-
公开(公告)号：CN119623638A
公开(公告)日：2025-03-14
申请号：CN202411715694.7
申请日：2024-11-27
Applicant: 西北工业大学
IPC: G06N5/04 , G06N3/0455 , G06N3/096
Abstract: 本申请属于人工智能技术领域。本申请提供一种语言模型辅助的儿童成长陪伴对话系统的构建方法。本公开实施例结合儿童认知发展理论数据，针对儿童进行认知特点分析，设计儿童认知数据集内容框架，并构造融合儿童认知发展理论的指令微调数据，对指令微调数据进行数据处理和标准化，以构建儿童成长陪伴数据集。选取大型语言模型为语言模型辅助的儿童成长陪伴对话系统的基座模型，利用LoRA微调方法，基于儿童成长陪伴数据集对大型语言模型进行指令微调，并对训练后的大型语言模型部署网页界面，以提升大型语言模型在儿童成长陪伴领域的对话性能，同时能够向用户提供可视化对话交互界面。
-
公开(公告)号：CN119319563A
公开(公告)日：2025-01-17
申请号：CN202411482409.1
申请日：2024-10-23
Applicant: 西北工业大学
Abstract: 本发明公开了一种空地协同自适应跟踪方法。该方法包括：大语言模型接收目标用户发送的自然语言的提示词，并将自然语言的提示词发送至空中机器人和地面机器人，其中，自然语言的提示词为目标用户发现目标机器人所产生的；观测编码器获取空中机器人和地面机器人基于自然语言的提示词确定的目标频率的目标环境信息，并将目标频率的目标环境信息分别传输至大语言模型模块和强化学习模块。本发明解决了现有的空地协同跟踪方法，未充分利用空中和地面机器人的互补优势、未提高空地机器人的智能性，使空地机器人未能在动态环境中开展复杂的工作，导致空地协同跟踪方法跟踪不准确的技术问题。
-
公开(公告)号：CN117668288A
公开(公告)日：2024-03-08
申请号：CN202311558183.4
申请日：2023-11-21
Applicant: 西北工业大学
IPC: G06F16/732 , G06F16/78 , G06V10/40 , G06N3/04
Abstract: 本公开实施例是关于一种基于层次化视觉注意力的富语义视频对话生成方法。该方法包括：将输入视频分割成若干个视频片段；分别提取视频片段的画面特征、运动特征和提取视频片段的多维音频特征；并处理得到视频‑音频特征；注意力记忆单元逐个分析输入问题的单词，得到词嵌入向量；通过注意力记忆单元对词嵌入向量、输入问题和视频‑音频特征进行精细化调整，以生成针对输入问题的对话回复。本公开实施例通过将视觉和语言的注意力机制引入到对话生成过程中，实现了对视频和语言的联合建模。针对用户所提问题，对视频的不同区域进行不同程度的局部注意力分配，同时结合历史对话上下文信息，从而可以生成语义更加丰富、更具连贯性的对话内容。
-
公开(公告)号：CN116455909A
公开(公告)日：2023-07-18
申请号：CN202310298786.9
申请日：2023-03-24
Applicant: 西北工业大学
IPC: H04L67/1023 , H04L67/101 , G06F9/445 , G06F17/10
Abstract: 本发明公开了一种动态可组合的情境自适应移动边缘计算方法，将端到端深度模型的部署过程解耦为计算单元预分割和深度神经网络(Deep Neural Networks，DNN)原子组合与任务卸载两个阶段。首先基于最细粒度将深度模型进行预分割，并设计时延收益函数对候选分割点进行过滤，仅保留可以带来正时延收益的分割点，这些预分割后的深度模型计算单元被定义为预分割的DNN原子；然后在运行时支持最优预分割DNN原子组合的高效选择；最后以最小的额外开销卸载DNN原子至对应边端设备，完成深度模型部署任务全过程。本发明能使用户尽快获得时延收益同时最小化额外的卸载消耗。
-
公开(公告)号：CN116149181A
公开(公告)日：2023-05-23
申请号：CN202211717515.4
申请日：2022-12-29
Applicant: 西北工业大学
IPC: G05B13/04
Abstract: 本发明涉及一种面向微控制器平台的深度学习模型情境自适应压缩方法，首先，基于轻量化压缩结构块装载和电压频率调整设计，搭建起深度学习模型及其所处智能应用的结构压缩和运行模式的自适应联合策略空间。接着，感知微控制器动态情境上下文——包括用户情境和资源情境。最终，在策略搜索空间内利用带约束多目标优化思想求解方案，对深度学习模型及其所处智能应用进行情境自适应的结构压缩和运行调优。本发明方法将感知动态情境上下文，并利用轻量化压缩结构块装载和电压频率调整，联合生成对应情境下深度学习模型及其所处智能应用的压缩和运行方案，增效模型于微控制器的部署和动态自适应能力。
-
Patent Agency Ranking
公开(公告)号：CN112085195B
公开(公告)日：2022-09-23
申请号：CN202010920846.2
申请日：2020-09-04
Applicant: 西北工业大学
Abstract: 本发明提供一种基于X‑ADMM的深度学习模型环境自适应方法，聚焦深度学习模型硬件资源消耗巨大，且不能根据动态环境变化实现自适应演化问题。为了解决深度学习模型根据环境动态演化的问题，我们提出了X‑ADMM(X Alternating Direction Method of Multipliers)模型。我们将感知深度学习模型的硬件资源变化，综合使用模型压缩和模型分割的方法处理深度学习模型结构。通过这种方法，模型完成对动态环境的自适应。通过实时感知上下文的环境变化，为模型结构改变提供约束。这能够大幅度降低深度学习模型的资源消耗并实现模型结构的动态自适应。
-
公开(公告)号：CN113627593A
公开(公告)日：2021-11-09
申请号：CN202110891657.1
申请日：2021-08-04
Applicant: 西北工业大学
Abstract: 本发明涉及一种面向目标检测模型Faster R‑CNN的自动量化方法，涉及深度神经网络的量化和基于深度学习的强化学习领域。具体过程为：遍历目标检测模型Faster R‑CNN，获取可量化网络层的索引，利用一个十维向量为每一层可量化的网络构建状态，创建目标检测模型Faster R‑CNN的存储资源查询表，评估未量化时目标检测模型Faster R‑CNN的准确率，利用基于深度学习的强化学习方法搜索最佳的量化策略，对量化后的目标检测模型Faster R‑CNN再训练。该方法解决了传统的基于规则的启发式量化算法需要大量的人力工作为网络的每一层设计最佳的量化位宽的问题。同时为了加快量化策略的搜索速度，将量化后模型所需的存储资源融入到搜索过程中，跳过不必要的搜索，从而提高搜索速度。
-
公开(公告)号：CN112085195A
公开(公告)日：2020-12-15
申请号：CN202010920846.2
申请日：2020-09-04
Applicant: 西北工业大学
Abstract: 本发明提供一种基于X‑ADMM的深度学习模型环境自适应方法，聚焦深度学习模型硬件资源消耗巨大，且不能根据动态环境变化实现自适应演化问题。为了解决深度学习模型根据环境动态演化的问题，我们提出了X‑ADMM(X Alternating Direction Method of Multipliers)模型。我们将感知深度学习模型的硬件资源变化，综合使用模型压缩和模型分割的方法处理深度学习模型结构。通过这种方法，模型完成对动态环境的自适应。通过实时感知上下文的环境变化，为模型结构改变提供约束。这能够大幅度降低深度学习模型的资源消耗并实现模型结构的动态自适应。
-
公开(公告)号：CN111754639A
公开(公告)日：2020-10-09
申请号：CN202010523233.5
申请日：2020-06-10
Applicant: 西北工业大学
IPC: G06T19/00
Abstract: 本发明一种情境敏感的网络空间虚拟机器人塑造方法，所述方法包括：构建情境敏感模型：所述构建情境敏感模型用于识别输入的用户的周围环境，提取所述用户的情境信息；构建虚拟机器人形象塑造模型：所述虚拟机器人形象塑造模型用于输入所述提取出来的用户的情境信息，塑造适合所述输入情景信息的虚拟机器人形象；联合所述情境敏感模型和所述虚拟机器人形象塑造模型，输出具有情景敏感能力，根据情景切换形象的网络空间虚拟机器人形象。其能够有效解决虚拟机器人对于情境无反应，只能与用户被动交流的问题，同时加入了目标域转换的方法，解决虚拟机器人形象的变化问题。
-
公开(公告)号：CN119347755A
公开(公告)日：2025-01-24
申请号：CN202411482403.4
申请日：2024-10-23
Applicant: 西北工业大学
IPC: B25J9/16
Abstract: 本发明涉及一种需求驱动的空地协同鲁棒跟踪方法，属于异构机器人协同自适应跟踪领域。在空地协同自适应跟踪的过程中，空地机器人的决策策略会受到自身需求和目标需求的影响，通过借鉴ERG需求理论，能够让空地机器人自主预测目标策略，并依据其制定相应的策略。在此ERG需求机理的基础上，当目标改变其逃跑策略时，空地机器人仍然能够实现精准地预测目标意图策略，最终空地机器人团队能够在目标策略改变的情况下实现鲁棒准确地跟踪。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.027 seconds)
