-
公开(公告)号：CN118886507A
公开(公告)日：2024-11-01
申请号：CN202410971948.5
申请日：2024-07-19
Applicant: 郑州大学
IPC: G06N5/04 , G06N5/022 , G06N3/042 , G06N3/0442 , G06F18/25
Abstract: 本发明涉及知识图谱技术领域，公开了一种基于图注意力网络的知识图谱推理方法。首先在构建关系子图时，保留每个节点的完整邻接关系，丰富节点的相邻语义信息，并且在图注意力网络中引入关系特征信息来更新节点的嵌入表示，得到子图的特征表示；然后建模关系子图的多条相邻关系路径，使用注意力机制汇聚关系路径特征信息，增强子图的表示能力；最后将关系子图特征表示和关系子图路径特征表示相结合，来预测实体对之间存在的关系。本发明能够有效的利用关系子图的特征信息，提高关系预测的准确率，具有更强的推理性能。
-
公开(公告)号：CN109846471A
公开(公告)日：2019-06-07
申请号：CN201910095803.2
申请日：2019-01-30
Applicant: 郑州大学
IPC: A61B5/0402 , A61B5/0472
Abstract: 本发明涉及一种基于BiGRU深度神经网络的心肌梗死检测方法，包括以下步骤：1)、数据预处理，采用中值滤波滤除原始心电信号中的基线漂移，采用巴特沃斯数字带阻滤波器滤除原始心电信号中的工频干扰，采用切比雪夫数字低通滤波器滤除肌电干扰；2)、心拍分割，通过二进样条小波变换检测R波峰值，进而计算RR间期及对QRS波群数据进行提取；3)、模型训练，通过BiGRU深度神经网络对检测的步骤2)中检测的波形进行深度学习分类；本发明具有心肌梗死准确检测分类、有效对心电信号进行深度学习分类的优点。
-
公开(公告)号：CN110074775A
公开(公告)日：2019-08-02
申请号：CN201910357864.1
申请日：2019-04-30
Applicant: 郑州大学
IPC: A61B5/0402 , A61B5/00
Abstract: 本发明涉及一种基于GA-ELM混合模型的急性心肌梗死定位方法，包括以下步骤：1)、信号预处理，通过中值滤波算法去除基线漂移，通过带阻滤波器去除工频干扰，通过低通滤波去除肌电干扰，通过切比雪夫数字低通滤波器去除肌电干扰信号，最终得到高质量的心电信号；2)、心搏分割，以DB6小波作为母小波，通过基于小波变换的检测算法对R波峰进行定位，以定位到的R波峰值点为基准点，向前向后分别选择250ms和400ms的原始采样数据作为特征向量；3)、模型训练，通过GA算法对ELM中随机选取的参数寻优，然后用得到的最优参数训练ELM网络，最后使用训练好的ELM网络定位心肌梗死；本发明不需要设置大量的网络训练参数，结构简单，训练速度快。
-
公开(公告)号：CN107871196A
公开(公告)日：2018-04-03
申请号：CN201610880495.0
申请日：2016-09-28
Applicant: 郑州大学
IPC: G06Q10/06
CPC classification number: G06Q10/06395 , G06Q10/06398
Abstract: 本发明公开了一种基于滑动任务窗的众包质量评估方法。随着互联网的发展，众包在商业、科研等领域都得到广泛的应用，但也面临着任务完成质量参差不齐的严峻挑战。本发明针对众包的质量评估问题，通过引入专业准确率的概念对工作者进行评估，实现了一种基于滑动任务窗的众包质量评估方法。首先，结合黄金标准数据法的思想，对工作者进行测试；然后，借鉴滑动窗口的原理，对众包任务进行滑动分窗；同时，所有工作者对所有任务进行独立投票；接着，对EM算法进行改进，在每一任务窗内对任务结果进行估计；最后，对估计结果进行整合，从而实现对众包任务质量的高效、准确、实时、动态评估。
-
公开(公告)号：CN110020636A
公开(公告)日：2019-07-16
申请号：CN201910303529.3
申请日：2019-04-18
Applicant: 郑州大学
Abstract: 本发明涉及一种基于异常特征值的室性早搏智能分析方法，包括以下步骤：1)、信号预处理，用小波滤波器对原始信号进行去噪处理，之后再通过斜率、幅度和宽度的数字分析来定位QRS复合波，最后再从完整的ECG信号中以R峰为中心进行分割提取单个心拍；2)、特征提取，选取QRS复合波面积、RR间期和QRS振幅矢量和作为特征参数用于分类器的输入；3)、模型训练，通过自助法重采样技术，从原始训练样本集中有放回地重复随机抽取k个样本生成新的训练样本集合，然后根据自助样本集生成M个分类树组成随机森林，根据分类树投票多少形成的分数确定新数据的分类结果；本发明具有心电信号中心率失常异常信号识别准确、分类精准的优点。
-
Patent Agency Ranking
公开(公告)号：CN106650920A
公开(公告)日：2017-05-10
申请号：CN201710088050.3
申请日：2017-02-19
Applicant: 郑州大学
Abstract: 本发明公开了一种利用基于单隐层前馈神经网络(SLFNs)的极限学习机(ELM)算法的心血管疾病(CVD)预测模型——ELPSO‑ELM混合智能算法预测模型。该算法通过五阶段连续变异方式，分别为Gaussian变异、Cauchy变异、Pg各维opposition‑based变异、Pg整体opposition‑based变异、DE‑based变异，建立增强领导粒子的粒子群算法(ELPSO)，以粒子群(PSO)算法的优化策略，对单隐层前馈神经网络(SLFNs)隐层单元参数进行优化，设计了ELPSO‑ELM混合智能算法预测模型。解决了传统模型纳入预测因子少、数据要求高的局限性。
-
公开(公告)号：CN110020636B
公开(公告)日：2022-10-04
申请号：CN201910303529.3
申请日：2019-04-18
Applicant: 郑州大学
Abstract: 本发明涉及一种基于异常特征值的室性早搏智能分析方法，包括以下步骤：1)、信号预处理，用小波滤波器对原始信号进行去噪处理，之后再通过斜率、幅度和宽度的数字分析来定位QRS复合波，最后再从完整的ECG信号中以R峰为中心进行分割提取单个心拍；2)、特征提取，选取QRS复合波面积、RR间期和QRS振幅矢量和作为特征参数用于分类器的输入；3)、模型训练，通过自助法重采样技术，从原始训练样本集中有放回地重复随机抽取k个样本生成新的训练样本集合，然后根据自助样本集生成M个分类树组成随机森林，根据分类树投票多少形成的分数确定新数据的分类结果；本发明具有心电信号中心率失常异常信号识别准确、分类精准的优点。
-
公开(公告)号：CN110688494A
公开(公告)日：2020-01-14
申请号：CN201910972726.4
申请日：2019-10-14
IPC: G06F16/36 , G06F16/383 , G06F16/2458 , G06Q10/06 , G06Q50/20
Abstract: 本发明实现了一种基于共词分析的知识子图综合评价方法，属于计算机技术与教育的交叉领域。知识子图评价是衡量知识图谱好坏的重要标准。在已有的工作中，存在人工参与过多以及评价质量不理想等问题。本发明结合众包思想，得到知识子图。在获取子图之后，主要通过将知识子图和完整的课程知识图谱进行对比，并且结合行为数据，对知识子图进行综合评价。本发明提出了具体的进行知识子图综合评价的方法，与传统同类知识子图评价方法相比，本发明的方法有较高的有效性与正确性，最终能得到准确率较高的评价。
-
公开(公告)号：CN107393313A
公开(公告)日：2017-11-24
申请号：CN201710787992.0
申请日：2017-09-04
Applicant: 郑州大学
Abstract: 本发明公开了一种基于人流量检测的智能交通灯控制系统，涉及一种智能交通技术领域。包括交通灯模块、人流量和机动车检测模块、人流量计数显示模块、报警模块和延时模块，此系统以红外传感器为核心，以STC89C52单片机为系统的基础控制器件，通过人行横道两侧设置的红外传感器监控到的人流量数据来自动控制交通灯以合适显示时长变化，在左转车道设置红外传感器通过检测是否有机动车辆报警以提醒行人注意安全。本发明公开的一种基于人流量检测的智能交通灯控制系统，有效地解决交通人群拥堵尤其是交叉口堵塞、行人和机动车碰撞的交通问题，具有良好的应用前景和意义。
-
公开(公告)号：CN118862875A
公开(公告)日：2024-10-29
申请号：CN202410972062.2
申请日：2024-07-19
Applicant: 郑州大学
IPC: G06F40/279 , G06F16/35 , G06F40/289 , G06F40/284 , G06F40/295 , G06F40/166 , G06F40/242 , G06N3/047 , G06N3/048 , G06N3/08
Abstract: 本发明涉及事件抽取领域，公开了一种基于预训练语言模型的中文事件抽取方法。首先，本发明提供一种基于预训练语言模型的事件抽取模型的构建方法：将事件抽取任务重新划分，并基于高质量预训练语言模型分别构建句级事件检测模型以及事件元素标注模型；其次，本发明提供一种基于预训练语言模型的事件抽取方法：通过句级事件检测模型对样本进行事件分类、通过事件元素标注模型对样本进行元素标注。本发明能够有效地在中文数据上进行事件抽取，并且通过多阶段数据增强，对当前事件抽取模型构建过程中因数据质量不足导致的过拟合问题进行了优化，提高事件抽取的准确度。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.014 seconds)
