-
公开(公告)号：CN216364262U
公开(公告)日：2022-04-26
申请号：CN202122615414.3
申请日：2021-10-28
Abstract: 本实用新型公开了一种中药分类、管理机器人，属于机器人领域。通过对盛药板的上安装盛药板倾斜电机控制系统实现了盛药板的倾斜，在盛药板的下方安装盛药板左右移动电机控制系统和盛药板前后移动电机控制系统实现盛药板的左右和前后移动，设置万向轮后可以实现多台中药柜的管理；通过将活动式中药柜装置的药盒推设置在置药盒的置药盒隔间后方，可以在平行四边形机构伸缩电机控制系统的作用下实现置药盒隔间的推出与收回，而且平行四边形机构一次控制三个置药盒隔间能提高主要效率。本实用新型提出的一种中药分类、管理机器人，通过可移动送药机装置和活动式中药柜装置简单的配合实现了药材的管理和分配，抓药效率高、抓药准确率高。
-
公开(公告)号：CN114734457A
公开(公告)日：2022-07-12
申请号：CN202210339816.1
申请日：2022-04-01
Applicant: 西安市红会医院(西安市骨科研究所)
Abstract: 本发明公开了一种医疗垃圾收集机器人及其使用方法，包括机械爪模块、机械臂模块、车体模块、运动机构模块和智能控制模块，机械爪模块与机械臂模块的顶端连接，机械臂模块置于车体模块上，车体模块置于运动机构模块上，智能控制模块由主控芯片和与使用者进行交互的控制器组成，使用者通过控制器向主控芯片发送控制指令，实现对医疗垃圾收集机器人的控制作业。通过设置机械爪的两级指节，相比单指节的手爪自由度更高，可以适应不同形状的垃圾抓取任务，同时设置喷嘴，在垃圾拾取时对其进行消毒处理，降低医疗垃圾的危害性。车身两侧装有太阳能光伏板，可以在日光充足的条件下充能，增加了机器人的作业持续性。
-
公开(公告)号：CN119691080A
公开(公告)日：2025-03-25
申请号：CN202411928491.6
申请日：2024-12-25
Applicant: 西安交通大学
IPC: G06F16/27 , G06Q50/00 , G06F16/901 , G06F18/213 , G06N5/022 , G06N20/00 , G06N3/045 , G06N3/048 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/098
Abstract: 一种去中心化信任关系协同预测方法及相关装置，包括：启动区块链系统并将公共安全参数和初始化模型发布在区块链上，在共识节点加载共识算法；利用本地数据构建本地的完整图，在本地图进行预训练得到用户特征提取与关系预测模型，获得用户节点的特征；基于公开知识建立公开图谱，公开图谱发送到区块链共识节点，进行对公开图谱的共识确认；输出最终的信任关系预测模型。本发明的一种基于联邦学习与图神经网络的去中心化信任关系协同预测方法，旨在解决传统信任评估方法在多源分布式场景中的局限性，并提升信任关系预测的准确性。
-
公开(公告)号：CN119597936A
公开(公告)日：2025-03-11
申请号：CN202411737967.8
申请日：2024-11-29
Applicant: 西安交通大学
IPC: G06F16/36 , G06F16/35 , G06F16/334 , G06N5/04 , G06N5/022 , G06N3/0455 , G06N3/08
Abstract: 本发明提供基于大模型零样本预测的科教资源关系预测方法及系统，包括：获取无标注科教资源数据，基于大模型的零样本预测和自检将无标注科教资源数据分为简单样本和困难样本，构成少样本训练集；通过人工对少样本训练集进行标注；根据不同的应用场景选择相应的大模型指令微调算法，在标注好的少样本训练集上进行模型的训练，得到训练好的模型；加载训练好的模型进行自动化的关系抽取，完成关系预测。通过获取无标注的科教资源数据，并利用大模型的零样本预测能力对这些数据进行初步处理。这避免了传统方法中对大量标注数据的依赖，使得在标注数据稀缺的科教领域也能进行有效的关系预测。
-
公开(公告)号：CN113077100B
公开(公告)日：2024-10-01
申请号：CN202110409484.5
申请日：2021-04-16
Applicant: 西安交通大学
IPC: G06F17/00
Abstract: 本发明公开了一种基于自动编码机的在线学习潜在退出者预测方法，包括：首先，将学习平台学习日志数据中的文本和非文本信息并进行预处理；其次，构建符合潜在退出者检测问题的深层网络结构，依据编码处理后数据的特征维数确定网络的输入、输出层的神经元个数；再次，基于所构建的深层网络结构，采用BP训练策略通过交叉验证训练在线学习潜在退出者检测网络；最后，利用网络的重构误差对学习者进行异常检测，识别出潜在退出者。本发明利用在线学习者的行为判断在线学习者的学习状态发现潜在退出者，为学生提供有效帮助与指导。
-
Patent Agency Ranking
公开(公告)号：CN113919485B
公开(公告)日：2024-03-15
申请号：CN202111216476.5
申请日：2021-10-19
Applicant: 西安交通大学 , 中国航天科工集团第二研究院
Abstract: 本发明公开了一种基于动态层级通信网络的多智能体强化学习方法及系统，方法包括：S100，编码当前时刻观测信息和历史信息，获得当前时刻观测特征和依赖特征，并进行预决策；S200，基于注意力机制，根据预决策信息与观测特征，获取依赖矩阵；S300，基于最小生成树算法，动态生成层级关系网络并进行选择性有向地通信，生成联合决策并与环境交互，收集经验数据；S400，基于线性值分解网络，为每个智能体分配状态‑动作值函数，更新智能体策略网络；S500，基于内在奖励机制，根据演员‑评论家框架更新层级网络参数。在该方法中，多智能体利用动态生成的层级通信网络进行选择性的观测信息和意图信息共享，基于条件状态‑动作值分解网络和内在通信奖励，减少环境的非稳态问题，并对联合策略及层级通信协议进行高效的学习和更新。
-
公开(公告)号：CN116861152A
公开(公告)日：2023-10-10
申请号：CN202310795131.2
申请日：2023-06-30
Applicant: 西安交通大学
Abstract: 本发明一种基于矩阵分解的税务数据安全图神经网络训练方法，包括：首先，对税务数据图的邻接矩阵部分利用外部服务器进行安全的特征值分解，并将获得的特征值分解结果分成多个部分，与特征向量矩阵做运算，生成多个可分发的邻接矩阵；其次，对税务数据图的特征矩阵部分，进行差分隐私；再次，税务数据拥有着通过参数服务器将分解后的邻接矩阵与差分隐私后的特征矩阵分发给各计算方进行模型训练；最后，计算方将计算结果返回给税务数据拥有者，经过参数服务器整合更新获得目标模型参数。本发明拓扑秘密分享及邻接矩阵特征值分解的方式，将原始税务数据进行了安全的分解，进而借助外部算力资源实现了对税务数据的高效分析建模，提高了分析效率。
-
公开(公告)号：CN113989553A
公开(公告)日：2022-01-28
申请号：CN202111243672.1
申请日：2021-10-25
Applicant: 西安交通大学 , 中国航天科工集团第二研究院
Abstract: 本发明公开了一种面向图像模式分类的基于含混样本密度估计的证据建模方法及系统，所述方法包括以下步骤：获取拼接后图像的一维向量图像特征；构建属于混合焦元的含混样本；基于构建获得的含混样本，估计出混合焦元在各属性上对应的概率密度函数和单点焦元的概率密度函数；基于获得的概率密度函数，求出待建模样本在每个焦元的概率密度函数上对应的概率密度值，将待建模样本在所有焦元上的概率密度值归一化生成基本信度分配函数。本发明能够直接生成混合焦元的BBA函数，可更直观地对混合焦元进行证据建模，且能够更有效地提升其应用于基于证据组合的图像识别分类时的性能。
-
公开(公告)号：CN113077100A
公开(公告)日：2021-07-06
申请号：CN202110409484.5
申请日：2021-04-16
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于自动编码机的在线学习潜在退出者预测方法，包括：首先，将学习平台学习日志数据中的文本和非文本信息并进行预处理；其次，构建符合潜在退出者检测问题的深层网络结构，依据编码处理后数据的特征维数确定网络的输入、输出层的神经元个数；再次，基于所构建的深层网络结构，采用BP训练策略通过交叉验证训练在线学习潜在退出者检测网络；最后，利用网络的重构误差对学习者进行异常检测，识别出潜在退出者。本发明利用在线学习者的行为判断在线学习者的学习状态发现潜在退出者，为学生提供有效帮助与指导。
-
公开(公告)号：CN112765358A
公开(公告)日：2021-05-07
申请号：CN202110201214.5
申请日：2021-02-23
Applicant: 西安交通大学
IPC: G06F16/35 , G06F40/117 , G06F40/289 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q40/00
Abstract: 一种基于噪声标签学习的纳税人行业分类方法，首先，提取纳税人行业信息中待挖掘的文本信息进行文本嵌入，并对嵌入后的信息做特征处理；其次,提取纳税人行业信息中的非文本信息进行编码处理；再次，构建符合纳税人行业分类问题的BERT‑CNN深层网络结构，依据处理后的特征信息和目标类别数来确定网络的层数、每层的神经元个数以及输入输出的维度；然后，依次通过对比学习、最近邻的语义聚类及自标签学习对构建的网络进行预训练；最后，在所构建的深层网络基础上增加一个噪声建模层，通过网络的自信任以及噪声标签信息对噪声分布进行建模，并基于噪声标签数据进行模型训练；最终，将噪声建模层前的深层网络作为分类模型，基于此模型进行纳税人行业分类。
-
-
-
-
-
-
-
-
-
Search Results
121
records
(took 0.053 seconds)
