-
公开(公告)号：CN115048939B
公开(公告)日：2025-05-13
申请号：CN202210720884.2
申请日：2022-06-23
Applicant: 哈尔滨理工大学
IPC: G06F40/30 , G06F40/289 , G06N3/084 , G06N3/045 , G06N3/0464
Abstract: 本发明涉及一种卷积块注意力模块(Convolutional Block Attention Module，CBAM)嵌入Regnety网络的词义消歧方法。本发明对SemEval‑2007:Task#5的训练语料和测试语料进行分词、词性标注、拼音首字母标注、声调标注和语义类标注。选取歧义词左右具有名词、动词、形容词、数词、量词和代词词性的邻接词汇单元的词形、词性、语义类、拼音首字母和声调作为消歧特征。利用Word2Vec工具对消歧特征进行向量化处理，得到训练数据和测试数据；将CBAM嵌入Regnety之中，获得词义消歧模型CBAMRegnety。利用训练数据对CBAMRegnety进行训练，得到优化后的CBAMRegnety。在优化后的CBAMRegnety上，对测试数据进行消歧，得到歧义词汇在每个语义类别下的权重。权重最大的语义类别即为歧义词汇的语义类别。本发明对歧义词汇实现了很好的消歧，更准确地判断歧义词汇的真实含义。
-
公开(公告)号：CN118941869A
公开(公告)日：2024-11-12
申请号：CN202411052228.5
申请日：2024-08-02
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/42 , G06V10/44 , G06V10/46 , G06V10/762 , G06V10/80 , G06V10/82 , G06V20/64 , G06N5/01 , G06N20/20
Abstract: 本发明提出了一种基于XGBoost和代表性视图的三维模型分类方法。该方法首先利用固定投影的方法提取三维模型的二维视图，并采用Min Batch K‑means聚类算法提取代表性视图；然后采用MetaFormer提取代表性视图的视图特征，通过形状分布函数描述代表性视图的形状信息并利用一维卷积神经网络提取形状特征。最后将视图特征与形状特征融合之后，输入到基于XGBoost迭代得到的强分类器完成三维模型的分类，使三维模型分类性能有显著的提高。
-
公开(公告)号：CN114704740B
公开(公告)日：2024-05-03
申请号：CN202210373704.8
申请日：2022-04-07
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及计算机底座技术领域，尤其是一种具有便于调节底座的计算机,包括底座，所述底座的顶部固定连接有U形板，且U形板内固定连接有两个固定板，两个所述两个固定板之间转动连接有蜗杆，所述蜗杆的顶部啮合有蜗轮，所述蜗轮与所述U形板内壁转动连接，所述U形板的上方设置有本体，所述本体的底部套接于所述蜗轮的左侧上，所述底座的下方设置有横板；与现有技术相比，本发明操作简单，便于调节各个方向,避免了传统的计算机底座调节不够完善，通常是对计算机的倾斜度与偏转度进行调节，不便于对各个方向进行调节使用，导致调节效率较低，很难满足使用者的需求，从而导致使用者的使用舒适度降低的问题。
-
公开(公告)号：CN115983263A
公开(公告)日：2023-04-18
申请号：CN202310001296.8
申请日：2023-01-03
Applicant: 哈尔滨理工大学
IPC: G06F40/289 , G06F40/30 , G06F40/268 , G06F16/35 , G06N3/0464 , G06N3/047 , G06N3/084
Abstract: 本发明涉及一种基于RegNet‑SPP+LeNet的词义消歧方法。本发明首先对包含歧义词汇的汉语句子进行分词、词性标注、标注每个词汇的声母韵母、标注每个词汇的繁体字、标注每个词汇的笔顺编码和语义类，得到处理好的训练数据和测试数据；然后利用训练数据对词义消歧模型进行训练，得到优化的RegNet‑SPP+LeNet；利用优化后的RegNet‑SPP+LeNet对测试数据进行消歧，得到歧义词汇在每个语义类别下的概率分布序列；具有最大概率的语义类别即为歧义词汇的语义类别。本发明对歧义词汇实现了很好的消歧，更准确地判断歧义词汇的真实含义。
-
公开(公告)号：CN114704740A
公开(公告)日：2022-07-05
申请号：CN202210373704.8
申请日：2022-04-07
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及计算机底座技术领域，尤其是一种具有便于调节底座的计算机,包括底座，所述底座的顶部固定连接有U形板，且U形板内固定连接有两个固定板，两个所述两个固定板之间转动连接有蜗杆，所述蜗杆的顶部啮合有蜗轮，所述蜗轮与所述U形板内壁转动连接，所述U形板的上方设置有本体，所述本体的底部套接于所述蜗轮的左侧上，所述底座的下方设置有横板；与现有技术相比，本发明操作简单，便于调节各个方向,避免了传统的计算机底座调节不够完善，通常是对计算机的倾斜度与偏转度进行调节，不便于对各个方向进行调节使用，导致调节效率较低，很难满足使用者的需求，从而导致使用者的使用舒适度降低的问题。
-
Patent Agency Ranking
公开(公告)号：CN110532568B
公开(公告)日：2022-07-01
申请号：CN201910834309.3
申请日：2019-09-05
Applicant: 哈尔滨理工大学
IPC: G06F40/284 , G06F40/30 , G06K9/62
Abstract: 本发明涉及一种基于树的特征选择和迁移学习的汉语词义消歧方法。本发明首先对汉语语料进行处理，对包含歧义词汇的汉语句子进行分词、词性标注、译文标注和语义标注处理，得到处理好的训练语料、测试语料以及辅助训练语料。对得到的训练语料、测试语料和辅助训练语料按照树模型的特征选择方法抽取特征得到训练数据集、测试数据集和辅助训练集。以训练数据集和辅助训练集为基础，利用改进的Tradaboost算法来优化词义消歧模型。使用优化后的消歧模型对测试数据集进行消歧。本发明在词义消歧方面实现了较好的消歧效果。
-
公开(公告)号：CN110119772B
公开(公告)日：2022-05-03
申请号：CN201910370061.X
申请日：2019-05-06
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于几何形状特征融合的三维模型分类方法。本发明对三维模型进行“三角面化”，计算其D1、D2、随机球型和SDF形状分布特征。将卷积神经网络作为降噪自编码器的编码器部分，其镜像结构作为解码器。将训练集中的D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入和输出，训练降噪自编码器。将D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入，利用卷积神经网络(降噪自编码器的编码器部分)获取三维模型的融合的全局特征。利用训练集中的三维模型的全局特征和类别标签，训练LightGBM分类器的权重。获取三维模型的4种形状分布特征，并利用训练好的卷积神经网络和LightGBM分类器对三维模型进行分类。本发明在三维模型分类方面实现了很好的效果，能很好地对三维模型进行分类预测。
-
公开(公告)号：CN112085837B
公开(公告)日：2022-04-26
申请号：CN202010944886.0
申请日：2020-09-10
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及一种基于几何形状和LSTM神经网络的三维模型分类方法。本发明提取三维模型的几何形状特征向量D1、D2、D3和A3，将这些特征向量视为一个向量序列作为输入传递到LSTM神经网络，训练降噪自编码器。降噪自编码器的编码部分是LSTM神经网络，LSTM神经网络将特征向量进行特征提取聚合为全局特征，用于三维模型的识别和分类。使用训练集中三维模型的全局特征和类别标签，来训练XGBoost分类器的权值。利用优化的LSTM神经网络和XGBoost分类器对测试集中的三维模型进行分类。本发明在三维模型分类方面具有较好的效果。
-
公开(公告)号：CN110532568A
公开(公告)日：2019-12-03
申请号：CN201910834309.3
申请日：2019-09-05
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及一种基于树的特征选择和迁移学习的汉语词义消歧方法。本发明首先对汉语语料进行处理，对包含歧义词汇的汉语句子进行分词、词性标注、译文标注和语义标注处理，得到处理好的训练语料、测试语料以及辅助训练语料。对得到的训练语料、测试语料和辅助训练语料按照树模型的特征选择方法抽取特征得到训练数据集、测试数据集和辅助训练集。以训练数据集和辅助训练集为基础，利用改进的Tradaboost算法来优化词义消歧模型。使用优化后的消歧模型对测试数据集进行消歧。本发明在词义消歧方面实现了较好的消歧效果。
-
公开(公告)号：CN110119772A
公开(公告)日：2019-08-13
申请号：CN201910370061.X
申请日：2019-05-06
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于几何形状特征融合的三维模型分类方法。本发明对三维模型进行“三角面化”，计算其D1、D2、随机球型和SDF形状分布特征。将卷积神经网络作为降噪自编码器的编码器部分，其镜像结构作为解码器。将训练集中的D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入和输出，训练降噪自编码器。将D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入，利用卷积神经网络(降噪自编码器的编码器部分)获取三维模型的融合的全局特征。利用训练集中的三维模型的全局特征和类别标签，训练LightGBM分类器的权重。获取三维模型的4种形状分布特征，并利用训练好的卷积神经网络和LightGBM分类器对三维模型进行分类。本发明在三维模型分类方面实现了很好的效果，能很好地对三维模型进行分类预测。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.029 seconds)
