-
公开(公告)号：CN119786021A
公开(公告)日：2025-04-08
申请号：CN202510272051.8
申请日：2025-03-10
Applicant: 东北大学
IPC: G16H50/20 , G16H50/70 , G16H10/60 , G06F18/214 , G06F18/25 , G06F18/213 , G06N3/0455 , G06N5/025 , G06N3/0442 , G06N3/0464 , G10L25/66 , G10L25/30 , G06F40/35
Abstract: 本发明提供了一种融合情绪信息的多模态多因素抑郁症识别系统，涉及多模态融合技术领域，本发明提出通过迁移学习和多数据集训练方法，提取更加精准的情绪特征，从而解决现有方法情绪识别不充分的问题。本发明还通过以子句为单位进行特征提取，保留完整的语境信息，以更好地理解用户的语言和情感波动。为了优化多模态数据融合，本发明采用基于注意力机制的融合方法，这不仅能更有效地捕捉模态间的依赖关系，还能充分提取各模态中的关键信息，从而提高整体的检测效果。同时本发明还考虑到了性别差异和外部知识的影响，通过引入性别差异和外部常识知识库来提高模型对不同性别用户情绪的准确识别和理解能力，进一步提升模型的适应性和精确度。
-
公开(公告)号：CN112181617B
公开(公告)日：2024-05-17
申请号：CN202010979603.6
申请日：2020-09-17
Applicant: 东北大学
Abstract: 本发明公开了一种基于特定索引结构的高效调度算法，由一个特殊的布隆过滤器和每个过滤器元素对应的事务队列组成，所述布隆过滤器和事务队列组成特殊的索引结构，其分别进行高效的依赖检测和保留必要的依赖信息，通过布隆过滤器，在一定时间内检测出事务之间的依赖关系，事务队列具有保持总顺序关系和简化依赖关系图的特性，借助于索引结构，调度器支持记录粒度锁，从而支持并发事务调度操作。本发明提出的方法高效的解决了依赖图调度中由于基于两两比较而调度开销过大导致的性能损失问题，保证了在各种依赖率工作负载下的并行执行能力，正式证明了副本调度与其他调度安全的一致性，调度器比对比方法具有更高的效率、可扩展性和健壮性。
-
公开(公告)号：CN116821125A
公开(公告)日：2023-09-29
申请号：CN202310697612.X
申请日：2023-06-13
Applicant: 东北大学
Abstract: 本发明公开了一种基于高并行场景下的FPGA数据加速方法，包括：建立用于比较的二叉树，假设所述树的叶子节点数量为N，对所述二叉树设置一个全局标志位，对二叉树的每个非叶子节点设置一个标志位；将待处理数据依次插入二叉树的空叶子节点，并在非叶子节点进行比较，将比较中较小的数据传入父节点继续参与比较，最后输出二叉树中最小的数据，清空最小数据所在的叶子节点。根据输出数据的标志位，对全局标志位进行更新；插入新数据，设置新数据的标志位，对树内数据互相比较，输出本次比较后的最小数据；直到所有数据全部插入，输出排序后的数据集，在单位时间内排序数据量提高，缩短连接阶段运行时间，减少资源消耗，提高看数据的处理速度。
-
公开(公告)号：CN113010597B
公开(公告)日：2023-08-01
申请号：CN202110368784.3
申请日：2021-04-06
Applicant: 东北大学
IPC: G06F16/26 , G06F16/2458 , G06F16/182 , G06F18/23213 , G06N3/0464 , G06N3/049
Abstract: 本发明提供一种面向海洋大数据的并行关联规则挖掘方法，包括海洋大数据预处理、海洋数值大数据离散化处理及并行关联规则挖掘三部分，数据离散化采用信息熵结合K‑means的方法，并行关联规则挖掘主要基于改进Apriori算法来完成，即基于Spark并行化Apriori算法，并将事务矩阵引入到了并行处理中，在迭代计算中简化事务矩阵，通过矩阵做逻辑“与”运算得到频繁项集和支持度，通过频繁项集与支持度计算关联规则。在计算过程中仅对该RDD进行操作，而不再扫描原始数据，从而通过内存计算加快了算法处理效率。通过剪枝来简约事务矩阵，减少后续迭代扫描范围和计算量，减少了I/O操作，有效解决了现有方法满足不了海洋大数据关联挖掘分析需求的问题。
-
公开(公告)号：CN112256866A
公开(公告)日：2021-01-22
申请号：CN202011027335.4
申请日：2020-09-25
Applicant: 东北大学
IPC: G06F16/35 , G06F16/33 , G06F40/211 , G06F40/242 , G06F40/289 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于深度学习的文本细粒度情感分析方法，包括如下步骤：基于辅助学习和注意力机制的AL‑ATT模型和基于图卷积网络与注意力机制的GCN‑ATT模型；基于辅助学习和注意力机制的AL‑ATT模型包括如下步骤：数据预处理—注意力嵌入模块—辅助学习模块—交互注意力模块—输出模块—正则化约束；相比于依赖语言学知识和人工特征提取的基于规则和机器学习方法，使用深度学习不需要人工的选择特征也不需要依赖大量的特征工程，它可以很好的处理高维的输入数据，可以自动学习文本中的特征，从而对文本向量实现进行准确的分类。
-
Patent Agency Ranking
公开(公告)号：CN107103055A
公开(公告)日：2017-08-29
申请号：CN201710237896.9
申请日：2017-03-29
Applicant: 东北大学
Abstract: 本发明公开一种面向内存更新密集型程序的Hourglass和Piggyback算法，其优秀性能来源于在updater和dumper线程之间的指针交换技术，可以避免大量数据拷贝。它周期性的发生updater和dumper线程的角色交换，可以被周期性无止境的复用，一旦上面的部分为空的时候交换上下角色。可以拥有更少的内存和基本没有抖动的延时效果。其都属于轻量级检查点算法的一种，Hourglass结合了目前最好的两个算法zigzag和pingpong，从而利用两个的优点指针交换和比特位标志。Piggyback算法提高性能通过提供一种全量快照，从而可以支持实时olap和oltp的应用。其具有更小的内存占用、全量快照开销、更小的延时、更均匀的延时的优点。
-
公开(公告)号：CN102799674A
公开(公告)日：2012-11-28
申请号：CN201210248045.1
申请日：2012-07-17
Applicant: 东北大学
IPC: G06F17/30
Abstract: 一种面向大规模不确定物流网络的需求概率查询方法，采用不确定图G来描述不确定物流网络，计算配送量在不确定物流网络中从源节点到汇聚节点被成功配送的概率，具体是不确定图G的需求概率查询，得到物流网络数据的需求概率的查询结果，即配送量在不确定物流网络中从源节点到汇聚节点被成功配送的概率，不断更新需求概率，进行下一次查询；根据计算出的结果，制定物流配送线路进行物流配送。采用本方法来处理物流网络的不确定性，能够提高运输效率减少成本。
-
公开(公告)号：CN102073689B
公开(公告)日：2012-11-07
申请号：CN201010606723.8
申请日：2010-12-27
Applicant: 东北大学
IPC: G06F17/30
Abstract: 一种基于区域覆盖的动态最近邻查询方法，属于移动数据索引技术领域，方法如下：录入人员位置信息；把战场空间划分为网格；对士兵进行索引；对于战场上士兵稀疏的区域使用Voronoi图结构组织网格；取一个0-1之间的值设为阈值，网格密度大于域值采用最佳优先最近邻查询方法BNFF，确定最近邻队友的位置，网格密度小于域值使用网格Voronoi图最近邻方法，确定最近邻队友的位置；本发明降低了更新索引的代价，同时与已有方法相比查询效率有明显提高，这种方法可以在战场上发挥很大的作用，为每个查询人提供最大程度的快捷准确的结果。
-
公开(公告)号：CN102073689A
公开(公告)日：2011-05-25
申请号：CN201010606723.8
申请日：2010-12-27
Applicant: 东北大学
IPC: G06F17/30
Abstract: 一种基于区域覆盖的动态最近邻查询方法，属于移动数据索引技术领域，方法如下：录入人员位置信息；把战场空间划分为网格；对士兵进行索引；对于战场上士兵稀疏的区域使用Voronoi图结构组织网格；取一个0-1之间的值设为阈值，网格密度大于域值采用最佳优先最近邻查询方法BNFF，确定最近邻队友的位置，网格密度小于域值使用网格Voronoi图最近邻方法，确定最近邻队友的位置；本发明降低了更新索引的代价，同时与已有方法相比查询效率有明显提高，这种方法可以在战场上发挥很大的作用，为每个查询人提供最大程度的快捷准确的结果。
-
公开(公告)号：CN101408901A
公开(公告)日：2009-04-15
申请号：CN200810229043.1
申请日：2008-11-26
Applicant: 东北大学
IPC: G06F17/30
Abstract: 一种基于主题词条的跨类型数据的概率聚类方法，属于数据库领域，包括以下步骤：(1)定义主题词条的类型；将跨类型数据分为主题相关词条、主题半相关词条和主题不相关词条；(2)对每类词条分配概率；(3)用概率表示数据主题；(4)构建数据的主题词条概率相似性矩阵M；对步骤(3)中跨类型数据的任意两个数据dx和dy，计算dx和dy任意两种描述形式的相似度，将相似度大于某一阈值的相似性的概率相加，将任意两个数据的直接相关概率存储在矩阵M中；(5)基于矩阵M构建聚类模型Mc；(6)基于聚类模型Mc的聚类方法。本发明利用与主题相关的词条项的相似性来对跨类型数据进行聚类，提高了数据聚类的精度，减少了聚类时间。
-
-
-
-
-
-
-
-
-
Search Results
60
records
(took 0.019 seconds)
