-
公开(公告)号：CN104503976A
公开(公告)日：2015-04-08
申请号：CN201410681204.6
申请日：2014-11-24
Applicant: 电子科技大学 , 东莞电子科技大学电子信息工程研究院
IPC: G06F17/30
CPC classification number: G06K9/6227
Abstract: 本发明公开了一种动态决策树的构建方法,包括构建决策表、将决策表数字化、提取动态决策树以及分类决策等步骤，本发明将感知智能融入信息决策系统之中，形成智能的信息决策系统，提高了信息决策系统搜索与分类决策效率，具有很强的应用价值。
-
公开(公告)号：CN113609312A
公开(公告)日：2021-11-05
申请号：CN202110636515.0
申请日：2021-06-08
Applicant: 电子科技大学 , 电子科技大学长三角研究院(湖州)
IPC: G06F16/387 , G06F16/36 , G06F40/295 , G06K9/62
Abstract: 本发明提供了一种基于特征评估和关键词相似度的地理文本语料标注方法，得到高质量的地理领域标注语料。该方法包括：利用爬虫技术爬取网络文本得到知识库与语料库；对语料库进行预处理，得到清洗过的语料；根据文本中的实体对将知识库和语料库对齐；计算句子特征词；计算词语在地理实体对中的权值；选取权值最大的词作为关系词；利用Word2Vec模型生成词向量；计算句子中关系词与知识库中关系词的相似度；找出相似度最大的关系词并进行语料标注，最终得到标注实体和关系类型的语句。
-
公开(公告)号：CN113591478A
公开(公告)日：2021-11-02
申请号：CN202110636514.6
申请日：2021-06-08
Applicant: 电子科技大学 , 电子科技大学长三角研究院(湖州)
IPC: G06F40/295 , G06F40/211 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于深度强化学习的远程监督文本实体关系抽取方法，该方法包括：进行数据预处理，通过分词、词向量转化、位置向量构成文本向量；Bi‑LSTM+Attentnion将自然文本编码为含有上下文语义的特征向量；通过实体类型嵌入得到实体类型信息的嵌入表示；再构建出依存树，组合表示为最终的句子表示；选用一个句子注意力机制，得到加权的包表示；通过softmax函数计算得到预测标签；使用强化学习方法在远程监督标注和预测标签中选择一个作为软标签，再使用软标签作为正确标签训练，得到最终的关系抽取结果。
-
公开(公告)号：CN113591478B
公开(公告)日：2023-04-18
申请号：CN202110636514.6
申请日：2021-06-08
Applicant: 电子科技大学 , 电子科技大学长三角研究院(湖州)
IPC: G06F40/295 , G06F40/211 , G06F40/30 , G06N3/0442 , G06N3/08
Abstract: 本发明提出了一种基于深度强化学习的远程监督文本实体关系抽取方法，该方法包括：进行数据预处理，通过分词、词向量转化、位置向量构成文本向量；Bi‑LSTM+Attentnion将自然文本编码为含有上下文语义的特征向量；通过实体类型嵌入得到实体类型信息的嵌入表示；再构建出依存树，组合表示为最终的句子表示；选用一个句子注意力机制，得到加权的包表示；通过softmax函数计算得到预测标签；使用强化学习方法在远程监督标注和预测标签中选择一个作为软标签，再使用软标签作为正确标签训练，得到最终的关系抽取结果。
-
公开(公告)号：CN111833249A
公开(公告)日：2020-10-27
申请号：CN202010614039.8
申请日：2020-06-30
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于双向点特征的UAV图像配准与拼接方法，采用FAST算法检测图像特征点，通过灰度质心法赋予特征点主方向，采用rBRIEF算法对特征点进行特征描述，生成特征描述子；采用双向匹配增加匹配点对或双向匹配筛选匹配点对；通过渐进采样一致性算法去除误匹配点对并拟合变换矩阵H的参数；通过得到的变换矩阵H对待配准图像进行投影变换，并通过双线性插值算法得到拼接图像。本发明保留了ORB较快的配准速度，并通过双向匹配与PROSAC算法对提取的特征点进行处理提高了配准精度。
-
Patent Agency Ranking
公开(公告)号：CN110826411A
公开(公告)日：2020-02-21
申请号：CN201910958507.0
申请日：2019-10-10
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于无人机图像的车辆目标快速识别方法，输入图像处理的目标识别领域。针对无人机图像中车辆目标的像素占比小，而且车辆目标在无人机图像中比较密集，原始的网络对其检测比较困难的问题，首先使用不同的anchor个数与大小去匹配图像中的车辆目标，相比于原始网络，使得识别的AP值提高了8.5％，然后又对网络增加了多层特征融合，使得网络在最后分类的时候使用到网络的前面的浅层特征，使得最后的分类与识别的效果更好，在前面改进的基础上，增加多层特征融合以后，网络的AP值提高了1.6％，最后得到的改进后的网络的AP值相比于原始网络的AP值提高了10.1％，从80.5％提高到90.6％，检测的速度相比原始网络有略微的下降，但是精度得到大幅度的提升。
-
公开(公告)号：CN109685128A
公开(公告)日：2019-04-26
申请号：CN201811546155.X
申请日：2018-12-18
Applicant: 电子科技大学
IPC: G06K9/62
CPC classification number: G06K9/6223 , G06K9/6256
Abstract: 本发明公开了一种MB-kmeans++聚类方法及基于其的用户会话聚类方法，属于数据挖掘技术领域。本发明的聚类方法，首先采用平均距离最远原则选取k个初始聚类中心，然后基于当前随机选择的子集合对k个聚类中心进行位置的迭代更新处理，直到质心稳定或者达到最大迭代次数，最后再基于最终的聚类中心对待聚类数据进行k聚类处理，得到聚类结果。本发明的聚类处理方法能适应高维度稀疏矩阵的处理，在较大数据量的情况下能显著缩短处理时间。本发明的用户会话聚类方法为：在基于原始日志数据获取到各用户会话之后，对其进行优化处理：对庞大的页面维度进行缩减，对用户会话特征进行降维，再采用本发明的聚类方法进行聚类处理，得到具有相似访问行为用户。
-
公开(公告)号：CN115186089A
公开(公告)日：2022-10-14
申请号：CN202210810578.8
申请日：2022-07-11
Applicant: 电子科技大学
IPC: G06F16/34 , G06F16/35 , G06F16/215 , G06N3/04 , G06F40/30
Abstract: 本发明公开了一种基于核采样的摘要自动生成方法，使用UniLM模型，使得在理解原文时可以结合上下文的语义信息，语义理解效果更好；在生成摘要时，通过Mask机制单向生成，符合文本续写的逻辑；且UniLM模型通过多任务进行预训练，拥有更强的泛化能力。在UniLM进行解码时，采用核采样函数，根据核采样函数构造Mask矩阵，使得待生成的词语在有限的范围内随机采样生成，主要解决生成式摘要生成重复文本的问题。
-
公开(公告)号：CN111428031A
公开(公告)日：2020-07-17
申请号：CN202010200084.9
申请日：2020-03-20
Applicant: 电子科技大学
IPC: G06F16/35 , G06F16/335 , G06F16/36
Abstract: 本发明提供了一种融合浅层语义信息的图模型过滤方法，该方法包括：将中文指称输入指称扩展方法，得到精准完整的实体指称；将实体指称作为wiki搜索的关键字段放入中文维基百科知识库中，获得实体指称的候选实体列表；将候选实体列表输入融合浅层语义信息的图模型过滤方法中，得到过滤后的候选实体列表；将过滤后的候选实体列表存入数据库，为实体消歧模块做准备。本发明通过融合浅层语义信息计算候选实体和实体指称上下文相似度获得文本相似度作为过滤算法的权重因子，并利用基于图模型出入度算法计算候选实体相关度作为过滤算法的权重因子，最后融合两个权重因子得到综合得分对候选实体进行排列，降低了实体消歧误差。
-
公开(公告)号：CN113392842B
公开(公告)日：2022-08-05
申请号：CN202110621939.X
申请日：2021-06-03
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于点数据网络结构改进的点云语义分割方法。该发明可以进一步增强以PointNet++为代表的三维点云语义分割算法在不同应用场景下的性能。PointNet++网络利用了2层的点云编码结构和2层的解码结构来进行网络特征的提取，单个采样点最终聚合的空间点信息时不充足的，且PointNet++网络复用了大量的MLP网络结构，在网络训练模型的过程中，很有可能导致网络模型出现过拟合现象。本发明提出的基于点数据网络结构改进的点云语义分割方法，通过加深网络的层数，使网络深度增加，从而让编码过程中，点的信息学习更加有效，并在网络最后的全连接层部分引入Dropout层。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.017 seconds)
