大学
IPC: G06F18/24 , G06F18/25 , G06F18/213 , G06N3/0455 , G06N3/0464
Abstract: 本发明属于数据处理技术领域，具体涉及不确定模态下的多模态意图识别方法、系统、装置、介质，为了应对文本模态质量的不确定问题，将文本特征与共性特征进行多头注意力处理，以此生成动态文本权重并作用于文本模态，从而动态优化文本模态；为了解决不确定模态带来的信息不足问题，利用余弦相似度函数计算具有最高优先级的模态与全模态样本数据集中相应模态的相似度，得到相似的全模态样本，并拼接形成目标增强特征，随后经交叉注意力处理对目标增强特征与融合特征进行深度关联学习，从而增强融合特征的质量。
-
公开(公告)号：CN119622483A
公开(公告)日：2025-03-14
申请号：CN202510161990.5
申请日：2025-02-14
Applicant: 烟台大学
IPC: G06F18/241 , G06F40/284 , G06F40/30 , G06F18/214 , G06F18/213
Abstract: 本发明涉及电网故障分类诊断技术领域，具体为一种基于文本向量化的电网故障诊断方法和系统，对电网告警信息文本进行分词处理、嵌入转换处理获得初始向量，同时提取关键字，对其进行向量化处理后得到标签向量；对初始向量进行若干次编码处理，生成文本向量，然后将文本向量与标签向量进行拼接处理，获得拼接向量，进行若干次特征提取处理，生成高维特征向量，对高维特征向量进行全连接正向处理，获得电网故障诊断结果，可以挖掘文本中深层次的语义与逻辑关系，区分具有相似特征的故障类型样本，提高电网故障诊断的准确性。
-
公开(公告)号：CN118965139B
公开(公告)日：2025-03-04
申请号：CN202411464881.2
申请日：2024-10-21
Applicant: 烟台大学 , 哈尔滨工业大学(威海)
IPC: G06F18/2411 , G06F18/213 , G06F18/25 , G06V10/764 , G06V10/40 , G06V10/80
Abstract: 本申请涉及多模态数据处理技术领域，具体为以音频模态为目标模态的多模态情感分析方法和系统；为解决现有技术中多模态情感分析准确度较低的问题，本申请制定当存在音频模态时，将图像模态和文本模态翻译为音频模态，经融合后进行神经网络处理，得到多模态情感预测结果；当不存在音频模态时，用互信息分数来判断哪个模态中所含的情感信息更多，以此来让其他模态向其翻译，得到缺失联合特征，并将标准完整联合特征作为目标，缺失联合特征向完整联合特征逼近进行神经网络处理，得到多模态情感预测结果；该方法应用到多模态情感分析领域中，处理过程更灵活、分析过程更全面、更合理，得到情感预测结果准确度更高。
-
公开(公告)号：CN118861961B
公开(公告)日：2025-02-28
申请号：CN202411354085.3
申请日：2024-09-27
Applicant: 烟台大学
IPC: G06F18/2433 , G06F18/2131 , G06F18/2135 , G06F18/213 , G06N3/0455 , G06N3/0442 , G06N3/048 , G06N3/084
Abstract: 本发明涉及数据处理技术领域，尤其是涉及一种基于LSTM‑VAE网络的电网数据异常检测方法及系统。方法包括获取智能电网数据；构建长短时记忆网络和VAE的LSTM‑VAE网络模型；利用智能电网数据对LSTM‑VAE网络模型进行网络训练；利用训练好的模型进行电网异常检测。本发明结合LSTM和VAE的优势，LSTM能够有效处理电网数据的时序性，捕捉故障前后不同时间点数据的变化趋势和规律；VAE则通过学习数据的潜在分布，更好地重构数据和检测异常。两者结合可以更准确地识别电网数据中的异常情况。
-
-
-
-
-
-
-
-
-
Search Results
100
records
(took 0.019 seconds)
