-
公开(公告)号：CN117831784A
公开(公告)日：2024-04-05
申请号：CN202410020811.1
申请日：2024-01-08
Applicant: 湖南大学
IPC: G16H50/70 , G16H50/20 , G16H50/30 , G06N3/0442 , G06N3/045 , G06N3/084 , G06N3/096 , G06F18/15 , G06F18/214 , G06F18/21 , G06F18/25 , G06F18/2415 , G06N3/048 , G06F123/02
Abstract: 本发明公开了一种脓毒症多器官功能障碍预测模型结构，将时序数据和非时序数据进行有效整合，使得模型能够充分挖掘患者的病情信息，实现对脓毒症多器官功能障碍的准确预测；然后，本发明提供了脓毒症多器官功能障碍预测模型的训练方法，为了提高模型的性能和泛化能力，本发明还引入了迁移学习方法，利用源域数据集进行预训练，然后在医院数据集上进行微调和验证，以得到最终训练好的脓毒症多器官功能障碍预测模型。本发明能够解决现有脓毒症多器官功能障碍预测模型由于样本量不足以支持复杂模型的训练，导致训练得到的脓毒症多器官功能障碍预测模型在源域数据上表现良好、但在目标域上泛化能力较差的技术问题。
-
公开(公告)号：CN110928705B
公开(公告)日：2023-09-22
申请号：CN201910977383.0
申请日：2019-10-15
Applicant: 湖南大学
Abstract: 本发明公开了一种面向高性能计算应用的通信特征模型方法，包括以下步骤：步骤一、提取应用通信特征；步骤二、分析通信特征；步骤三、建立通信特征模型；步骤四、扩展分析。本发明还提供了一种面向高性能计算应用的通信特征模型系统。本发明的有益效果如下：基于HPC综合应用环境的多层次、多手段数据采集方法对应用通信特征提取，利用多元线性回归模型，建立应用通信特征模型，精确预测典型高性能应用在E级计算下的通信行为特征；对高性能计算的应用做通信特征模型的建立，能够更快的找出程序的性能瓶颈，高效优化程序，提升了计算效率，更能合理的使用资源。
-
公开(公告)号：CN115878188A
公开(公告)日：2023-03-31
申请号：CN202310132475.5
申请日：2023-02-20
Applicant: 湖南大学
Abstract: 本申请公开了一种基于SVE指令集的池化层函数的高性能实现方法，其针对支持SVE指令集的Armv8、Armv9架构平台，采用interface接口‑driver驱动‑kernel汇编核心代码三层代码设计框架，使用循环展开，汇编级别流水线指令重排，SIMD向量化指令，双向循环展开等技术手段，实现了汇编级别的优化手段，并且提供了多线程的接口和可用于多线程的逻辑实现来获取线程化的优化。面对NHWC数据类型的池化操作,解决了编译器无法获得最佳性能的问题，提高了硬件的性能表现，与传统形式NHWC深度优先的池化相比,在x86上创建的Armv8.2虚拟机上仍可以达到2.67倍加速比。
-
公开(公告)号：CN114328921A
公开(公告)日：2022-04-12
申请号：CN202111613756.X
申请日：2021-12-27
Applicant: 湖南大学
IPC: G06F16/35 , G06F40/216 , G06F40/289 , G06K9/62 , G06N20/00
Abstract: 本发明公开了一种基于分布校准的小样本实体关系抽取方法，其假设特征向量中的每个维度都遵循高斯分布，并观察到相似类通常具有相似的特征表示均值和方差。因此，高斯分布的平均值和方差可以在类似的类别之间传递。同时，当有足够的样本时，可以更准确地估计统计数据。因此，重用来自多个类的分布统计量，并根据它们的类相似性可以更好地校准少数类的分布统计量，根据校准后的分布统计量可以生成更多的样本。本发明的有益效果：使提取的特征更丰富；可以减少分散偏度，能够让特征向量分布更接近高斯分布；大大减少了由于数据过少引起的过拟合问题，通过数据增强实现了关系抽取准确度的提高；能够极大地提高模型的泛化能力。
-
公开(公告)号：CN114090954A
公开(公告)日：2022-02-25
申请号：CN202111311588.9
申请日：2021-11-08
Applicant: 湖南大学
Abstract: 本发明公开了一种基于FT‑2000+的整数矩阵乘法内核优化方法，包括如下步骤：步骤一、根据输入和输出矩阵数据长度的不同，对子函数的设计内容加以区分；步骤二、基于指定目标，同时结合飞腾2000+体系结构，确定计算内核规模及内核寄存器分配策略；步骤三、确定矩阵分块策略；步骤四、根据步骤三汇总确定的分块策略，确定矩阵数据重排策略，得到优化后的FT‑2000+的整数矩阵乘法内核。本发明基于飞腾2000+处理器对GEMM函数进行研究与优化，结果表明本专利实现的GEMM对比当前主流的径源BLAS库与数学计算库，计算速度有明显提升。
-
Patent Agency Ranking
公开(公告)号：CN110162400B
公开(公告)日：2021-01-26
申请号：CN201910421598.4
申请日：2019-05-21
Applicant: 湖南大学
Abstract: 本发明公开了一种复杂网络环境下实现MAS系统中智能体合作的方法，包括：获取复杂网络拓扑图，从复杂网络拓扑图中确定多个初始关键节点，获取每个初始关键节点的追随节点数量，按照追随节点数量的大小将所有初始关键节点进行排序，并对排序结果进行筛选，筛选结果构成初始关键节点集合，对得到的初始关键节点集合中的每个关键节点，将其和复杂网络拓扑图中所有与其连接、且不在初始关键节点集合中的节点组成初始联盟，所有初始联盟作为当前联盟构成当前联盟集合。本发明不仅能够根据拓扑结构上的关键节点形成相关的合作联盟，并且能够根据动态拓扑结构的改变对当前联盟进行调整，从而形成新的更高合作水平的联盟以带来更高的合作效率。
-
公开(公告)号：CN111564186A
公开(公告)日：2020-08-21
申请号：CN202010216234.5
申请日：2020-03-25
Applicant: 湖南大学
Abstract: 本发明提供一种基于知识图谱的图卷积药物对相互作用预测方法，包括：提取药物对数据样本，生成含训练集、验证集和测试集的数据集；构建数据集对应的知识图谱；建立GCN药物对相互作用预测模型，学习药物对中所含药物及其邻域的特征信息；将训练集的药物对数据样本输入到GCN药物对相互作用预测模型，训练GCN药物对相互作用预测模型；将训练结果优化损失函数后送入GCN药物对相互作用预测模型训练；经过迭代计算，完成GCN药物对相互作用预测模型的训练；将测试集中的药物对数据样本输入到GCN药物对相互作用预测模型得到测试结果；对所述测试结果进行分析得到预测结果。本发明提供的基于知识图谱的图卷积药物对相互作用预测方法及系统准确性高、训练耗时短。
-
公开(公告)号：CN110119317A
公开(公告)日：2019-08-13
申请号：CN201910426632.7
申请日：2019-05-22
Applicant: 湖南大学
Abstract: 本发明公开了一种基于遗传算法的云计算任务调度方法，包括：从客户端接收资源分配请求，根据资源分配请求为所有子任务随机生成概率矩阵λ，采用广度优先搜索算法对步骤(1)中的任务依赖关系图进行处理，从而得到多个子任务序列，依次将每个子任务序列中的每个子任务分配给概率矩阵中该子任务所属任务单元所在行的最大随机概率值所对应的物理机，进而形成父种群，计算每个物理机处理对应的任务单元的时间开销和能量开销，根据该时间开销和能量开销获取父种群中每个元素所对应的所有物理机的总时间开销和总能量开销，从而构成向量集合。本发明能解决现有云计算领域缺乏一种能同时实现降低云计算时间开销和云数据中心能耗的有效机制的技术问题。
-
公开(公告)号：CN109101584A
公开(公告)日：2018-12-28
申请号：CN201810812774.2
申请日：2018-07-23
Applicant: 湖南大学
IPC: G06F17/30
Abstract: 本发明提供了一种将深度学习与数学分析相结合的句子分类改进方法，该方法结合了深度学习和数学分析在处理句子问题中的优势，即长短时记忆网络(LSTM)能将句子中词的词序信息和上下文信息都考虑进去，反词频权重(AWF)能突出词在语料库中的统计特征，通过数学方法将原始向量表示S0减去S0在第一主成成分V1上的投影，得到改进后的句子特征向量表示S1，将S1作为softmax层的输入得到句子分类结果。将这些优势结合在一起，取长补短，有助于句子建模的可靠性得到更好的句子语义特征表示，从而提高句子分类的精度。同样也可用于文本(多个句子)建模的基础，有助于获得更好的文本(多个句子)分类方法。
-
公开(公告)号：CN108009013A
公开(公告)日：2018-05-08
申请号：CN201711418903.1
申请日：2017-12-25
Applicant: 湖南大学
Abstract: 本发明公开了本发明公开了一种针对分离约束背包问题(DCKP)的一种协同的并行邻域搜索方法。本发明采用基于MPI的并行计算模型,能够为并行编程提供灵活的消息传递。我们使用了一种分级的结构，上级线程类似于管理者，用来接收和分发从下级线程传递来的解信息。下级的各个处理线程通过上级联系起来，实现信息的交互。每个下级的处理线程都有不同的基本解和不同于其他线程的搜索策略，很好的实现了局部搜索的多样性，能帮助产生更优的解。另外我们的模型是健壮的，在处理中等规模和大规模实例都有很好的表现。
-
-
-
-
-
-
-
-
-
Search Results
63
records
(took 0.026 seconds)
