-
公开(公告)号：CN118657300A
公开(公告)日：2024-09-17
申请号：CN202411150960.6
申请日：2024-08-21
IPC: G06Q10/063 , G06F18/22
Abstract: 本发明公开了基于系统熵和价值质量的多指标服务生态系统评估方法，包括如下步骤：步骤一，采用数据清洗、多源数据嵌入的方法对服务数据进行统一表征，实现服务多源异构数据对齐；步骤二，从参与者所获得价值的总和及系统熵角度评估服务生态系统；步骤三，基于模糊综合决策，根据时间、吞吐量、延迟、可靠性、成本来评估服务生态系统质量；步骤四，计算服务生态系统综合指标，完成对于服务生态系统的评估。本发明的基于系统熵和价值质量的多指标服务生态系统评估方法，统一多源异构数据，克服数据兼容性难题，为综合评估奠定基础。
-
公开(公告)号：CN118709578A
公开(公告)日：2024-09-27
申请号：CN202411199047.5
申请日：2024-08-29
Abstract: 本发明公开了一种面向动态演化的服务生态系统仿真构建演化方法，包括如下步骤：步骤一，构建服务生态系统决策生成模型；步骤二，模拟分析服务生态系统动态演化过程；步骤三，基于蒙特卡洛模拟得到的状态转移数据和概率，构建状态方程来描述系统状态的变化，具体如下式所示：#imgabs0##imgabs1#其中#imgabs2#为速率变量向量，表示状态变化的速度；之后进行仿真演算推理，然后根据仿真结果，为服务生态系统的优化和管理提供决策支持。本发明的面向动态演化的服务生态系统仿真构建演化方法，通过步骤一至步骤三的设置，便可简单有效的实现对于服务生态系统仿真构建演化。
-
公开(公告)号：CN115129872A
公开(公告)日：2022-09-30
申请号：CN202210703906.4
申请日：2022-06-21
IPC: G06F16/35 , G06F40/279 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于主动学习的小样本文本标注方法，包括：获取已标注样本集与未标注样本集；使用已标注样本集对预构建的标注模型进行训练，使用未标注样本集对训练后的标注模型进行测试；利用判断策略从测试结果中选取出至少一个不确定性文本，构建不确定性文本集；利用预先构建的主动学习框架，对步骤3获得的不确定性文本集进行数据处理与人工标注，获得代表性标注样本集；利用代表性标注样本集，对标注模型进行迭代训练，获得最终的标注模型。本发明还公开了一种基于上述方法构建的文本标注装置。本发明提供的方法通过引入判断策略与主动学习框架，提高了小样本资源的利用率，也缓解人工标注的压力，从而获得高质量的标注模型。
-
公开(公告)号：CN118674239B
公开(公告)日：2024-11-26
申请号：CN202411155492.1
申请日：2024-08-22
IPC: G06Q10/0631 , G06Q10/0639 , G06Q10/067
Abstract: 本发明公开了一种面向多实体复杂场景的服务生态抽象及隐性需求分析方法，包括如下步骤：步骤一，进行服务实体及关系建模，之后进行服务能力及流程建模，完成服务生态抽象建模；步骤二，基于服务生态模型、服务日志分析及性能监测报告，评价当前服务现状，之后借助大模型能力，将当前服务状态指标作为输入，挖掘当前服务隐性需求；步骤三，基于粗糙‑模糊综合决策，确定最佳隐性需求。本发明的面向多实体复杂场景的服务生态抽象及隐性需求分析方法，能够有效的挖掘出最佳的隐性需求。
-
公开(公告)号：CN115392661A
公开(公告)日：2022-11-25
申请号：CN202210962829.4
申请日：2022-08-11
Abstract: 本发明公开了一种用于政府机构的智能履职评估方法，包括：步骤1、获取履职信息；步骤2、根据履职类型次数矩阵与履职成果进行量化计算，获得对应的量化评价数据集；步骤3、对量化评价数据集进行向量分配处理，获得对应的履职得分和履职积极度；步骤4、对量化评价数据进行分类，获得对应的履职评价分类结果；步骤5、根据履职类型次数矩阵与履职主题次数矩阵，匹配获得对应的履职偏好；步骤6、基于上述获得的数据，绘制获得用于评估履职价值的行为画像集。本发明还公开了一种智能履职评估装置。本发明方法可以方便政府机关各单位的履职人员的评估，获得更加全面、更加准确的评估结果，从而进一步优化各单位的职能工作。
-
Patent Agency Ranking
公开(公告)号：CN118674239A
公开(公告)日：2024-09-20
申请号：CN202411155492.1
申请日：2024-08-22
IPC: G06Q10/0631 , G06Q10/0639 , G06Q10/067
Abstract: 本发明公开了一种面向多实体复杂场景的服务生态抽象及隐性需求分析方法，包括如下步骤：步骤一，进行服务实体及关系建模，之后进行服务能力及流程建模，完成服务生态抽象建模；步骤二，基于服务生态模型、服务日志分析及性能监测报告，评价当前服务现状，之后借助大模型能力，将当前服务状态指标作为输入，挖掘当前服务隐性需求；步骤三，基于粗糙‑模糊综合决策，确定最佳隐性需求。本发明的面向多实体复杂场景的服务生态抽象及隐性需求分析方法，能够有效的挖掘出最佳的隐性需求。
-
公开(公告)号：CN118129132A
公开(公告)日：2024-06-04
申请号：CN202410255247.1
申请日：2024-03-06
Abstract: 本发明提供了具备灵活调峰功能的三介质锅炉及储能系统，属于储能系统技术领域。现有机组存在调峰能力不足和低负荷运行效率低等问题。本发明包括锅炉系统，汽轮机系统、熔盐储热系统、导热油储热系统、换热器系统；锅炉系统包括炉膛，水冷壁、下降管、汽包、过热器、再热器、熔盐加热器、烟道隔墙、烟道挡板门、导热油加热器、省煤器；汽轮机系统包括高压缸和中压缸；熔盐储热系统包括冷盐罐、热盐罐、冷盐泵、热盐泵和调节阀门；导热油储热系统包括冷导热油罐、热导热油罐、冷导热油泵、热导热油泵和调节阀门；换热器系统包括熔盐‑导热油换热器，导热油‑汽水换热器、熔盐‑汽水换热器和调节阀门。本发明具有满足电网灵活性调峰需求的优点。
-
公开(公告)号：CN115083411A
公开(公告)日：2022-09-20
申请号：CN202210842968.3
申请日：2022-07-18
IPC: G10L15/22 , G10L15/26 , G10L25/24 , G10L15/08 , G10L15/06 , G10L15/02 , G06N3/08 , G06N3/04 , G06K9/62
Abstract: 本发明公开了一种基于特征融合的语音识别方法，包括：步骤1、获取语音数据，对所述语音数据的文本内容进行标签标注，将语音数据与标注标签组成训练集；步骤2、构建基于特征融合的语音识别网络，所述语音识别网络包括特征提取模块，数据处理模块，特征融合模块，注意力模块以及识别模块；步骤3、采用步骤1的训练集，对语音识别网络进行训练，获得用于语音转文本的语音识别模型；步骤4、将待识别的语音数据输入至步骤3获得的语音识别模型，经识别分析后，输出语音数据对应的高质量识别文本。本发明还提供了一种语音识别装置。本发明提供的方法通过提取语音中多种特征进行识别，从而提高语音识别的准确率，获得高质量语音转文字的文本内容。
-
公开(公告)号：CN118779469A
公开(公告)日：2024-10-15
申请号：CN202411247105.7
申请日：2024-09-06
Applicant: 浙江大学滨江研究院 , 浙江中烟工业有限责任公司
Abstract: 本发明公开了一种基于特征表示的领域大模型多模态知识库的构建方法，包括如下步骤：步骤一，收集并处理用于构建知识库的信息；步骤二，基于步骤一收集的知识库的信息进行多模态信息特征提取；步骤三，基于步骤一收集的信息和步骤二提取的多模态信息特征构建多模态知识库；步骤四，基于步骤三构建的多模态知识库提取用户输入的需求信息，构建领域意图识别模型，确定用户具体需求意图；步骤五，提取用户输入的需求信息，查询知识库，将查询到的知识块输入领域大模型，借助大模型生成能力输出用户所需求查询结果。本发明的基于特征表示的领域大模型多模态知识库的构建方法，弥补了现有大语言模型在处理多模态数据上的不足，增强用户体验感。
-
公开(公告)号：CN119863000A
公开(公告)日：2025-04-22
申请号：CN202510346617.7
申请日：2025-03-24
Applicant: 浙江大学滨江研究院 , 浙江中烟工业有限责任公司
IPC: G06Q10/04 , G06Q10/0631 , G06Q50/04 , G06N20/00 , G06N3/0442 , G06N3/09
Abstract: 本发明公开了一种基于动态规划与多模型协同的货源协同投放系统，包括：零售户销量预测模块，该零售户销量预测模块用于预测零售户的销量；市场需求预估模块，该市场需求预估模块用于预测市场需求，并将预测结果输出；生产动态规划模块，该生产动态规划模块基于国家烟草总局的年生产量要求、已完成的生产进度以及市场需求，动态调整每月针对不同产品的生产计划；货源分配规划模块，该货源分配规划模块基于生产动态规划模块输出的生产计划结果，本发明的基于动态规划与多模型协同的货源协同投放系统，可有效的实现对于烟草货源的精准规划产销供，提升运营效益。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.016 seconds)
