-
公开(公告)号：CN118733764A
公开(公告)日：2024-10-01
申请号：CN202410698500.0
申请日：2024-05-31
Applicant: 重庆大学
IPC: G06F16/35 , G06F16/36 , G06F18/241 , G06F18/2431 , G06N5/025 , G06N3/042 , G06N3/045 , G06N3/048 , G06N3/0499
Abstract: 本发明公开了一种基于提示学习的道路和综合管廊标准知识图谱细粒度实体分类方法，包括以下步骤：S1：采集数据，进行知识建模与数据标注；S2：根据训练数据训练模型，优化参数；S3：按标签本体结构中的路径对样本标签解码。能够在低资源的专业领域场景下，充分利用标签本体的层次结构和提示学习解决少样本问题的能力，使得模型的预测结果更加准确。
-
公开(公告)号：CN117953371A
公开(公告)日：2024-04-30
申请号：CN202410065457.4
申请日：2024-01-17
Applicant: 重庆大学
IPC: G06V20/10 , G06V10/44 , G06V10/80 , G06V10/771 , G06V10/764 , G06N3/045 , G06N3/0464 , G06N3/0985
Abstract: 本发明提出了一种基于空间变换网络和改进特征融合的园林虫害室外图像分类识别方法，包括以下步骤：S1，获取园林害虫图像；S2，利用害虫图像对网络模型进行训练优化，得到优化后的网络模型；S3，将待识别的图像输入优化后的网络模型中进行识别分类。本发明通过端到端的学习方式，实现对真实场景中室外园林害虫图像的自动深层次特征提取，消除了对人工参与的依赖。
-
公开(公告)号：CN118861228A
公开(公告)日：2024-10-29
申请号：CN202410831473.X
申请日：2024-06-26
Applicant: 重庆大学
IPC: G06F16/332 , G06F16/35 , G06F16/36 , G06F40/30 , G06F18/25 , G06N5/022 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/0499 , G06N5/04 , G16H50/20 , G16H50/70
Abstract: 本发明提出了一种基于Transformer和知识图谱增强的医疗自动问诊方法，包括：S1，将症状序列分别输入Transformer编码器和知识图谱编码器，从Transformer编码器得到序列上下文级嵌入表示，从知识图谱编码器得到实体级嵌入表示；S2，然后将序列上下文级嵌入表示和实体级嵌入表示进行交叉注意力融合，得到特征融合向量；S3，若检测到特征融合向量的序列尾部有症状预测令牌[S]，则进行症状预测，并执行下一步骤：若检测到特征融合向量的序列尾部有症状预测令牌[D]，则进行疾病预测，输出预测的疾病；S4，模型将症状预测的结果作为隐性症状插入到症状序列中，跳转执行步骤S1。本发明采用的Transformer模型依托于自注意力机制，Transformer模型能够高效地识别这些复杂的模式和关联，从而实现更为精确的症状预测。
-
公开(公告)号：CN118656674A
公开(公告)日：2024-09-17
申请号：CN202410764449.9
申请日：2024-06-14
Applicant: 重庆大学
IPC: G06F18/24 , G06N5/022 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/0455 , G06N3/048 , G06F18/22 , G06F40/279 , G06F16/35
Abstract: 本发明提出了一种基于知识图谱的综合管廊隐患风险预测方法，包括以下步骤：S1，获取异常监测数据类型序列，所述异常监测数据类型序列包括若干个类型标签；S2，将异常监测数据类型序列分别输入实体推荐网络和响应生成网络预测风险构件概率排名；S3，将实体生成网络与响应生成网络得到的风险构件概率进行加权求和，得到最终的风险构件概率。本发明提出应用综合管廊运维风险知识图谱、结合生成式模型，利用历史动态监测数据训练，根据输入的动态监测数据，推理生成风险分析结论，获取排名靠前的数个隐患风险。通过本发明方法能快速、准确地预测出管廊运维风险的风险类型，从而提供基于风险信息的运维决策支持。
-
-
-
Search Results
4
records
(took 0.012 seconds)
