-
公开(公告)号：CN116011520B
公开(公告)日：2025-05-16
申请号：CN202310059697.9
申请日：2023-01-16
Applicant: 东北大学
IPC: G06N3/0464 , G06N3/096 , G06N20/00 , G06F18/214 , G06F18/21
Abstract: 本发明设计一种云边端协同系统中轻量化模型的自动生成方法，属于自动机器学习领域；首先构建超网模型并对其进行选择，对得到的超网模型进行训练、评估与参数更新；在完成超网训练后，根据超网中的权重对子网选择和训练；最后通过优化超网模型提升生成过程的精度；在模型搜索上，本发明通过引入温度因子这一搜索策略优化，可以用更短的搜索时长完成相同的模型搜索任务；同时在子模型选择的过程中，不同的边、子操作等不会出现权重接近的情况，使结果模型更加可信和可靠。
-
公开(公告)号：CN117391423B
公开(公告)日：2024-03-22
申请号：CN202311684093.X
申请日：2023-12-11
Applicant: 东北大学
IPC: G06Q10/0633 , G06Q50/04
Abstract: 本发明设计一种芯片高多层陶瓷封装基板产线多约束自动化排程方法，属于约束规划技术领域；首先收集芯片高多层陶瓷封装基板产线生产数据并基于此构建结构化数据；然后采用变量建模、约束建模和目标建模的方法对其进行建模；然后基于建模结果进行基于深度优先和启发式方法的搜索完成该搜索过程后，能够得到实际生产计划建模后的排程计划最小工期以及实现该最小工期的排程方案，同时满足了任务安排的最大利用效率；本发明提升排程求解效率，能够找到多个生产计划并行安排时的具体任务和资源分配的最优解，提升基板产线的生产质量、生产效率和交付能力。
-
公开(公告)号：CN117520825A
公开(公告)日：2024-02-06
申请号：CN202410008043.8
申请日：2024-01-04
Applicant: 东北大学
IPC: G06F18/213 , G06F18/25 , G06F18/20
Abstract: 本发明公开一种基于多尺度特征融合的工业母机加工工件质量预测方法，涉及工业母机工件加工数据领域。获取样本数据集；对采集的具有预测的标签的工件加工过程数据样本进行Pearson相关性分析；按照设定比例随机划分；构建多维度特征融合预测模型；利用训练集对多维度特征融合预测模型进行训练；将测试集输入多维度特征融合预测模型得到刀具加工工件粗糙度。本发明从不同时间维度上对数据进行多角度分析以提取反映工件质量变化的关键特征，并通过对不同尺度特征的提取，降低非平稳数据对结果的影响通过深入学习不同尺度特征之间的内在相关性,有效融合微观和宏观时序变化信息，更准确地把握复杂加工过程对粗糙度的影响规律，大幅提升粗糙度预测的可用性。
-
公开(公告)号：CN117391423A
公开(公告)日：2024-01-12
申请号：CN202311684093.X
申请日：2023-12-11
Applicant: 东北大学
IPC: G06Q10/0633 , G06Q50/04
Abstract: 本发明设计一种芯片高多层陶瓷封装基板产线多约束自动化排程方法，属于约束规划技术领域；首先收集芯片高多层陶瓷封装基板产线生产数据并基于此构建结构化数据；然后采用变量建模、约束建模和目标建模的方法对其进行建模；然后基于建模结果进行基于深度优先和启发式方法的搜索完成该搜索过程后，能够得到实际生产计划建模后的排程计划最小工期以及实现该最小工期的排程方案，同时满足了任务安排的最大利用效率；本发明提升排程求解效率，能够找到多个生产计划并行安排时的具体任务和资源分配的最优解，提升基板产线的生产质量、生产效率和交付能力。
-
公开(公告)号：CN112650949B
公开(公告)日：2023-12-29
申请号：CN202011642110.X
申请日：2020-12-31
Applicant: 东北大学
IPC: G06F16/9536 , G06F16/9537 , G06F18/25
Abstract: 本发明公开一种基于多源特征融合协同过滤的区域POI需求识别方法，包括：步骤1：获取区域相关数据和POI相关数据；步骤2：设计基于K近邻的MR访问推断算法，得到用户访问POI的区域轨迹数据；步骤3：分析处理区域相关数据和POI相关数据，以及用户访问POI的区域轨迹数据，变成神经网络可以输入的形式；步骤4：构建带有注意力机制的神经协同过滤模型；步骤5：优化带有注意力机制的神经协同过滤模型；步骤6：建模区域和POI之间的关系，得到每个区域的POI需求。本发明采用了多特征融合的协同过滤的手段，不仅考虑了人群轨迹，还结合了区域的地理特征以及POI的评价特征，通过神经协同过滤模型去建(56)对比文件Ruiyun Yu 等.RePiDeM：A Refined POIDemand Modeling based on Multi-sourceData《.IEEE INFOCOM 2020 - IEEE Conferenceon Computer Communications》.2020,964-973.Y Song 等.Directional Skip-Gram:Explicitly Distinguishing Left and RightContext for Word Embeddings《.NAACL 2018》.2018,175-180.
-
Patent Agency Ranking
公开(公告)号：CN116740594A
公开(公告)日：2023-09-12
申请号：CN202310267557.0
申请日：2023-03-20
Applicant: 东北大学
IPC: G06V20/40 , G06V10/774 , G06V10/82 , G06V10/80 , G06N3/0464 , G06N3/084
Abstract: 本发明提供一种基于卷积神经网络的实时时空动作检测方法，涉及时空动作检测技术领域。该方法使用3D卷积神经网络来实现强大的时序建模能力，并通过选择使用一些高效的3D卷积神经网络来提取输入的视频片段的时序特征，同时把输入的尺寸缩小一些来解决其计算量大的问题。然后利用2D卷积神经网络强大的空间建模的能力，去处理关键帧，得到关键帧的空间特征。最后，设计了一个基于自注意力机制的模块来融合这两种特征。由此得到一个结构简洁，检测速度快的实时时空检测模型。该方法可以高效地构建连续帧之间的时序关联，且不仅对人和人之间的关系进行建模，人和背景之间的关联也没有忽略，如此达到准确性和实时性的兼顾。
-
公开(公告)号：CN115984242A
公开(公告)日：2023-04-18
申请号：CN202310068039.6
申请日：2023-01-31
Applicant: 东北大学
IPC: G06T7/00 , G06T7/80 , G06T3/40 , G06V10/764 , G06V10/82 , G06N3/084 , G06N3/0464
Abstract: 本发明涉及一种基于深度学习的矿石粒度分析方法及系统，所述方法包括：S10、预先对经过标定的用于矿口进行拍摄相机所拍摄的矿口图像进行抓取，得到矿石图像第一样本集；S20、基于所述矿石图像第一样本集，对预先获取的基础模型进行微调训练，获取微调模型；S30、实时经过标定的用于矿口进行拍摄相机所拍摄的矿口图像进行抓取，并将所抓取的矿口图像输入至所述微调模型中，所述微调模型输出模型结果；S40、基于所述模型结果和预先获取的实际尺度比例信息，得到该模型结果中矿石的粒度信息。
-
公开(公告)号：CN110675189B
公开(公告)日：2022-12-13
申请号：CN201910892466.X
申请日：2019-09-20
Applicant: 东北大学
Abstract: 本发明提供一种基于Wide&Deep模型和遗传算法的无人货架选址方法，涉及机器学习和商业选址领域。本发明提出一种基于Wide&Deep模型和遗传算法的无人货架选址规划方法，从现有的货架销售数据中提取特征，结合地理因素，基于Wide&Deep模型预测新地址的盈利效率，结合配送成本和覆盖面等因素，通过遗传算法和线性加权评分计算出在一个备选地址投放货架的综合推荐度，从而得到一组特定数量的精确投放点位，可以有效地提供选址参考，解决货损率高、盈利难等问题。
-
公开(公告)号：CN112541130A
公开(公告)日：2021-03-23
申请号：CN202011416256.2
申请日：2020-12-07
Applicant: 东北大学
IPC: G06F16/9536 , G06Q30/06 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于深度交叉特征融合的推荐方法及装置，属于推荐系统协同过滤领域。输入初始数据后，对初始数据进行转换、稠密化、扩展和拼接处理后得到用户特征向量栈和项目特征向量栈；通过计算用户特征向量栈中用户的每个特征与项目特征向量栈中项目的每个特征之间的影响关系，将用户特征与项目特征做细粒度的融合，得到最终的用户嵌入向量和项目嵌入向量，再对这两个向量做内积，得到目标用户对该项目产生交互的预测分数，根据预测分数值为目标用户做出个性化推荐。通过将用户特征与项目特征融合，深度挖掘用户特征与项目特征之间的潜在关系，更加细粒度地考虑了用户和项目之间双向的影响关系，最终为目标用户提供个性化推荐。
-
公开(公告)号：CN112418563A
公开(公告)日：2021-02-26
申请号：CN202011472412.7
申请日：2020-12-15
Applicant: 东北大学
Abstract: 一种基于图聚类及迭代局部搜索的行程规划方法，属于行程规划领域，本发明方法在旅行行程规划任务前进行了图聚类，通过图聚类方法将所有景点的位置信息、以及相似度信息构建图，融合了每个节点的位置以及相似度信息，降低迭代局部搜索算法的复杂度和计算时间，并且相比于普通k‑means聚类算法图聚类更能够使得聚类效果更优，提高了行程规划的准确性。通过迭代局部搜索算法，当遇到高POI点在POI点稀疏图的簇中时，可以避免困在该簇的情况发生，这样可以实现行程规划功能，提高了行程规划的鲁棒性以及准确性。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.027 seconds)
