-
公开(公告)号：CN120011645A
公开(公告)日：2025-05-16
申请号：CN202510466875.9
申请日：2025-04-15
Applicant: 湘江实验室
IPC: G06F16/9535 , G06F16/11 , G06F16/16 , G06F16/9536
Abstract: 本发明公开一种基于混合模态意见共识决策的智能推荐方法、设备及介质，该方法步骤包括：收集多个用户对目标问题的数值意见以及语言意见形成混合意见集；搜索各个用户的用户信任集，计算用户之间的信任权重；将数值意见转换为语言意见以及将语言意见转化为数值意见；将转换后的数值意见、语言意见进行演化；经过反复迭代执行混合意见转化、信任权重计算以及混合意见演化，直至达成共识，根据共识状态确定推荐的结果输出。本发明通过建立用户数值意见与语言意见的相互转化机制，实现意见之间的相互转化，能够同时处理数值与语言意见，建立高效且灵活的混合意见演化框架，从而通过群体共识最终生成精准个性化推荐结果，实现高效、准确的智能推荐。
-
公开(公告)号：CN119151265B
公开(公告)日：2025-02-11
申请号：CN202411652100.2
申请日：2024-11-19
Applicant: 湘江实验室
IPC: G06Q10/0631
Abstract: 本申请涉及人员调度管理技术领域，提供了一种基于人际关系的人员调度方法、装置、设备及介质。该方法包括：根据上下级关系构建正式网络，根据非正式关系构建非正式网络，并将正式网络和非正式网络合并得到复合网络；获取应急事件的每个应急小组的主要调度人员和调度人员数量；计算复合网络中主要调度人员对应的节点直接或间接连接的节点与主要调度人员对应的节点之间的距离，基于复合网络和所有距离构建约束条件；在约束条件的约束下，根据所有主要调度人员、所有调度人员数量、复合网络进行求解，得到应急小组的目标调度人员；将所有目标调度人员和主要调度人员进行整合得到目标应急小组并进行人员调度。该方法能够提高人员调度的合理性。
-
公开(公告)号：CN118520305B
公开(公告)日：2024-11-12
申请号：CN202410975761.2
申请日：2024-07-19
Applicant: 湘江实验室
IPC: G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/0985 , G06F18/213 , G06F18/241 , G06F18/25 , G01S13/88 , G01S7/41
Abstract: 本发明涉及人体活动检测方法技术领域，具体公开了一种可自扩充雷达数据的人体活动检测方法，以雷达传感器作为获取人体行为信息的感知终端，以基于kinect相机所得到的人体骨架数据模拟得到的扩充雷达数据作为模拟雷达数据，将原始雷达数据和模拟雷达数据输入至人体活动检测模型中并通过元学习完成训练，可应用在所检测样本不足的情况，通过雷达传感器结合kinect相机的方式在不具备新的原始雷达数据的输入情况下自行扩充雷达数据，解决了传统的雷达探测技术领域，缺乏开源数据库，导致在进行基于雷达检测的各神经网络模型搭建之初需要进行长时间的采样来丰富及训练神经网络模型的问题。
-
公开(公告)号：CN118096452A
公开(公告)日：2024-05-28
申请号：CN202410494749.X
申请日：2024-04-24
Applicant: 湘江实验室
Abstract: 本申请适用于法律案情分析技术领域，提供了一种案件辅助审判方法、装置、终端设备及介质，该方法通过提炼案件知识标签；根据文本结构特征，构建文书结构抽取规则，分别对裁判文书进行划分，得到结构化数据集；根据案件知识标签，构建实体识别规则，对结构化数据集进行识别，得到案件实体集；根据案件关系集和案件实体集，构建案件知识图谱；计算案件知识图谱中各案件实体的影响度，从案件实体集中确定典型案件实体；计算待审判案件与典型案件实体之间的相似度，确定匹配案件；根据最高匹配得分对应的典型案件实体的裁判文书，对待审判案件的主刑进行预测，实现案件辅助审判。本申请能提高案件辅助审判的准确性和可解释性。
-
公开(公告)号：CN119180403A
公开(公告)日：2024-12-24
申请号：CN202411704559.2
申请日：2024-11-26
Applicant: 湘江实验室
IPC: G06Q10/047 , G06Q10/0631 , G06Q50/00 , G06F17/11
Abstract: 本申请涉及人员管理技术领域，提供了一种应急调度方案生成方法、装置、设备及介质。该方法包括：基于所有调度人员和所有信息流动关系构建社交网络图；基于社交网络图计算每个指挥人员执行调度任务过程中的初始人力调度成本值和初始时间成本值；根据最多调度人员数量、所有指挥人员的初始人力调度成本值和初始时间成本值、社交网络图、所有信息传递时间构建调度成本优化模型，并对调度成本优化模型进行最小化求解，得到第一应急调度方案；根据最多调度人员数量、社交网络图、所有信息传递时间构建响应时间优化模型，并对响应时间优化模型进行最小化求解，得到第二应急调度方案。本申请的方法能够提高应急调度方案的合理性。
-
Patent Agency Ranking
公开(公告)号：CN116932921B
公开(公告)日：2023-12-12
申请号：CN202311199555.9
申请日：2023-09-18
Applicant: 湘江实验室
IPC: G06F16/9535 , G06Q10/0639
Abstract: 本发明提供了一种汽车个性化推荐方法及相关设备，包括：获取用户评分数据、投诉数据和安全测试数据；提取满意度数据划分评分口碑指标等级并获取评分口碑聚合值；提取各类汽车的风险程度数据，计算各类汽车的投诉量与销售量之比构建投诉发生率指标等级并获取投诉质量口碑聚合值；对各类汽车的安全指标进行评分构建安全评估等级并获取安全评分聚合值；将指标权重均设置为均值权重计算三维度评分聚合值、包括评分口碑、投诉质量口碑、安全评分和三维度评分聚合均值的四维向量，并基于四维向量遴选出初步推荐车辆集；最后从初步推荐车辆集中筛选出最终推荐的车辆集；从用户评价、投诉和安全测试多方面考虑为用户提供便捷高效的汽车推荐。
-
公开(公告)号：CN119151265A
公开(公告)日：2024-12-17
申请号：CN202411652100.2
申请日：2024-11-19
Applicant: 湘江实验室
IPC: G06Q10/0631
Abstract: 本申请涉及人员调度管理技术领域，提供了一种基于人际关系的人员调度方法、装置、设备及介质。该方法包括：根据上下级关系构建正式网络，根据非正式关系构建非正式网络，并将正式网络和非正式网络合并得到复合网络；获取应急事件的每个应急小组的主要调度人员和调度人员数量；计算复合网络中主要调度人员对应的节点直接或间接连接的节点与主要调度人员对应的节点之间的距离，基于复合网络和所有距离构建约束条件；在约束条件的约束下，根据所有主要调度人员、所有调度人员数量、复合网络进行求解，得到应急小组的目标调度人员；将所有目标调度人员和主要调度人员进行整合得到目标应急小组并进行人员调度。该方法能够提高人员调度的合理性。
-
公开(公告)号：CN119988898A
公开(公告)日：2025-05-13
申请号：CN202510484229.5
申请日：2025-04-17
Applicant: 湘江实验室
IPC: G06F18/20 , G06F9/50 , G06F17/16 , G06F17/18 , G06F18/21 , G06F18/22 , G06F18/2321 , G06F18/2431
Abstract: 本申请涉及联邦学习技术领域，提供了一种面向算力调度模型训练的数据投毒识别方法及设备，该方法包括：对模型更新进行聚类，得到多个模型更新聚类簇，并生成每个模型更新聚类簇的代表模型；对代表模型进行评分得到每个代表模型的平均评分，并根据所有平均评分将所有代表模型划分为多个良性代表模型和多个疑似毒性代表模型；从疑似毒性代表模型对应的模型更新聚类簇中确定出多个满足良性条件的良性模型更新，并基于所有良性模型更新生成二次良性代表模型；计算每个良性代表模型、每个二次良性代表模型的更新权重；根据所有更新权重和所有模型更新对全局模型进行更新，得到最终全局模型。本申请的方法能够提高算力调度模型训练的安全性和准确性。
-
公开(公告)号：CN119493669B
公开(公告)日：2025-04-08
申请号：CN202510072225.6
申请日：2025-01-17
Applicant: 湘江实验室
Abstract: 本发明公开了一种基于深度强化学习的算力网络调度方法、装置及介质，该方法包括：获取算力网络环境信息；基于算力网络环境信息和初始调度模型信息，确定出目标调度模型信息；目标调度模型信息包括M个目标资源调度模型；目标资源调度模型包括第一目标资源调度模型，和/或，第二目标资源调度模型；基于目标调度模型信息和算力网络环境信息，确定出目标算力网络资源调度结果信息；目标算力网络资源调度结果信息包括算力调度类型和算力参数信息。本发明的算力网络调度方法能够基于深度强化学习方式来对算力网络资源进行调度，可提高调度效率和精度，进而提高用户使用体验感。
-
公开(公告)号：CN119493669A
公开(公告)日：2025-02-21
申请号：CN202510072225.6
申请日：2025-01-17
Applicant: 湘江实验室
Abstract: 本发明公开了一种基于深度强化学习的算力网络调度方法、装置及介质，该方法包括：获取算力网络环境信息；基于算力网络环境信息和初始调度模型信息，确定出目标调度模型信息；目标调度模型信息包括M个目标资源调度模型；目标资源调度模型包括第一目标资源调度模型，和/或，第二目标资源调度模型；基于目标调度模型信息和算力网络环境信息，确定出目标算力网络资源调度结果信息；目标算力网络资源调度结果信息包括算力调度类型和算力参数信息。本发明的算力网络调度方法能够基于深度强化学习方式来对算力网络资源进行调度，可提高调度效率和精度，进而提高用户使用体验感。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.02 seconds)
