-
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：CN118967617A
公开(公告)日：2024-11-15
申请号：CN202411031471.9
申请日：2024-07-30
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06T7/00 , G06N3/0455 , G06N3/08 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明公开一种基于Transformer变体的工业缺陷检测方法。包括：获取工业生产线上有缺陷和无缺陷的产品图像，对获取的图像进行缺陷标注建立标准数据集；对上述数据进行预处理后划分数据集；构建基于Transformer变体的工业缺陷检测模型，对该模型进行训练优化；获取待检测工业产品的图像并对其进行预处理，处理后的图像输入预训练的工业缺陷检测模型中进行缺陷检测，根据工业缺陷检测模型的输出，确定待检测工业产品是否存在缺陷，无缺陷直接输出检测结果，否则输出缺陷类型及缺陷定位。本发明基于Transformer变体，使用U型对称编码‑解码器结构网络，同时添加了跳跃连接，注意力机制和卷积运算，更好地实现了对图像全局特征和局部特征的提取，实现了对工业缺陷的准确检测，为工业生产产品提供了更可靠的质量控制手段。
-
公开(公告)号：CN118887477A
公开(公告)日：2024-11-01
申请号：CN202411141470.X
申请日：2024-08-20
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06V10/764 , G06V10/82 , G06V40/10 , G06V10/80 , G06N3/045 , G06N3/0464 , G06N3/048
Abstract: 本发明属于计算机视觉图像分类领域，具体说是一种基于改进ConvNext的大规模鱼类图像分类方法。本发明考虑了图像的局部偏置先验知识以及上下文信息，通过ConvNext纯卷积神经网络对图像的局部偏置先验知识的应用，将图像的特征图进行提取，同时通过嵌入SIMAM注意力模块的方式，将各特征图进行融合，提取上下文特征信息以进行特征融合。通过引入类平衡训练技术以及Focal Loss损失函数提升模型对长尾分布的数据集的拟合能力，缓解模型对样本量少的数据的拟合能力差的问题，进而增强模型的泛化能力。改进的模型在准确率和F1值上有了显著上升且没有增加计算负担，并且模型对样本少的鱼类数据的关注程度有一定提高，可以有效提高鱼类的分类算法模型的表现。
-
公开(公告)号：CN113887119B
公开(公告)日：2024-04-12
申请号：CN202010634884.1
申请日：2020-07-03
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06F30/27 , G06F17/18 , G06N3/0442 , G06N3/08
Abstract: 本发明涉及一种基于SARIMA‑LSTM的河流水质预测方法。该方法首先使用SARIMA模型对河流水质参数进行线性拟合及预测，得到预测值并计算残差。然后再使用LSTM神经网络进行残差序列的训练及预测，最后将两次的预测值相加得到最终的预测结果。河流水质监测数据具有线性特征和非线性特征，SARIMA模型能够很好的提取水质数据序列中的线性部分，从而可以加快LSTM神经网络模型训练的收敛速度，提高模型对非线性部分的预测能力以及降低出现局部收敛的可能性。本发明方法通过相关实验验证了方法的有效性。
-
公开(公告)号：CN117272224A
公开(公告)日：2023-12-22
申请号：CN202311221135.6
申请日：2023-09-21
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06F18/25 , G06F18/241 , G06F18/10 , G06F18/213 , G06F18/214
Abstract: 本发明涉及一种基于改进TCN模型的长期河流水质预测方法。该方法首先将河流水质污染物浓度数据输入至SG滤波器中进行降噪处理，然后采用STL时间序列分解方法将处理后的数据分解成趋势、季节性和残差序列，分解后得到的趋势序列和残差序列将分别输入至改进的TCN模型中进行训练和预测，最后将趋势序列和残差序列的预测值与原始季节性序列进行融合得到河流水质长期预测结果。该方法针对基本的TCN模型的不足进行了改进，并且通过数据降噪和数据分解方法进一步提高了模型的长期预测能力。本发明方法通过具体实验验证了方法的有效性。
-
Patent Agency Ranking
公开(公告)号：CN115809947A
公开(公告)日：2023-03-17
申请号：CN202111071555.1
申请日：2021-09-14
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06Q50/26 , G06N3/0442 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种水污染时序数据连续缺失值填补方法。该方法首先基于DTW算法计算存在缺失值的序列与其他完整序列之间的相似性，然后使用最相似完整序列训练基模型BLSA，BLSA模型融合了Bi‑LSTM神经网络以及Self‑attention机制，最后应用迁移学习思想对BLSA模型进行迁移，得到用以对缺失序列进行填补的迁移模型BLSAtr，从而实现水污染时序数据中连续缺失值的填补。该方法充分融合了Bi‑LSTM模型学习时序数据的能力以及Self‑attention机制突出重要特征的能力，同时DTW算法以及迁移学习为解决模型由于连续缺失值造成的学习不充分问题提供了可能。
-
公开(公告)号：CN113887119A
公开(公告)日：2022-01-04
申请号：CN202010634884.1
申请日：2020-07-03
Applicant: 中国科学院沈阳计算技术研究所有限公司
Abstract: 本发明涉及一种基于SARIMA‑LSTM的河流水质预测方法。该方法首先使用SARIMA模型对河流水质参数进行线性拟合及预测，得到预测值并计算残差。然后再使用LSTM神经网络进行残差序列的训练及预测，最后将两次的预测值相加得到最终的预测结果。河流水质监测数据具有线性特征和非线性特征，SARIMA模型能够很好的提取水质数据序列中的线性部分，从而可以加快LSTM神经网络模型训练的收敛速度，提高模型对非线性部分的预测能力以及降低出现局部收敛的可能性。本发明方法通过相关实验验证了方法的有效性。
-
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：CN118967644A
公开(公告)日：2024-11-15
申请号：CN202411119182.4
申请日：2024-08-15
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06T7/00 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/084
Abstract: 本发明公开一种基于多注意力机制的工件表面缺陷检测方法，包括：获取工业产品瑕疵数据集并对原始数据集中工件表面的各类缺陷进行标注，得到带标注的数据集；以带标注的工件图片作为模型输入、并划分数据集；构建融合多注意力机制的神经网络模型得到网络模型，确定损失函数并利用反向传导方法进行模型训练，得到理想模型；利用上述理想模型对待检测图片进行分类预测和回归预测，得到最终检测结果。通过引入注意力机制自适应地学习输入特征图中不同位置和通道的重要性，并为重要的特征提供更高的权重，以捕捉更有区分度的信息。通过增强卷积神经网络对目标的关注和细节的捕捉能力，从而有效地提升工件表面缺陷检测的准确性及精度。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.038 seconds)
