-
公开(公告)号：CN113517365A
公开(公告)日：2021-10-19
申请号：CN202110779948.1
申请日：2021-07-09
Applicant: 西安电子科技大学
IPC: H01L31/032 , H01L31/0224 , H01L31/08
Abstract: 本发明公开一种基于透明氧化物的光电类突触器件及其应用，属于人工神经网络技术领域，包括衬底以及所述衬底上依次叠层设置的功能层和离子发光层；所述离子发光层的两侧分别设置有金属电极，且两个所述金属电极的底部均与所述功能层的上表面相接触；所述离子发光层为钙钛矿型氧化物，所述钙钛矿型氧化物掺杂有稀土元素。本发明的光电类突触器件可以对大范围波长的光都能做出突触响应，且在较小电信号或光信号刺激下有很大的电阻，从而具有很低的功耗，且提高了光电类突触器件的稳定性和均一性。
-
公开(公告)号：CN107239523A
公开(公告)日：2017-10-10
申请号：CN201710385468.0
申请日：2017-05-26
Applicant: 电子科技大学
IPC: G06F17/30
CPC classification number: G06F17/30575 , G06F17/30289 , G06F17/30557
Abstract: 本发明公开了一种基于大数据模型平台下的细粒度数据溯源方法，针对大数据模型平台构建出一种细粒度数据溯源方法，用于解决大数据平台下细粒度溯源数据的依赖区分问题。该方法包括以下步骤：S1：模型工作流分析，在Hadoop平台下对Oozie引擎所构成的模型工作流的分析；S2：细粒度溯源定义，以一种递归的形式表示工作流的细粒度数据溯源；S3：溯源信息捕获，在模型执行过程中，动态地产生并获取溯源信息；S4:溯源标记存储，对捕获的溯源信息以关联形式在HDFS上存储；S5:溯源追踪，用来追溯产生结果数据文件中的细粒度数据项的来源输入数据项。本发明适用性强，为溯源文件建立索引，减少了IO操作，提高了查询速度。
-
公开(公告)号：CN110188819A
公开(公告)日：2019-08-30
申请号：CN201910459249.1
申请日：2019-05-29
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于信息增益的CNN和LSTM图像高层语义理解方法，包括构建改进的卷积神经网络、构建卷积神经网络和长短期记忆网络联合神经网络、数据预处理和图像语义解读；构建改进卷积神经网络，是利用大规模图像语义数据集构建并改进卷积神经网络；构建联合神经网络，是利用改进的卷积神经网络和长短期记忆网络构建联合神经网络；数据预处理，是将图像进行数据增强的操作，同时将场景的文本标签实现嵌入操作完成数据预处理；图像语义解读，是将图像特征输入训练完成的模型中进行图像语义解读。本发明改进了传统的图像与文本信息的图像语义理解模型，提出了一种新的卷积神经网络和长短期记忆网络的结合方法，能够显著的提升图像语义解读的效果。
-
公开(公告)号：CN108681752A
公开(公告)日：2018-10-19
申请号：CN201810525276.X
申请日：2018-05-28
Applicant: 电子科技大学
CPC classification number: G06K9/6262 , G06N3/0454
Abstract: 本发明公开了一种基于深度学习的图像场景标注方法，包括场景图像数据集，构建卷积神经网络，训练模型，图像标注；所述场景图像数据集，用于训练和测试深度学习场景识别模型；所述构建卷积神经网络，构建用于场景识别的卷积神经网络的模型；所述训练模型，通过训练卷积神经网络，得到场景识别模型；所述图像标注，将模型识别图像得到图像的场景标注词。本发明解决了图像场景标注的不足，解决了图像场景标注的准确率。
-
Patent Agency Ranking
公开(公告)号：CN108805036B
公开(公告)日：2022-11-22
申请号：CN201810496579.3
申请日：2018-05-22
Applicant: 电子科技大学
Abstract: 本发明公开了一种非监督视频语义提取方法，包括构建三维卷积神经网络模型，使用视频数据库中带标签视频数据集训练三维卷积神经网络模型；使用滑动窗口将视频数据库中不带标签视频数据处理成符合三维卷积神经网络输入的数据；使用该生成数据作为三维卷积神经网络模型的输入数据，取三维卷积神经网络模型全连接层的输出数据作为视频段的语义特征；使用该生成的视频段语义特征序列作为视频语义自编码器的输入，通过自编码器整合得到视频整体语义特征。本发明实施例通过结合三维卷积神经网络和循环自动编码器的方案，解决了非监督的视频语义分析与提取问题，提高了视频语义提取准确度。
-
公开(公告)号：CN107247588A
公开(公告)日：2017-10-13
申请号：CN201710385813.0
申请日：2017-05-26
Applicant: 电子科技大学
IPC: G06F9/44
CPC classification number: G06F8/31
Abstract: 本发明公开了一种基于约束频度的规则引擎自优化方法，包括以下步骤：S1：规则约束频度统计，对所有规则模式中的约束进行次数统计；S2：规则约束频度统计结果处理，根据约束名对模式约束频度结果进行合并；S3：Alpha网络构建，通过规则约束重排序得到规则约束列表，构建Rete网络中的Alpha网络；S4：Beta网络构建，根据已生成的Alpha网络生成Rete网络的Beta节点。通过本方法解决了实际应用中用户编写出的规则没有针对Rete网络的共享程度，导致规则引擎构建的Rete网络共享度不足的问题，提高了Rete网络的共享程度，降低了规则引擎所构建的Rete网络的复杂性，有效提高规则匹配效率。
-
公开(公告)号：CN108681752B
公开(公告)日：2023-08-15
申请号：CN201810525276.X
申请日：2018-05-28
Applicant: 电子科技大学
IPC: G06V10/776 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于深度学习的图像场景标注方法，包括场景图像数据集，构建卷积神经网络，训练模型，图像标注；所述场景图像数据集，用于训练和测试深度学习场景识别模型；所述构建卷积神经网络，构建用于场景识别的卷积神经网络的模型；所述训练模型，通过训练卷积神经网络，得到场景识别模型；所述图像标注，将模型识别图像得到图像的场景标注词。本发明解决了图像场景标注的不足，解决了图像场景标注的准确率。
-
公开(公告)号：CN107247588B
公开(公告)日：2020-10-23
申请号：CN201710385813.0
申请日：2017-05-26
Applicant: 电子科技大学
IPC: G06F8/30
Abstract: 本发明公开了一种基于约束频度的规则引擎自优化方法，包括以下步骤：S1：规则约束频度统计，对所有规则模式中的约束进行次数统计；S2：规则约束频度统计结果处理，根据约束名对模式约束频度结果进行合并；S3：Alpha网络构建，通过规则约束重排序得到规则约束列表，构建Rete网络中的Alpha网络；S4：Beta网络构建，根据已生成的Alpha网络生成Rete网络的Beta节点。通过本方法解决了实际应用中用户编写出的规则没有针对Rete网络的共享程度，导致规则引擎构建的Rete网络共享度不足的问题，提高了Rete网络的共享程度，降低了规则引擎所构建的Rete网络的复杂性，有效提高规则匹配效率。
-
公开(公告)号：CN108805036A
公开(公告)日：2018-11-13
申请号：CN201810496579.3
申请日：2018-05-22
Applicant: 电子科技大学
IPC: G06K9/00
CPC classification number: G06K9/00718
Abstract: 本发明公开了一种新的非监督视频语义提取方法，包括构建三维卷积神经网络模型，使用视频数据库中带标签视频数据集训练三维卷积神经网络模型；使用滑动窗口将视频数据库中不带标签视频数据处理成符合三维卷积神经网络输入的数据；使用该生成数据作为三维卷积神经网络模型的输入数据，取三维卷积神经网络模型全连接层的输出数据作为视频段的语义特征；使用该生成的视频段语义特征序列作为视频语义自编码器的输入，通过自编码器整合得到视频整体语义特征。本发明实施例通过结合三维卷积神经网络和循环自动编码器的方案，解决了非监督的视频语义分析与提取问题，提高了视频语义提取准确度。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.036 seconds)
