-
公开(公告)号：CN114429135B
公开(公告)日：2024-08-20
申请号：CN202111545490.X
申请日：2021-12-16
Applicant: 哈尔滨理工大学
IPC: G06F40/30 , G06N3/094 , G06N3/0464 , G06N3/0442 , G06N3/047 , G06N3/045
Abstract: 本发明是一种基于对抗训练和多注意力的CNN‑BiLSTM方面情感分析方法。本发明涉及自然语言处理技术领域，本发明采集并预处理SemEval 2014的公开数据集，并对预处理后的数据按预设比例划分为训练集和测试集；对训练样本进行筛选，得到样本特征向量；利用对抗训练对输入的样本特征向量制造一个扰动，与最初的样本特征向量一起参加模型的训练，得到模型的输入层；结合卷积神经网络和长短时记忆网络，连接模型的输入层，得到模型的CNN‑BiLSTM层；利用Softmax函数对循环多注意层的输出结果进行分类，得到方面级情感分析模型；将测试集输入方面级情感分析模型中，得到情感分析结果。
-
公开(公告)号：CN114429135A
公开(公告)日：2022-05-03
申请号：CN202111545490.X
申请日：2021-12-16
Applicant: 哈尔滨理工大学
Abstract: 本发明是一种基于对抗训练和多注意力的CNN‑BiLSTM方面情感分析方法。本发明涉及自然语言处理技术领域，本发明采集并预处理SemEval 2014的公开数据集，并对预处理后的数据按预设比例划分为训练集和测试集；对训练样本进行筛选，得到样本特征向量；利用对抗训练对输入的样本特征向量制造一个扰动，与最初的样本特征向量一起参加模型的训练，得到模型的输入层；结合卷积神经网络和长短时记忆网络，连接模型的输入层，得到模型的CNN‑BiLSTM层；利用Softmax函数对循环多注意层的输出结果进行分类，得到方面级情感分析模型；将测试集输入方面级情感分析模型中，得到情感分析结果。
-
公开(公告)号：CN114722843A
公开(公告)日：2022-07-08
申请号：CN202111592088.7
申请日：2021-12-23
Applicant: 哈尔滨理工大学
IPC: G06F40/58 , G06F40/242 , G06N3/04 , G06N3/08
Abstract: 本发明提出了一种基于Transformer模型优化的神经机器翻译方法，建立翻译模型，获得WMT17中的News Commentary v12中的中英数据集，并对数据进行归一化处理；在翻译模型中引入句子结构信息，获取词向量，得到新的输入序列；利用融合位置信息和句法信息的序列对翻译模型进行训练，采用adam优化器进行优化迭代得到神经机器翻译模型；将测试集输入步骤S3优化的神经机器翻译模型，得到翻译结果；对翻译结果进行评价，结束翻译；使用BLEU值作为翻译模型的评判标准。该方法能够改善中英神经机器翻译的翻译准确率，提高翻译性能。
-
公开(公告)号：CN114722843B
公开(公告)日：2025-04-22
申请号：CN202111592088.7
申请日：2021-12-23
Applicant: 哈尔滨理工大学
IPC: G06F40/58 , G06F40/242 , G06N3/0455 , G06N3/08
Abstract: 本发明提出了一种基于Transformer模型优化的神经机器翻译方法，建立翻译模型，获得WMT17中的News Commentary v12中的中英数据集，并对数据进行归一化处理；在翻译模型中引入句子结构信息，获取词向量，得到新的输入序列；利用融合位置信息和句法信息的序列对翻译模型进行训练，采用adam优化器进行优化迭代得到神经机器翻译模型；将测试集输入步骤S3优化的神经机器翻译模型，得到翻译结果；对翻译结果进行评价，结束翻译；使用BLEU值作为翻译模型的评判标准。该方法能够改善中英神经机器翻译的翻译准确率，提高翻译性能。
-
公开(公告)号：CN114428853B
公开(公告)日：2024-09-13
申请号：CN202111535167.4
申请日：2021-12-15
Applicant: 哈尔滨理工大学
IPC: G06F16/35 , G06F40/289 , G06N3/0464 , G06F18/214 , G06N3/045 , G06N3/0442 , G06N3/084
Abstract: 本发明公开了一种基于深度学习的文本分类方法及系统，属于自然语言处理技术领域，其中，该方法包括：从互联网获取文本数据集，并划分为训练集和测试集；利用ALBERT技术将训练集转换为词向量；利用改进的深度学习算法对词向量进行特征提取，得到最优特征向量；利用Cross Entropy Loss函数改进Softmax算法的分类函数，以建立文本分类模型，利用数据集文本分类模型进行训练，得到文本分类预测模型；通过参数优化算法Adam对文本分类预测模型进行参数优化，得到最佳文本分类预测模型；将测试集输入最佳文本分类预测模型中得到分类预测结果。该方法解决了文本词向量缺少全局特征的问题，也极大改善了文本分类效果。
-
Patent Agency Ranking
公开(公告)号：CN114844701A
公开(公告)日：2022-08-02
申请号：CN202210477099.9
申请日：2022-05-03
Applicant: 哈尔滨理工大学
Abstract: 本发明是一种基于贝叶斯攻击图的网络入侵意图分析方法。本发明涉及网络安全技术领域，本发明为了保护重要的网络节点，针对攻击意图量化网络安全风险，给网络安全管理员提供安全策略支撑，提出了一种基于贝叶斯攻击图的网络入侵意图分析方法。首先，利用漏洞价值、攻击成本和收益3个评估指标计算出原子攻击概率，通过原子攻击概率得到静态可达概率和动态可达概率量化攻击图，构建基于入侵意图的风险分析模型；其次，利用构建的风险分析模型计算出每条攻击路径总体可达概率，预测可能的攻击路径；最后，从属性节点的可达概率和预测路径的总体可达概率两方面和其他文献的评估方法进行对比，验证本发明方法的优越性。
-
公开(公告)号：CN114795137A
公开(公告)日：2022-07-29
申请号：CN202210226958.7
申请日：2022-03-08
Applicant: 哈尔滨理工大学
IPC: A61B5/02 , A61B5/00 , G06F30/27 , G06K9/62 , G06F119/02
Abstract: 本发明公开了一种基于神经网络的脉象诊断系统，包括一个获取患者腕脉脉搏搏动数据的脉诊袖和一个基于神经网络的脉象诊断系统。其中脉诊袖的腕脉感受器，是患者腕部脉搏搏动数据获取设备，脉诊袖与计算机的脉象诊断系统链接，用于数据的传输，脉诊袖中置有传感器用于精准感受患者的腕部脉搏搏动数据。该诊断系统的核心技术包括：患者腕脉搏动信息数据的获取；患者腕脉搏动信息样本的划分；患者腕脉搏动信息的特征提取；基于神经网络的的患者脉象征型识别模型的构建。利用CSPDarknet53提取脉象搏动特征在验证集上构建脉诊识别模块，利用K‑means算法针对脉诊数据集重新聚类,得到精准、具代表性的脉象分型。
-
公开(公告)号：CN114726620A
公开(公告)日：2022-07-08
申请号：CN202210364993.5
申请日：2022-04-08
Applicant: 哈尔滨理工大学
IPC: H04L9/40 , H04L41/14 , H04L41/142
Abstract: 本发明是一种基于贝叶斯攻击图的SDN攻击意图分析方法。本发明涉及网络安全技术领域，本发明针对目前已有的软件定义网络(software‑definednetwork,SDN)安全预测方法中未考虑攻击代价以及控制器漏洞对SDN网络安全所产生的影响，提出了一种基于贝叶斯攻击图的SDN攻击意图评估方法。在利用PageRank算法求出设备关键度，并与漏洞价值、攻击成本、攻击收益以及偏好函数相结合构建攻击图，建立风险评估模型，来进行对入侵路径进行预测。实验结果表明，所提模型能更为准确的预测了入侵路径，有效地保证了安全预测的准确性，为控制器的防御提供了依据。
-
公开(公告)号：CN114428853A
公开(公告)日：2022-05-03
申请号：CN202111535167.4
申请日：2021-12-15
Applicant: 哈尔滨理工大学
IPC: G06F16/35 , G06F40/289 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的文本分类方法及系统，属于自然语言处理技术领域，其中，该方法包括：从互联网获取文本数据集，并划分为训练集和测试集；利用ALBERT技术将训练集转换为词向量；利用改进的深度学习算法对词向量进行特征提取，得到最优特征向量；利用Cross Entropy Loss函数改进Softmax算法的分类函数，以建立文本分类模型，利用数据集文本分类模型进行训练，得到文本分类预测模型；通过参数优化算法Adam对文本分类预测模型进行参数优化，得到最佳文本分类预测模型；将测试集输入最佳文本分类预测模型中得到分类预测结果。该方法解决了文本词向量缺少全局特征的问题，也极大改善了文本分类效果。
-
公开(公告)号：CN114819296A
公开(公告)日：2022-07-29
申请号：CN202210364310.6
申请日：2022-04-08
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种融合波动性的股票预测系统。通过python语言中的tushare模块获取股票的基本信息，其中包括：开盘价、收盘价、成交量等基本信息。本发明包括一个基于广义自回归条件异方差(GARCH)模型和一个基于长短期记忆神经网络(LSTM)模型。其中基于广义自回归条件异方差(GARCH)模型，用于对股票波动性的预测，将股票的基本信息作为输入，预测股票的波动性特征。基于长短期记忆(LSTM)神经网络模型，将股票的波动性特征和股票基本信息作为模型的输入，利用LSTM神经网络模型对股票的涨跌进行预测。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.024 seconds)
