-
公开(公告)号：CN119598381A
公开(公告)日：2025-03-11
申请号：CN202311156307.6
申请日：2023-09-08
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06F18/25 , G06F18/213 , G06N3/0442 , G06F18/214
Abstract: 本发明涉及一种基于EMD‑LSTM的融合空间特征的风速预测方法。该方法从监测站点获取时序、空间数据，预处理构建数据集，建立时空预测模型进行风速预测，采用权值贝叶斯优化将两种预测结果融合，得到预测结果。时间模型中对风速率特征进行EMD分解，输入多个LSTM，将每个LSTM的预测分量累加得到仅考虑时序特征的风速预测值。空间模型中对邻近站点风速进行矢量分解并插值，还原风速矢量获取风向和风速率的插值并计算与实际值的距离以获得空间独立性权重。模型融合中依据空间独立性权重进行权值贝叶斯优化，得到融合时空特征的风速值预测。本发明同时考虑风速预测任务中相关时间特征和空间特征的影响，模型结构和预测方法更加合理。
-
公开(公告)号：CN112614084B
公开(公告)日：2024-11-05
申请号：CN201910881070.5
申请日：2019-09-18
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06T7/00 , G06N3/0464 , G06N3/08 , G06N3/084
Abstract: 本发明涉及一种针对CT图像的正反双向输入的3D深度卷积神经网络的方法。该方法针对医学图像格式，提出正反双向输入的3D深度卷积神经网络模型，该模型在3D深度卷积神经网络模型之上加入两个输入层，分别对应CT图像时间维度的正反输入，能够保留肺部切片维度上的信息,提取更多图像特征。本发明不仅在肺癌影像数据训练，还使用少量肝癌影像数据微调模型，最后将模型应用到肝癌CT影像上，不仅收敛速度快，而且还能达到较高的准确率。
-
公开(公告)号：CN112614084A
公开(公告)日：2021-04-06
申请号：CN201910881070.5
申请日：2019-09-18
Applicant: 中国科学院沈阳计算技术研究所有限公司
Abstract: 本发明涉及一种针对CT图像的正反双向输入的3D深度卷积神经网络的方法。该方法针对医学图像格式，提出正反双向输入的3D深度卷积神经网络模型，该模型在3D深度卷积神经网络模型之上加入两个输入层，分别对应CT图像时间维度的正反输入，能够保留肺部切片维度上的信息,提取更多图像特征。本发明不仅在肺癌影像数据训练，还使用少量肝癌影像数据微调模型，最后将模型应用到肝癌CT影像上，不仅收敛速度快，而且还能达到较高的准确率。
-
公开(公告)号：CN119005200A
公开(公告)日：2024-11-22
申请号：CN202411062392.4
申请日：2024-08-05
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06F40/30 , G06F40/289 , G06N5/01
Abstract: 本发明是问题增强语义的臭氧防控决策抽取方法。包括以下步骤：构建臭氧防控决策模式；根据模式中的相关角色创建问题模版；问题模版与决策文本构建问答文本并进行预训练编码；获取决策文本语义特征与问答文本语义特征；使用上述特征对问题模版嵌入向量进行维度扩张；维度扩张向量向问答文本长度进行映射；通过预训练编码模型的参数共享进行语义增强；计算候选论元概率；使用标注数据训练模型；使用未标注样本得到臭氧防控决策抽取结果。该发明提供了一种有效的自然语言特征语义增强方法，可以在使用更少标注数据时提高在复杂语言结构和多候选论元属于同一实体类型条件下的臭氧防控决策抽取能力。
-
公开(公告)号：CN119537988A
公开(公告)日：2025-02-28
申请号：CN202311108639.7
申请日：2023-08-31
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06F18/2323 , G06F18/10
Abstract: 本发明涉及基于图嵌入的无监督聚类流域分区方法。该方法首先分析水质数据的网络时空相关性，然后利用无监督的图嵌入方法对流域水质数据进行嵌入表示，提取监测站点之间的时空相关性向量，得到监测数据的网络表示。然后利用T‑SNE方法将获得的网络表示从高维空间转到低位空间，同时保持高维空间所携带的信息。最后将降维后的数据输入到聚类方法中，获得流域水环境的时空分区。本发明通过相关实验验证了方法的准确性。
-
Patent Agency Ranking
公开(公告)号：CN119379376A
公开(公告)日：2025-01-28
申请号：CN202310926420.1
申请日：2023-07-26
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06Q30/0601 , G06Q10/0631 , G06Q10/067 , G06Q50/02 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种细粒度特征交互选择的FgFisNET农产品推荐方法，用于细粒度特征交互和选择重要的特征交互。该方法首先通过组合内积和hadamard积学习有效的特征交互，对稀疏数据集中特征交互进行有效的建模；然后为每组特征交互引入一组架构参数，通过梯度下降学习每个特征的相对重要性，删除不重要的特征交互，保留架构参数作为注意单元以帮助模型的学习，最后使用训练好的模型进行农产品电商的CTR预测。该方法融合了细粒度的特征交互和重要的特征交互选择，提高了模型的性能。本发明通过真实的农产品电商平台验证了方法的有效性，并取得了显著的经济价值。
-
公开(公告)号：CN117473432A
公开(公告)日：2024-01-30
申请号：CN202210838904.6
申请日：2022-07-18
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06F18/2433 , G06F17/18 , G06N3/0464 , G06N3/049 , G06N3/045 , G06N3/084 , G06Q50/04
Abstract: 本发明涉及一种基于TCN‑BP的工业污染物异常检测方法。该方法首先对工业污染物浓度以及电力数据进行时标对齐、数据清洗以及归一化处理，然后将数据以向量形式输入到TCN模型中进行特征提取，然后分别将电力数据和污染物浓度数据的时序特征输入到全连接网络中整合时序特征，并将之与其真实数据的残差作为BP模型的输入进行模型的训练。最后使用训练好的模型进行污染物浓度数据预测，将预测结果基于统计学方法对污染物浓度数据进行异常值检测。该方法充分融合了TCN模型对于时序数据的特征提取能力，通过引入电力数据特征，加快模型的训练,提高模型的鲁棒性和准确度。
-
公开(公告)号：CN119516295A
公开(公告)日：2025-02-25
申请号：CN202311058212.0
申请日：2023-08-22
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06V10/774 , G06V10/82 , G06N3/096 , G06N3/0464
Abstract: 本发明属于空气质量等级检测领域，具体说是一种基于图像识别的空气质量等级检测方法，包括：收集不同空气质量等级下的图像数据并对其进行缩放处理；对图像数据进行标记；利用基于ResNet18改进的ResNet18d作为分类器进行训练，最终得到了基于图像识别的空气质量等级检测模型。本发明采用了迁移学习的策略，解决了利用图像检测空气质量等级缺少大型数据集从而难以训练大型神经网络的难题。本发明还引入了ESE‑Attention通道注意力机制，极大的增强了该模型的鲁棒性和准确性。
-
公开(公告)号：CN119513512A
公开(公告)日：2025-02-25
申请号：CN202311064512.X
申请日：2023-08-23
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06F18/20 , G06F18/213 , G06N3/0464 , G06N3/0442 , G06N3/045
Abstract: 本发明属于深度学习技术领域，具体地说是一种基于CNN‑AM‑BiLSTM残差网络的臭氧浓度预测方法。包括以下步骤：获取监测站的历史常规污染物和气象因素数据并进行数据清洗；卷积神经对输入多维度的数据进行特征特征提取；构建多头注意力机制去帮助模型更好的关注重要的特征，从而增强特征表示的能力；BiLSTM对提取的特征进行时间建模，更好地捕捉时间序列数据中的长期依赖关系；构建残差网络去缓解梯度消失问题，使模型更好地学习输入数据的非线性映射；通过全连接层将BiLSTM输出的特征映射到目标输出空间，本发明为臭氧的浓度预测提供一种切实有效的方法，能够较为准确的预测臭氧浓度，为大气环境治理提供了有效的技术支撑。
-
公开(公告)号：CN117521870A
公开(公告)日：2024-02-06
申请号：CN202210876271.8
申请日：2022-07-25
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06Q10/04 , G06N20/20 , G06F18/25 , G06V20/10 , G06V10/80 , G06V10/82 , G06N3/084 , G06N3/086 , G06Q50/06 , G06N3/006
Abstract: 本发明涉及一种基于XGBoost的碳排放预测方法，该方法首先对夜间灯光数据、温度数据、行政边界矢量数据以及能源排放数据进行预处理，重点是对两种时间上不连续的夜间灯光数据的亮度值(DN)进行校正处理，将校正好的夜间灯光数据输入PSO‑BP神经网络模型，通过PSO‑BP神经网络模型得到一个长时间序列的夜间灯光数据集，并融合温度、经纬度等辅助数据，作为XGBoost模型的输入，最后使用训练好的模型进行区域碳排放的核算与预测。该方法充分融合了BP神经网络和XGBoost的优点，提高了模型的准确率和泛化能力，可以实现不同区域长时间序列上的碳排放核算与预测，具有一定的通用性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.047 seconds)
