-
公开(公告)号：CN119204664A
公开(公告)日：2024-12-27
申请号：CN202411227687.2
申请日：2024-09-03
Applicant: 海南大学
IPC: G06Q10/0635 , G06Q50/26 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/08 , G06N5/022
Abstract: 本发明涉及一种基于李群流形与时序知识图谱的交通事故预测方法及系统。所述方法包括：采集历史交通事故数据进行数据清洗操作；使用李群流形映射方法进行特征提取和排序得到特征集合；建立时序知识图谱，通过时序图注意力机制(Temporal GraphAttention，TGAT)进行深层学习并进行优化，得到知识图谱预测模型，预测预测目标实体与各个实体之间的依赖关系，并基于依赖关系对交通事故发生的风险进行预测，得到预测结果。采用TGAT可以突显交通事故相关指标之间潜在的时间依赖性和多元信息，利用序列化学习有效地挖掘其依赖关系，弥补了传统链路预测模型准确度较低的局限性，提高了李群流形分析、TGAT处理和时序知识图谱相结合的链路预测的准确性。
-
公开(公告)号：CN119005527A
公开(公告)日：2024-11-22
申请号：CN202411192838.5
申请日：2024-08-28
Applicant: 海南大学
IPC: G06Q10/063 , G06Q10/04 , G06Q50/26 , G06F18/10 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N5/02 , G06F123/02
Abstract: 本发明涉及一种基于时序知识图谱的多层嵌入模型大气污染数据预测方法及系统。所述方法包括：收集多源大气污染数据进行清洗归一化处理，并构建时序知识图谱输入至TASTER模型中生成全局嵌入；基于稀疏传输矩阵生成局部嵌入；将全局嵌入、局部嵌入输入至TiRGN模型中，初始化模型参数后进行模型训练，并通过反向传播算法调整模型参数，得到大气污染数据预测模型对大气污染数据进行预测。由于大气污染数据中的局部特性对于预测污染变化非常重要，采用稀疏传输矩阵嵌入能够从全局嵌入中提取局部嵌入特性，使得局部嵌入更好地反映最近时间点的数据特征，这样训练出的模型可以提升大气污染预测的准确性。
-
公开(公告)号：CN118736362A
公开(公告)日：2024-10-01
申请号：CN202410750467.1
申请日：2024-06-12
Applicant: 海南大学
Abstract: 本发明公开了基于多模型融合的可解释图像文本化描述方法，输入的图像进行特征提取，之后将提取出的图像特征输入预测模型，最后得出预测结果。本发明在数据集方面，通过向ChatGPT输入严格的提示来生成相应的图片，形成了一个高质量数据集。在模型方面，应用了添加解析注意力机制的CLIP模型来对输入的图像进行高级特征的提取，利用其强大的跨模态理解能力，为后续的任务提供支持。对三个模型分别应用LoRA微调技术，使模型能够更灵活地适应不同区域的特征关系，并在局部区域灵活调整注意力，从而减轻模型的计算负担，最后通过对三个模型预测结果的集成融合，提高了预测的精确度。另外，对模型的不同部分进行模块化设计，提高了模型的可扩展性和灵活性。
-
公开(公告)号：CN117972484B
公开(公告)日：2024-08-13
申请号：CN202410061916.1
申请日：2024-01-16
Applicant: 海南大学
Abstract: 本发明公开一种可解释性的多模态自然语言情感分析方法及相关装置。该方法从待分析数据中获得多模态数据集，对所述多模态数据集进行预处理；对预处理后的多模态数据分别进行特征提取，获得多模态特征向量；将所述多模态特征向量分别输入到记忆注意模块和乘法融合层，并将输出结果进行拼接，得到拼接特征向量；将所述拼接特征向量输入分类器确定极性，输出分析结果，并采用LIME方法对所述分析结果产生局部解释。本发明提高了多模态情感分析的准确性和性能、计算效率以及模型的可解释性和用户信任度。
-
公开(公告)号：CN119943211A
公开(公告)日：2025-05-06
申请号：CN202411900651.6
申请日：2024-12-23
Applicant: 海南大学
IPC: G16C20/70 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N3/084 , G06N3/0985
Abstract: 本发明公开的基于改进混合神经网络溶解氧的预测方法，具体按以下步骤实施：步骤1，收集并整理溶解氧相关数据集；步骤2，构建包括自适应时间卷积网络、优化的Transformer编码器、增强型GRU模块以及线性回归误差修正模块的混合神经网络模型；步骤3，训练混合神经网络模型与参数优化；步骤4，验证混合神经网络模型与超参数调优；步骤5，测试混合神经网络模型与性能评估；步骤6，利用混合神经网络模型预测溶解氧。本发明公开的基于改进混合神经网络溶解氧的预测方法，解决了现有技术中存在的溶解氧预测模型在短期和长期预测中存在的精度不足的问题。
-
Patent Agency Ranking
公开(公告)号：CN117809184A
公开(公告)日：2024-04-02
申请号：CN202311845052.4
申请日：2023-12-29
Applicant: 海南大学
IPC: G06V20/10 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06V10/42
Abstract: 本发明公开了基于MSSARN框架的高光谱图像分类模型，具体包括：光谱注意力模型，用于识别光谱特征；邻域卷积模块，用于空间特征的提取；跟随块模块，用于增强特征提取的功能；残差网络模块，残差连接允许梯度直接流过网络的多个层，有助于保持在深层网络中信息的有效传递；本发明还公开了基于MSSARN框架的高光谱图像分类方法，MSSARN在多个高光谱数据集上的分类准确率显著优于其他现有算法，展现了其作为高光谱图像分类的有效和高效解决方案的潜力。这表明该研究在高光谱图像处理领域取得了重要进展。
-
公开(公告)号：CN117808919A
公开(公告)日：2024-04-02
申请号：CN202311850488.2
申请日：2023-12-29
Applicant: 海南大学
IPC: G06T11/00 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了基于深度学习的生成对抗网络进行MRI欠采样重建方法，采用DLGAN架构，DLGAN架构包括GAN1模块和GAN2模块，每个模块都包含一个内部的生成器DLGAN_GB和鉴别器DLGAN_DB，用于从K空间数据中恢复图像；DLGAN架构，用于恢复脑部和膝盖MRI数据集；提出的DLGAN表现出有效地估计缺失数据和除去MRI数据集中伪影的能力；DLGAN架构使用GAN模块从膝盖和脑MRI数据集的欠采样输入数据生成MR图像；DLGAN模型表现出比现有模型更有前途的改进，并且给出了更好的结果。
-
公开(公告)号：CN119942107A
公开(公告)日：2025-05-06
申请号：CN202411949885.X
申请日：2024-12-27
Applicant: 海南大学
IPC: G06V10/26 , G06V10/22 , G06V10/30 , G06V10/36 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/082 , G06N3/084
Abstract: 本发明公开了基于深度学习的脑肿瘤自动分割方法，首先特征增强，然后补丁嵌入与位置嵌入，使用Vision Transformer编码器捕捉远程依赖关系和全局上下文信息，从而提升模型对复杂结构的理解能力；通过集成多个Transformer层的跳跃连接，结合U‑Net架构，保留多尺度特征以进行细致解码；最后解码阶段改进，从而确保分割结果的准确性和细节。本发明还公开了基于深度学习的脑肿瘤自动分割系统。本发明能够有效处理脑部MRI图像，解决了现有分割技术在复杂肿瘤形态、噪声干扰和多尺度特征提取方面的不足，具有更高的分割精度和鲁棒性。
-
公开(公告)号：CN119940786A
公开(公告)日：2025-05-06
申请号：CN202411900652.0
申请日：2024-12-23
Applicant: 海南大学
IPC: G06Q10/0631 , G06Q10/04 , G06Q50/02 , G06N3/126
Abstract: 本发明公开了基于增强型NSGA‑II的多目标工厂化水产养殖投料调度的优化方法：1、定义模型参数，建立调度模型；S2、采用双整数编码，初始化获取原始不同编码对；S3、若Rand（0,1）≤Pc，对编码对交叉操作，否则跳过此操作；S4、若Rand（0,1）≤Pm，进行变异操作；否则跳过此步；S5、根据贪婪邻域搜索策略，搜寻更优方案；S6、根据精英选择策略提高成员存活率；S7、采用调度策略对编码对解码，确定分配给每个饲养池和供给站的投喂小车。本发明提供的基于增强型NSGA‑II的多目标工厂化水产养殖投料调度的优化方法，解决了固定时间投喂无法准确控制投喂量，易导致饲料浪费、水体污染和生物疾病等问题。
-
公开(公告)号：CN117974803A
公开(公告)日：2024-05-03
申请号：CN202410062086.4
申请日：2024-01-16
Applicant: 海南大学
IPC: G06T7/80 , G06N3/0464 , G06N3/084
Abstract: 本发明公开一种多传感器融合标定的方法及相关装置。该方法包括如下步骤：获取多传感器数据并进行预处理，所述多传感器数据来源于不同类型的传感器分别采集同一场景的数据；将多种传感器数据输入预设的CNN‑DNN组合模型中进行训练，获得训练结果，将训练结果输入到损失函数中进行损失计算，得到与真实地面值的损失值，基于损失值利用反向传播算法对模型进行参数调优，直至达到迭代次数或损失值满足预测要求，输出训练好的CNN‑DNN组合模型；将待融合的多传感器数据输入至训练好的CNN‑DNN组合模型中，进行多传感器数据的实时标定。本发明可以有效地融合和处理多种传感器数据，实现端到端学习，并提取高级特征以完成标定任务。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.029 seconds)
