-
公开(公告)号：CN110223737A
公开(公告)日：2019-09-10
申请号：CN201910512263.3
申请日：2019-06-13
Applicant: 电子科技大学
IPC: G16C20/70
Abstract: 本发明提供一种中药化学成分命名实体识别方法与装置，包括以下步骤：S1:获取中药化学成分命名实体相关文献；S2:对获取的所述相关文献进行信息过滤，以得到文本内容规范化的语料库；S3:对所述语料库进行编码和标注，得到标注好的语料库；S4:将所述标注好的语料库作为BiLSTM的训练样本进行训练，得到训练好的BiLSTM；S5:将需要识别中药化学成分命名实体的相关文献输入所述训练好的BiLSTM进行识别，以识别出中药化学成分命名实体。本发明方法将基于深度神经网络的命名实体识别技术应用到中药化学成分识别，比人工识别方式有更高的效率；有利于为构建中药化学成分命名实体基础数据库提供数据来源。
-
公开(公告)号：CN110689965B
公开(公告)日：2023-03-24
申请号：CN201910956294.8
申请日：2019-10-10
Applicant: 电子科技大学
IPC: G16H70/40 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的药物靶点亲和力预测方法，涉及药物靶点亲和力预测技术领域，其包括：从Davis数据集和KIBA数据集中获取药物化合物和靶点蛋白质数据；对化合物进行编码，使用位置特异性打分矩阵表示蛋白质；将化合物标签编码输入CNN模型中，对化合物进行特征提取，得到化合物的分子表示；将蛋白质的位置特异性打分矩阵输入LSTM模型中，对蛋白质序列进行特征提取，学习蛋白质结构中氨基酸之间的次序关系以及蛋白质序列上的残基之间的关系，得到蛋白质的序列表示；将化合物的分子表示和蛋白质的序列表示同时输入到全连接层中，对化合物和蛋白质相互作用的亲和力进行预测。该方法能更准确地预测药物和靶点之间的亲和力关系。
-
公开(公告)号：CN110222343A
公开(公告)日：2019-09-10
申请号：CN201910512743.X
申请日：2019-06-13
Applicant: 电子科技大学
IPC: G06F17/27
Abstract: 本发明提供一种中药种植资源命名实体识别方法，包括以下步骤：S1:获取中药材种植资源文献；S2:按照一定的规则对所述中药材种植资源文献进行标注，并将标注后的文献拆分成文本句子；S3:分别一一查找每个文本句子所对应的词向量和字向量，利用所述词向量和字向量来训练GRU-CRF模型；S4:利用所述训练好的GRU-CRF模型对未知的中药材种植资源文献进行命名实体识别。本发明提供的中药种植资源命名实体识别方法，通过构架GRU-CRF模型，从而实现了能够自动识别中药种植资源文献的命名实体，不仅大大提高了识别准确率和识别效率，减少人工识别时间开销，并且可扩展到其他命名实体类别，比如土壤矿物质含量、水分含量等。
-
公开(公告)号：CN109215778A
公开(公告)日：2019-01-15
申请号：CN201810877201.8
申请日：2018-08-03
Applicant: 电子科技大学
Abstract: 本发明公开了一种舌象定量分析方法及平台，主要供中医舌象研究领域应用，用于中医舌象定量化的软件，使用计算机技术结合中医舌诊中舌象特征的不同分类制作了这套系统，为中医舌象的客观化提供了参考标准，有助于中医舌诊客观化的发展。本发明为电脑客户端系统，舌象定量化系统包括三个部分：登录模块、舌象定量化模块和数据导出模块。登录模块为用户提供了直接登录和检索登录方式，舌象定量化模块为用户提供了舌象不同分类特征的定量化方式，数据导出模块为用户提供了患者数据和舌象数据的导出功能。
-
公开(公告)号：CN111680843B
公开(公告)日：2022-06-28
申请号：CN202010537578.6
申请日：2020-06-12
Applicant: 电子科技大学
IPC: G06Q10/04 , G06Q50/02 , G06F40/289 , G06K9/62
Abstract: 本发明公开了基于深度SVDD模型的中药材适生区预测方法及系统，包括：采集中药材的生态因子数据，采用MaxEnt模型生成中药材的伪不存在点样本数据；对采集到的中药材的生态因子数据进行预处理，得到生态因子预处理数据；根据所述生态因子预处理数据、伪不存在点样本数据和SVDD模型构建中药材适生区预测模型；将待预测中药材的测试点放入所述中药材适生区预测模型进行判断，得到待预测中药材的适生区。SGD及其变体优化深度SVDD模型的参数，因其计算复杂性在训练的数量上是线性扩展使得对大型数据集可以进行很好的扩展；通过对不同测试点与最优超球体的距离判断获得适生区，提高中药材适生区预测结果准确率。
-
Patent Agency Ranking
公开(公告)号：CN111680843A
公开(公告)日：2020-09-18
申请号：CN202010537578.6
申请日：2020-06-12
Applicant: 电子科技大学
IPC: G06Q10/04 , G06Q50/02 , G06F40/289 , G06K9/62
Abstract: 本发明公开了基于深度SVDD模型的中药材适生区预测方法及系统，包括：采集中药材的生态因子数据，采用MaxEnt模型生成中药材的伪不存在点样本数据；对采集到的中药材的生态因子数据进行预处理，得到生态因子预处理数据；根据所述生态因子预处理数据、伪不存在点样本数据和SVDD模型构建中药材适生区预测模型；将待预测中药材的测试点放入所述中药材适生区预测模型进行判断，得到待预测中药材的适生区。SGD及其变体优化深度SVDD模型的参数，因其计算复杂性在训练的数量上是线性扩展使得对大型数据集可以进行很好的扩展；通过对不同测试点与最优超球体的距离判断获得适生区，提高中药材适生区预测结果准确率。
-
公开(公告)号：CN110675962A
公开(公告)日：2020-01-10
申请号：CN201910853829.9
申请日：2019-09-10
Applicant: 电子科技大学
Abstract: 本发明属于医学或兽医学；卫生学技术领域，公开了一种基于机器学习和文本规则的中药药理作用识别方法及系统，首先基于BIO规则构建训练语料库；然后提取文本特征并对特征进行数字化，采用组合多分类式SVM构建药理作用识别模型；最后采用基于规则的错误驱动学习(TBL)方法对SVM模型输出的标注结果进行后处理，提高实体识别精度。本发明将机器学习方法与基于规则的文本挖掘相关技术相结合，实现从中药文献中自动识别有效的中药药理作用信息，为中药药理作用信息化打下基础，与传统的药理作用研究方法相比，减少人工提取时间以及经济损耗，实现了在中药药理作用实体识别研究方法学上的改进。
-
公开(公告)号：CN110717451B
公开(公告)日：2022-07-08
申请号：CN201910956301.4
申请日：2019-10-10
Applicant: 电子科技大学
IPC: G06V20/10 , G06V10/32 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06T3/60 , G06T5/00
Abstract: 本发明公开了一种基于深度学习的药用植物叶部病害图像识别方法，涉及药用植物叶部病害防护技术领域，其包括采集若干药用植物叶部病害图像；对药用植物叶部病害图像进行增强处理；将各增强处理后的药用植物叶部病害图像的尺寸统一调整为299x299；训练深度CNN模型，深度CNN模型包括串联的卷积池化网络、Inception‑I网络、平均池化网络、Dropout层和Softmax层，串联的卷积池化网络的最后两个卷积层为深度可分离卷积层，Inception‑I网络中包括随机池化层；通过深度CNN模型对尺寸调整后的各药用植物叶部病害图像进行识别，识别结果为各药用植物叶部所患病害类型，基于识别结果对各药用植物叶部所患病害进行分类。该识别方法可以有效地辅助种植人员诊断病害，提高诊断效率。
-
公开(公告)号：CN111522964A
公开(公告)日：2020-08-11
申请号：CN202010305332.6
申请日：2020-04-17
Applicant: 电子科技大学
Abstract: 本发明公开了一种藏医药文献核心概念挖掘方法，从语义分析层面，对藏医药中文文献进行预处理后，建立基于深度学习技术的藏医药提取模型，提取出藏医药概念，再识别出藏医药概念对之间的关系，结合藏医药概念及概念对之间的关系，构建藏医药概念网络，挖掘藏医药中的核心概念，方便清晰快速地理解文献的含义，更好地挖掘出藏医药概念知识，不仅提高了藏医药核心概念识别的准确率，而且是切合于藏医药理论知识体系的。
-
公开(公告)号：CN110717451A
公开(公告)日：2020-01-21
申请号：CN201910956301.4
申请日：2019-10-10
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习的药用植物叶部病害图像识别方法，涉及药用植物叶部病害防护技术领域，其包括采集若干药用植物叶部病害图像；对药用植物叶部病害图像进行增强处理；将各增强处理后的药用植物叶部病害图像的尺寸统一调整为299x299；训练深度CNN模型，深度CNN模型包括串联的卷积池化网络、Inception-I网络、平均池化网络、Dropout层和Softmax层，串联的卷积池化网络的最后两个卷积层为深度可分离卷积层，Inception-I网络中包括随机池化层；通过深度CNN模型对尺寸调整后的各药用植物叶部病害图像进行识别，识别结果为各药用植物叶部所患病害类型，基于识别结果对各药用植物叶部所患病害进行分类。该识别方法可以有效地辅助种植人员诊断病害，提高诊断效率。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.02 seconds)
