-
公开(公告)号：CN116562625A
公开(公告)日：2023-08-08
申请号：CN202310535578.6
申请日：2023-05-12
Applicant: 中国电子口岸数据中心成都分中心 , 成都信息工程大学
IPC: G06Q10/0635 , G06Q10/0831 , G06Q10/083 , G06F18/2415 , G06F16/2455 , G06F16/2458 , G06F16/25 , G06F16/31 , G06F40/295 , G06F40/30 , G06N3/045 , G06N3/0442 , G06N3/047 , G06N3/048 , G06N3/0464 , G06N3/084 , G06N3/09 , G06N7/01
Abstract: 本发明公开了一种基于数据挖掘的海关企业风险评估方法，采集海关企业信息作为元数据集，对元数据集进行预处理，将元数据集划分为结构化数据与非结构化数据进行存储；利用获取的结构化数据建立海关企业质检数据库；利用企业质检信息命名实体识别模型从非结构化数据中提取关键信息，进一步扩充海关企业质检数据库；基于海关企业质检数据库检索海关企业名称获得的检索结果，利用检索结果建立海关企业风险评估模型；将海关企业质检数据库中的数据作为训练样本，用于更新海关企业风险评估模型的参数；利用更新参数后的海关企业风险评估模型为海关企业设定企业风险标签。本发明解决了传统海关风险评估无法准确评估新注册企业风险等级和操作复杂等问题。
-
Patent Agency Ranking
公开(公告)号：CN119539461A
公开(公告)日：2025-02-28
申请号：CN202311115198.3
申请日：2023-08-31
Applicant: 成都信息工程大学 , 中国电子口岸数据中心成都分中心
IPC: G06Q10/0635 , G06N20/00 , G06N7/02
Abstract: 本发明公开了一种基于机器学习的进出口企业风险评估方法，包括以下步骤：根据历史监控数据构建企业风险概况数据库，统计各事项总数量；生成每类事项的时间权重以及风险权重；对企业总体事项计算各风险事项风险值；根据相应风险值划分企业的风险等级；计算企业风险在各个风险等级中的隶属度；根据隶属度矩阵判断该企业是否在合格范围并反馈。本发明通过历史监控数据、企业风险概况数据库、时间风险双注意力模块、企业风险评估模块、风险等级划分模块、一级模糊综合评价模型以及反馈模块实现了对目标企业的风险分析，从而可以根据目标企业的风险值判断该企业是否存在风险。
-
公开(公告)号：CN115100480B
公开(公告)日：2024-06-14
申请号：CN202210901020.0
申请日：2022-07-28
Applicant: 西南交通大学 , 中国电子口岸数据中心成都分中心
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06N3/047 , G06N3/048 , G06N3/084 , G06N3/0455 , G06N3/0464 , G06T7/00 , G16H50/20
Abstract: 本发明公开了一种基于向量量化变分自编码器的医学影像分类模型及方法，模型包括预训练阶段和微调阶段；所述预训练阶段分为Encoder模块、特征增强模块、Decoder模块三个模块，Encoder模块用于提取图像特征，特征增强模块用于强化图像的特征，最后的Decoder模块用于进行图像的重构；所述微调阶段包括Encoder模块和特征增强模块；Encoder模块用于学习提取图像的特征；特征增强模块用于对学到的特征进行约束增强，该模块后连接一个全连接层，直接将输出的特征输入进去，直接输出分类的最终结果。本发明提出了全新VAE与自注意力机制结合的神经网络模型，既解决了VAE类模型分类任务效果差的问题，又解决了自注意力机制模型在小规模数据集上表现不好的问题。
-
公开(公告)号：CN116452824A
公开(公告)日：2023-07-18
申请号：CN202310422895.7
申请日：2023-04-19
Applicant: 中国电子口岸数据中心成都分中心 , 西南交通大学 , 成都海关技术中心
IPC: G06V10/44 , G06N3/0895 , G06V10/82 , G06F17/11
Abstract: 本发明公开了一种基于深度半监督学习框架的高维稀疏图像表征方法，包括以下步骤：1)初始化Semi‑DRRBM模型参数θ；2)通过获取样本隐藏层特征；3)使用重构可见层数据；4)使用获得样本重建的隐藏层特征；5)计算H(θ；G)和H'(θ；G')的偏导数；6)将前面的隐藏层数据h以及可视层数据v，重建的隐藏层数据h’以及可视层数据v’，以及第i次计算时得到的参数得到本次计算的7)当通过步骤6获得新的参数θ后，将其作为新的输入，再次进行2‑6步骤迭代；8)返回Semi‑DRRBM模型的参数θ，将其带入值Semi‑DRRBMRBM模型中可完成降维。本发明能够在高维和稀疏的数据集上提取低维和密集的隐藏特征。
-
公开(公告)号：CN115759189A
公开(公告)日：2023-03-07
申请号：CN202211399532.8
申请日：2022-11-09
Applicant: 中国电子口岸数据中心成都分中心 , 西南交通大学 , 成都海关技术中心
Abstract: 本发明公开了一种基于对比学习的自监督深度表征方法，包括以下步骤：S1：获取待训练的数据集V；S2：一次批处理训练N条数据，对每一条数据v进行数据增强；S3：将数据v与增强后的数据vs传进受限玻尔兹曼机进行正向传播，获得其在隐藏层对应的数据h与数据hs；S4：进行对比学习，提高正样本之间的相似度；S5：进行反向传播，获得数据v在可视层的重构数据v'；S6：最小化所述数据v'与所述数据v的距离；S7：重复步骤S2‑S6，直至重构损失函数收敛，实现受限玻尔兹曼机的训练；S8：利用S7训练好的受限玻尔兹曼机对数据集V进行深度表征学习，获得其深度特征表示。本发明能够克服传统受限玻尔兹曼机无目的学习的缺点，从而提高模型的表征能力。
-
公开(公告)号：CN115100480A
公开(公告)日：2022-09-23
申请号：CN202210901020.0
申请日：2022-07-28
Applicant: 西南交通大学 , 中国电子口岸数据中心成都分中心
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06N3/04 , G06N3/08 , G06T7/00 , G16H50/20
Abstract: 本发明公开了一种基于向量量化变分自编码器的医学影像分类模型及方法，模型包括预训练阶段和微调阶段；所述预训练阶段分为Encoder模块、特征增强模块、Decoder模块三个模块，Encoder模块用于提取图像特征，特征增强模块用于强化图像的特征，最后的Decoder模块用于进行图像的重构；所述微调阶段包括Encoder模块和特征增强模块；Encoder模块用于学习提取图像的特征；特征增强模块用于对学到的特征进行约束增强，该模块后连接一个全连接层，直接将输出的特征输入进去，直接输出分类的最终结果。本发明提出了全新VAE与自注意力机制结合的神经网络模型，既解决了VAE类模型分类任务效果差的问题，又解决了自注意力机制模型在小规模数据集上表现不好的问题。
-
-
-
-
-
Search Results
6
records
(took 0.034 seconds)
