-
公开(公告)号：CN116757221B
公开(公告)日：2025-05-06
申请号：CN202310694489.6
申请日：2023-06-13
Applicant: 北京计算机技术及应用研究所
IPC: G06F40/30 , G06F40/216 , G06F40/289 , G06F40/211 , G06F16/353 , G06F16/334
Abstract: 本发明涉及一种基于事件抽取的情报态势挖掘方法，属于信息抽取/态势感知领域。本发明通过已有的情报态势文本数据，抽取其中情报领域相关词汇，依据领域词的类别和频次，将情报态势文本数据分类为事件场景类型库。针对不同事件场景类型，设计事件模板，依据事件模板抽取情报态势文本数据中的事件要素，形成事件列表。依据事件要素对情报态势序列数据进行检索，关联匹配相似属性，形成情报态势库。本发明解决大量情报文本和态势序列中情报态势的挖掘问题。
-
公开(公告)号：CN119832581A
公开(公告)日：2025-04-15
申请号：CN202411743106.0
申请日：2024-11-29
Applicant: 北京计算机技术及应用研究所
IPC: G06V30/414 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/0442
Abstract: 本发明涉及一种基于混合视觉策略的异构表格抽取方法，属于人工智能、大数据、计算机视觉、自然语言处理技术领域。本发明通过改进现有的表格解析技术，并结合深度学习和自然语言处理技术，提升表格数据的识别准确率与提取效率，为构建高质量的军事知识库奠定基础。本发明改善了当前表格数据识别中的技术瓶颈，也为未来军事情报分析和自动化决策系统提供了数据支持。
-
公开(公告)号：CN119832209A
公开(公告)日：2025-04-15
申请号：CN202411731598.1
申请日：2024-11-29
Applicant: 北京计算机技术及应用研究所
IPC: G06V10/25 , G06N3/049 , G06N3/0464 , G06V10/82
Abstract: 本发明涉及一种基于脉冲神经网络的边端协同目标检测方法，属于人工智能、大数据、计算机视觉技术领域。本发明针对端侧设备进行目标检测时能耗高、计算资源消耗大及边端协同效率低下的问题，提出了一种改进的SpikeYOLO模型，在原有的目标检测模型的基础上，使用脉冲神经元取代人工神经元，显著降低了模型参数量和模型运行能耗。此外，针对YOLO模块复杂计算直接转换为SNN时可能引起性能下降的问题，引入了反向残差结构以优化模型设计，确保关键特征在传递过程中不会丢失，从而让端侧设备模型的识别效果在可接受的精度衰减范围内。
-
公开(公告)号：CN119830964A
公开(公告)日：2025-04-15
申请号：CN202411713507.1
申请日：2024-11-27
Applicant: 北京计算机技术及应用研究所
IPC: G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/084 , G06N3/0895
Abstract: 本发明涉及一种基于生成式对抗模型的无人设备轨迹恢复方法，属于人工智能、大数据、自然语言处理技术领域。本发明实现了轨迹时空有序性的同时，生成具有较高完整性的无人设备轨迹，能够满足旅行时间估计、路线优化等多种需要高质量轨迹的无人设备应用场景。本发明要解决的问题一是针对轨迹的依赖关系捕捉不足问题，研究对抗网络生成过程，提高轨迹的时空依赖提取能力；二是针对轨迹的嵌入表示不足问题，研究预训练方法，通过预训练轨迹路段的嵌入表示增强轨迹质量，提高训练效率。
-
公开(公告)号：CN117521666B
公开(公告)日：2025-04-04
申请号：CN202311451928.7
申请日：2023-11-03
Applicant: 北京计算机技术及应用研究所
IPC: G06F40/30 , G06F40/211 , G06F40/117 , G06F16/334 , G06N3/0499 , G06N3/08
Abstract: 本发明涉及一种基于元学习扩散模型的限定域受限文本生成方法，属于人工智能、大数据、自然语言处理领域。本发明通过关键词抽取和在原始句子中随机插入特定的占位符标记[EMP]，构造大量训练样本；采用局部扩散的方式固定关键词，从而使扩散模型能够完成Hard‑CTG任务，并引入元学习策略对扩散模型训练过程进行优化；引入了另外一个特殊的标记[SLOT]用以指示MDM进行插入的位置，在逆扩散过程中，[SLOT]所标识的位置会逐步由标准高斯噪声转换为一个实际的单词或[EMP]，从而得到包含关键词输入的生成文本。本发明使得扩散模型可在条件文本生成领域发挥其强大的生成优势。
-
Patent Agency Ranking
公开(公告)号：CN114881032B
公开(公告)日：2025-05-06
申请号：CN202210462583.4
申请日：2022-04-28
Applicant: 北京计算机技术及应用研究所
IPC: G06F40/295 , G06F16/35 , G06N3/045 , G06N3/096 , G06N3/09
Abstract: 本发明涉及一种基于多任务学习的层次类别命名实体识别模型设计方法，属于自然语言处理技术领域。本发明通过在命名实体识别模型中加入对于类别关系的建模，使得模型能够同时识别出命名实体的多个类别，同时，本发明提出了基于多任务学习的模型来解决具有层次类别的命名实体识别问题。模型使用多任务学习机制同时学习多个层次的命名实体识别任务，这些任务共享同一个编码层，这样可以使得编码层学习到的编码向量可以同时适应多个层次的命名实体识别而不是过拟合于某一个单独的层次。最后，还分别设计了两种信息传递机制传递不同层次间的识别信息，以提高模型的识别效果。
-
公开(公告)号：CN117390196A
公开(公告)日：2024-01-12
申请号：CN202311346047.9
申请日：2023-10-17
Applicant: 北京计算机技术及应用研究所
IPC: G06F16/36 , G06F18/2415 , G06N3/04
Abstract: 本发明涉及一种基于大模型抽象事理图谱构建的事件预测方法，属于人工智能、大数据领域。本发明首先基于大模型chatGLM2抽取事件信息，构建抽象事理图谱；再者，基于抽象事理图谱筛选出候选事件，形成新的事件链条；最后，将新的事件链条作为图神经网络事件预测模型的输入，预测出候选事件。本发明提出了融合候选事件转移概率的注意力机制，一方面，学习候选事件和已发生事件上下文的相关性；另一方面，也学习了候选事件本身的概率信息。本发明提出的模型不仅增强了可解释性，也学习到了上下文信息。
-
公开(公告)号：CN117217222A
公开(公告)日：2023-12-12
申请号：CN202310746380.2
申请日：2023-06-25
Applicant: 北京计算机技术及应用研究所
IPC: G06F40/295 , G06F18/15 , G06F18/214 , G06F18/241
Abstract: 本发明涉及一种军事领域标注数据修正与事件检测方法，属于信息抽取技术领域。本发明使用原始数据集训练模型，并对原始标注数据进行预测，对于预测得分大于一定阈值的样本，将原始数据集的标注结果修改为模型预测结果，从而修正数据集中的错误标注数据和污染数据，提高训练集的质量。本发明在模型训练时引入了分层学习率策略，为靠近下游任务的模型层参数设置更大的学习率，提高预训练模型对于下游任务的适配能力；在模型推理时采用基于投票修正的模型融合方法，通过模型集成的方式提升少样本类别事件的召回率和准确率，融合多个模型的投票结果确定最终预测结果，从而提升模型的鲁棒性。
-
公开(公告)号：CN115878811A
公开(公告)日：2023-03-31
申请号：CN202211350065.X
申请日：2022-10-31
Applicant: 北京计算机技术及应用研究所
IPC: G06F16/36 , G06N5/025 , G06N5/04 , G06F40/216 , G06F18/25 , G06F18/10 , G06N3/0475 , G06N3/0464 , G06N3/0442
Abstract: 本发明涉及一种基于事理图谱的军事情报智能分析及推演方法，属于数据处理技术领域。本发明提出了以事件为中心的情报分析与推演的思路，从事理图谱自动化构建到以事件为中心的可视化推理，针对具体流程进行了深入阐述。本发明以事件驱动的情报分析技术对战场情报数据进行综合监测与可视化分析，能够为管理者提供可视、可管、可控的军事指挥决策平台，助力用户挖掘军事情报数据价值，提高作战人员的指挥决策效率。
-
公开(公告)号：CN119557446A
公开(公告)日：2025-03-04
申请号：CN202411573000.0
申请日：2024-11-06
Applicant: 北京计算机技术及应用研究所
IPC: G06F16/353 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/092 , G06N3/084 , G06N3/09 , G06N5/04
Abstract: 本发明涉及一种基于细粒度博弈对抗的生成文本检测方法，属于生成文本检测技术领域。本发明的方法通过生成器和判别器的博弈对抗训练，构建高精度AI生成文本判别器。判别器的构建包括：初始化生成器和判别器；构造判别器训练集；训练判别器分类人类文本、AI文本和混合文本；根据判别结果优化生成器生成策略与生成内容；生成器与判别器交替训练直到损失收敛；损失函数的设计综合考虑了判别器反馈和文本质量指标，以优化生成器生成文本的逼真度和自然性。通过该方法，本发明提升了AI生成文本检测的准确性和鲁棒性，具有广泛的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.042 seconds)
