-
公开(公告)号：CN112464673A
公开(公告)日：2021-03-09
申请号：CN202011431776.0
申请日：2020-12-09
Applicant: 哈尔滨工程大学
IPC: G06F40/30 , G06F40/216
Abstract: 融合义原信息的语言含义理解方法，属于语言信息处理技术领域。为了解决现有的语言建模方法存在复杂度较高的问题和不能兼顾效果的问题。本发明所述方法首先将语言以每个单词为单位，按照两条路径进行处理；左路径：单词编码器+RNN+单词解码器，左路径输出记为wl；右路径：义原编码器+RNN+义原解码器+词语解码器+sigmoid，右路径输出记为wr；然后将两个路径的输出进行融合。主要用于语言含义理解。
-
公开(公告)号：CN112417760A
公开(公告)日：2021-02-26
申请号：CN202011309350.8
申请日：2020-11-20
Applicant: 哈尔滨工程大学
Abstract: 基于竞争混合网络的舰船控制方法，本发明涉及舰船控制方法。本发明的目的是为了解决现有舰船在复杂环境中控制精度低的问题。过程为：一、建立个体智能体网络模型；二、建立优势混合网络模型；三、建立状态值混合网络模型；四、将个体观测历史输入到个体智能体网络模型中得到个体优势值函数以及个体状态值函数；将个体优势值函数传给优势混合网络模型，优势混合网络模型输出联合优势函数值；将个体状态值函数传给状态值混合网络模型，状态值混合网络模型输出联合状态值混合值；通过将联合优势函数值与联合状态值混合值相加得到联合动作值函数。本发明用于舰船控制领域。
-
公开(公告)号：CN111865932A
公开(公告)日：2020-10-30
申请号：CN202010611789.X
申请日：2020-06-30
Applicant: 哈尔滨工程大学
Abstract: 基于上下文关联注意力机制和简化LSTM网络的入侵检测方法，涉及网络安全技术领域，针对现有技术中入侵检测系统检测准确率低的问题，由于网络入侵流量数据具有一定的时序性和特征冗余性，因此本发明采用上下文关联注意力机制(CCAM，Contextual Connection Attention Mechanism)和简化LSTM网络(SLSTM，Simplify Long Short-Term Memory Network)的入侵检测方法，不仅能够过滤或弱化检测数据的冗杂信息，增加数据的上下文联系，还能提取关键数据信息，提高训练速度，增强入侵行为检测的准确率。
-
公开(公告)号：CN111626343A
公开(公告)日：2020-09-04
申请号：CN202010403756.6
申请日：2020-05-13
Applicant: 哈尔滨工程大学
IPC: G06K9/62 , G06F40/295
Abstract: 一种基于PGM与PSO聚类的船舰数据关系抽取方法,涉及数据处理技术领域，针对现有技术中在构建面向知识图谱过程中关系抽取存在的船舰数据抽取准确率低以及效率低的问题，本发明用一个概率图模型来计算相似度分数，依据这个分数对不同候选对象之间的相似程度进行划分，以使实体对更好的进行匹配，使用灵活的相似度准则来消除实体匹配的歧义，可以抽取更多关系。对现有的聚类算法中的适应度函数进行了优化，增加了两个准则，不易局部最优解的情况，使其能够加速收敛，从而获得最优解，在构建面向知识图谱过程中关系抽取准确率以及效率高。
-
公开(公告)号：CN106227911B
公开(公告)日：2019-08-06
申请号：CN201610487736.5
申请日：2016-06-28
Applicant: 哈尔滨工程大学
IPC: G06F17/50
Abstract: 本发明属于数据可视化分析领域，具体涉及一种基于电路图元素隐喻的主题演化可视化方法。包括：数据预处理，对文本数据进行预处理，进行分词、去停词操作，将文本集合处理成词库；采用LDA算法对文本集合进行处理，抽取主题，并记录与主题对应的词、文本以及时间和地点信息；以焊盘图标隐喻主题中的词，即词盘，词盘采用空心饼图形式表示，表示在此时间段内此词所处的地理分布比例等。该方法主要能够展示主题的内容、主题的强度随时间的变化及主题与主题间的演化关系以方便用户对主题的演化过程进行分析，还可展示各时段内同一主题强度的地理分布。
-
Patent Agency Ranking
公开(公告)号：CN110046672A
公开(公告)日：2019-07-23
申请号：CN201910335224.0
申请日：2019-04-24
Applicant: 哈尔滨工程大学
Abstract: 一种基于半监督学习的银行电子渠道异常交易确定方法，涉及机器学习技术领域，为解决现有异常交易确定技术中存在难度大、效率低、准确性差的问题，本发明在隐马尔科夫模型、时间序列模型(ARIMA)建立账户级别的历史交易序列模型的基础上进一步整合优化，以HMM为基础结合半监督聚类学习预测异常交易行为。本发明通过半监督聚类学习将每个时间截面的交易数据转化为一个时序的向量，并利用半监督学习克服标签数据稀少的问题，利用HMM对每个人的交易向量拟合生成对应的模型，并将半监督学习与HMM结合从截面数据和时序数据两个角度提升异常识别的准确率。采用机器学习来解决异常交易确定的问题，与传统的专家法相比极大的降低了难度，提高了工作效率。
-
公开(公告)号：CN109977234A
公开(公告)日：2019-07-05
申请号：CN201910245584.1
申请日：2019-03-28
Applicant: 哈尔滨工程大学
Abstract: 一种基于主题关键词过滤的知识图谱补全方法，属于知识图谱领域。现有知识图谱补全方法的实体描述的文本内容复杂冗余，导致不能对某一特定的补全任务有针对性地进行补全的问题。一种基于主题关键词过滤的知识图谱补全方法，针对实体的描述信息复杂、冗余的问题，集合注意力机制。提出了主题关键词评分函数，对实体的描述进行评价提高了实体描述文本的可用性，解决描述文本存在大量噪音信息的问题。为了进一步反应实体描述与三元组的语义联系，通过主题语义空间模型提高实体描述的语义针对性。本发明通过文本过滤方法能够有针对性地完成特定补全任务。
-
公开(公告)号：CN109284662A
公开(公告)日：2019-01-29
申请号：CN201810766508.0
申请日：2018-07-12
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种面向水下声音信号分类的迁移学习方法，涉及机器学习技术领域；本发明将数据集之间的分布和领域之间的域不变性结合；在类别分类器部分，使用MMD算法去匹配两数据集间的分布差异，并通过对内核的数量以及覆盖范围进行改变，最小化两数据集之间的分布差异；而在域分类器部分，则利用梯度反转去阻止域分类器在误差反向传播阶段的梯度下降，最大化域分类器的分类误差，使分类器具有领域不变性。一种面向水下声音信号分类的迁移学习方法，以动态的调整两种方法在模型进行迭代训练过程中的重要程度。通过实验证明，本发明提出的迁移学习方法要优于传统的分类方法以及现有的迁移学习方法DAN和DSN，并且分类越复杂，效果越明显。
-
公开(公告)号：CN109189862A
公开(公告)日：2019-01-11
申请号：CN201810766488.7
申请日：2018-07-12
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种面向科技情报分析的知识库构建方法，属于计算机知识库构建领域。提出了CWATT-BiLSTM-LSTMd模型用于实体抽取、RL-TreeLSTM模型用于实体关系抽取。实体抽取采用编码-解码模式，BiLSTM(双向长短期记忆网络)用于编码，LSTMd(长短期记忆网络)用于解码，并且对嵌入层和解码层进行了改进，然后使用此模型对科技情报领域的语料进行实体抽取。在实体抽取的基础之上，基于强化深度学习的思想提出RL-TreeLSTM模型对实体之间的关系进行抽取。RL-TreeLSTM模型分为两个部分：选择器和分类器。选择器选择有效的句子传入分类器，以降低远程监督方法带来的噪音；分类器对有效句子进行实体关系抽取，提高关系抽取的准确率。
-
公开(公告)号：CN107168944A
公开(公告)日：2017-09-15
申请号：CN201710237926.6
申请日：2017-04-13
Applicant: 哈尔滨工程大学
IPC: G06F17/27
CPC classification number: G06F17/2715 , G06F17/277
Abstract: 本发明提供的是一种LDA并行优化方法。主要包括CO‑PLDA并行优化算法和基于高斯函数的词加权方法。通过采用齐普夫定律的通信优化策略和一种改进的词权重计算方法，在文本表示精度不受影响的前提下，提高文本的表示效率。本发明中提出的CO‑PLDA模型的计算时间和通信时间都要优于AD‑LDA，其中CO‑PLDA模型的通信开销约为AD‑LDA的20％，计算时间约为AD‑LDA的70％左右。可见，CO‑PLDA在不失文本表示精度的前提下，有效地提高了模型的文本表示效率，降低了模型并行的通信开销，同时也适当降低了模型的计算时间。通过实验证明了CO‑PLDA算法文本表示效果要比AD‑LDA更好。
-
-
-
-
-
-
-
-
-
Search Results
147
records
(took 0.033 seconds)
