一种用于二氧化碳加氢制甲醇催化剂及其制备方法与应用

    公开(公告)号:CN118594522A

    公开(公告)日:2024-09-06

    申请号:CN202410554632.6

    申请日:2024-05-07

    Applicant: 东南大学

    Abstract: 本发明公开了一种用于二氧化碳加氢制甲醇的催化剂及其制备方法与应用,采用Zn(NO3)2·6H2O、Zr(NO3)4·5H2O、ZrO2和ZnO为原料,配制活性组分(Zn、Zr)的浸渍液,再将浸渍液加入载体(ZrO2、ZnO)中混合,搅拌,经干燥、煅烧,研磨得到。本发明方法使催化剂各组分均匀分散、性质稳定,有利于提供更多活性位点,提高了催化剂的性能。该催化剂在二氧化碳加氢制甲醇反应中,具有较低的活性温度(320℃)、较高的CO2转化率(33%~42%)和CH3OH选择性(80%~100%);制备方法简单,具有高催化活性、甲醇高选择性等特点,适用于工业中CO2的转化利用,具有广阔的推广及应用前景。

    基于ELETRIC-BERT的实体抽取方法

    公开(公告)号:CN113962214B

    公开(公告)日:2024-07-16

    申请号:CN202111239034.2

    申请日:2021-10-25

    Applicant: 东南大学

    Abstract: 本发明提供了一种基于ELETRIC‑BERT的实体抽取方法,包括:通过预训练得到领域预训练模型ELETRIC‑BERT;将领域预训练模型ELETRIC‑BERT与实体抽取基本模型进行整合,得到基于ELETRIC‑BERT的实体抽取模型;使用模块替换策略,将原模型参数量压缩为原来的一半;使用压缩后的模型,进行实体抽取任务,从文本语料中抽取出领域实体。与现有实体抽取技术相比,本发明可以在实现高准确抽取率的同时,大幅度减少模型对标注语料的依赖。

    一种自然场景下的全卷积单阶段的人体实例分割方法

    公开(公告)号:CN111597920B

    公开(公告)日:2022-11-15

    申请号:CN202010343727.5

    申请日:2020-04-27

    Applicant: 东南大学

    Abstract: 本发明公开了一种新的适用于自然场景下的全卷积单阶段的人体实例分割方法,该方法包括特征图提取、生成原型掩膜、掩膜系数计算、分类、位置回归、中心性计算、通过ROIAlign产生感兴趣区域以及原型掩膜和掩膜系数相结合得到最终的实例掩膜。在特征图提取时,采用ResNet+FPN作为网络的backbone,使用P3、P4、P5、P6、P7作为计算掩膜系数、分类和回归的特征图,使用P3作为计算原型掩膜的特征图,原型掩膜和掩膜系数的结合采用分段线性组合的方式,本方法可以在MS COCO 2017数据集上实现41.4fps速度下34.8mAP的实时人体实例分割。

    一种提取含有二维码的营业执照信息的方法及装置

    公开(公告)号:CN109815765A

    公开(公告)日:2019-05-28

    申请号:CN201910053523.5

    申请日:2019-01-21

    Applicant: 东南大学

    Abstract: 本发明公开了一种提取含有二维码的营业执照信息的方法及装置。其中,方法包括:对获取的含有二维码的营业执照图像进行预处理,并基于深度学习的目标检测网络训练预处理后的图像集,获得二维码定位模型;对待检测含二维码的营业执照图像进行二维码定位;获得并扫描二维码图像,提取所述二维码包含的企业信用信息网站统一资源定位符;根据所述统一资源定位符对应的网页页面信息,抓取所述营业执照的基本信息。装置包括样本处理模块、二维码定位模块、二维码识别模块及网页信息抓取模块。本发明提高了二维码定位的准确度,克服了图片背景复杂导致二维码定位不准确的问题,实现100%准确率提取营业执照信息,提高了办公效率。

    基于ELETRIC-BERT的实体抽取方法

    公开(公告)号:CN113962214A

    公开(公告)日:2022-01-21

    申请号:CN202111239034.2

    申请日:2021-10-25

    Applicant: 东南大学

    Abstract: 本发明提供了一种基于ELETRIC‑BERT的实体抽取方法,包括:通过预训练得到领域预训练模型ELETRIC‑BERT;将领域预训练模型ELETRIC‑BERT与实体抽取基本模型进行整合,得到基于ELETRIC‑BERT的实体抽取模型;使用模块替换策略,将原模型参数量压缩为原来的一半;使用压缩后的模型,进行实体抽取任务,从文本语料中抽取出领域实体。与现有实体抽取技术相比,本发明可以在实现高准确抽取率的同时,大幅度减少模型对标注语料的依赖。

    一种嵌入稀疏连接的深度卷积神经网络字符识别方法

    公开(公告)号:CN109583328A

    公开(公告)日:2019-04-05

    申请号:CN201811345088.5

    申请日:2018-11-13

    Applicant: 东南大学

    Abstract: 本发明公开了一种嵌入稀疏连接的深度卷积神经网络字符识别方法,属于信息与通信工程领域。本发明提供的字符识别方法,是基于深度卷积神经网络的,与现有方法不同的是,本发明是对深度卷积神经网络结构的改进,针对原有网络所存在的训练时内存溢出的问题,在原有的深度卷积神经网络中嵌入稀疏连接层,增加了网络的宽度,减少了参数,降低参数空间的维度。从而节省在网络训练和测试时所需要的硬件开销,减少了训练网络时所占用的内存空间,缩短了训练时所需要的时长。

Patent Agency Ranking