-
公开(公告)号：CN105335161B
公开(公告)日：2018-08-24
申请号：CN201510775885.7
申请日：2015-11-13
Applicant: 华中师范大学
IPC: G06F8/40
Abstract: 本发明涉及应用领域中间模型进行转换的方法，提供一种能够直接将TASM时间抽象状态机模型转换为扩展NTA自动机的方法，以进一步帮助用户实现设计结论的验证。本发明方法的主要步骤如下：（1）建立基于TASM时间抽象状态机源模型结构和扩展NTA自动机目标模型结构的元模型。（2）创建TASM时间抽象状态机源模型到扩展NTA自动机目标模型的转换规则。（3）利用转换规则，实施TASM时间抽象状态机源模型到扩展NTA自动机目标模型的转换。
-
公开(公告)号：CN105335161A
公开(公告)日：2016-02-17
申请号：CN201510775885.7
申请日：2015-11-13
Applicant: 华中师范大学
IPC: G06F9/44
Abstract: 本发明涉及应用领域中间模型进行转换的方法，提供一种能够直接将TASM时间抽象状态机模型转换为扩展NTA自动机的方法，以进一步帮助用户实现设计结论的验证。本发明方法的主要步骤如下：（1）建立基于TASM时间抽象状态机源模型结构和扩展NTA自动机目标模型结构的元模型。（2）创建TASM时间抽象状态机源模型到扩展NTA自动机目标模型的转换规则。（3）利用转换规则，实施TASM时间抽象状态机源模型到扩展NTA自动机目标模型的转换。
-
公开(公告)号：CN111445153B
公开(公告)日：2023-04-14
申请号：CN202010243487.1
申请日：2020-03-31
Applicant: 华中师范大学
IPC: G06Q10/0639 , G06Q50/20 , G06F18/214 , G06F18/241
Abstract: 本发明属于教育测量及教育数据挖掘技术领域，公开了一种面向教育测量的客观试题属性模式估计与校正方法及系统，训练出监督度量学习的度量矩阵M1，使用该矩阵初步挖掘所有学习者的知识掌握情况；取部分数据作为训练集，训练出监督度量学习的度量矩阵M2，对新一道客观试题的属性模式进行估计，而后将该试题作为已知试题加入到基础客观试题中，直至估计出所有试题的属性模式；试题估计完毕后，选取一道试题进行属性模式校正，利用校正的客观试题属性模式挖掘所有学习者的知识掌握情况即学习者属性模式。本发明帮助教学人员更客观而详尽地分析试题组成，提高测试效度与信度，为学习者调整学习计划或采取针对性的补救措施提供依据。
-
公开(公告)号：CN110502636B
公开(公告)日：2022-12-02
申请号：CN201910796765.3
申请日：2019-08-27
Applicant: 华中师范大学
Abstract: 本发明属于教育数据挖掘技术领域，公开了一种面向主客观试题的联合建模及挖掘方法及系统，构建试题知识点层次矩阵，对主客观试题进行联合建模，并进行参数估计；结合知识点占比因子，挖掘学习者的试题掌握程度，并使用多分类神经网络映射到布鲁姆认知领域目标分类中，得到学习者试题掌握层次；对学习者试题得分进行预测，与已有的学习者作答信息进行对比，计算其标准差与平均绝对误差，以评估模型的有效性。本发明实现对客观试题与主观试题的联合建模，使得挖掘粒度更加精细化；本发明将知识点权重融入挖掘模型中，挖掘学习者在测试中的知识掌握程度与试题掌握程度；本发明为挖掘结果提供可支撑性的解释性信息。
-
公开(公告)号：CN110534101B
公开(公告)日：2022-02-22
申请号：CN201910797827.2
申请日：2019-08-27
Applicant: 华中师范大学
Abstract: 本发明属于语音取证技术领域，公开了一种基于多模融合深度特征的移动设备源识别方法及系统，首先提取测试数据MFCCs和GSV特征，将特征对应分割为多路，然后分别训练CNN并融合得到融合深度特征，随后使用训练好的深度残差网络进行判决，最后将各路短样本的判决结果采用投票法联合决策。本发明在训练GMM‑UBM模型时，根据语音数据音素和音调的特点对数据进行筛选，挑选出具有代表性的少量数据，即保证了模型的表征泛化性也降低了数据运算量，提高了建模了效率；本发明使用深度神经网络做有监督的训练提取深度特征，剔除特征数据中的冗余和干扰信息，精简了特征数据，提高了数据的表征性，也降低了数据的维度简化了计算量。
-
Patent Agency Ranking
公开(公告)号：CN112508334A
公开(公告)日：2021-03-16
申请号：CN202011233044.0
申请日：2020-11-06
Applicant: 华中师范大学
Abstract: 本发明属于智能教育技术领域，公开了一种融合认知特性及试题文本信息的个性化组卷方法及系统，首先利用认知诊断模型预测学习者在特定试题上基于认知水平的得分；然后利用循环神经网络模型预测学习者在特定试题上的基于文本信息的得分；然后基于得到的学习者基于认知水平、基于文本信息的预测得分构建概率矩阵分解目标函数，预测学习者在特定试题上的潜在得分；最后利用估计的学习者知识掌握向量与学习者增量知识掌握向量，计算KL散度，结合学习者在试题上的潜在得分，选取让学习者知识掌握趋势增加，且难度合适的试题组成个性化测试的试卷。本发明可根据测验目标与试题难度自定义组卷结果，极大增加了学习者自主学习的效率。
-
公开(公告)号：CN108766465B
公开(公告)日：2020-07-28
申请号：CN201810572178.1
申请日：2018-06-06
Applicant: 华中师范大学
Abstract: 本发明属于音频信号处理领域，公开了一种基于ENF通用背景模型的数字音频篡改盲检测方法及系统，对大量的原始语音信号进行信号预处理，得到信号中包含的电网频率ENF成分；提取ENF信号的相位谱波动特征，相位谱和频率谱拟合参数特征，进行ENF通用背景模型训练；对已知ENF‑UBM进行自适应，得到原始信号的ENF模型；经过评分系统的处理，量化模型匹配度为分数标量；在监督学习条件下，绘制出ROC曲线，找到EER；根据EER的值计算正反例的分界值。本发明建立了原始语音信号ENF的通用背景模型，经过自适应过滤掉了大量与篡改特性无关的特征，并且其中的自适应部分还可目标数据库自行调整，具有较好的鲁棒性。
-
公开(公告)号：CN108831443B
公开(公告)日：2020-07-21
申请号：CN201810664855.2
申请日：2018-06-25
Applicant: 华中师范大学
Abstract: 本发明属于数字音频数据处理技术领域，公开了一种基于堆叠自编码网络的移动录音设备源识别方法，先提取纯净语音片段的RASTA‑MFCC特征训练一个GMM‑UBM模型，然后再基于特定设备源的语音片段提取RASTA‑MFCC特征，进而调整GMM的参数，并提取特定设备源的语音片段的相关对数谱的特征；最后将提取到的特征用来训练深度自编码网络，达到自动识别分类的要求。本发明在司法、新闻、知识产权、科学发现等领域，可确认数字音频的来源，对数字音频资料的真实性、完整性进行验证。本发明在语音识别和说话人识别领域，可分别检测训练和测试语音的设备信道信息，建立训练和测试语音之间的信道映射函数，从而解决信道失配问题。
-
公开(公告)号：CN108806718B
公开(公告)日：2020-07-21
申请号：CN201810585686.3
申请日：2018-06-06
Applicant: 华中师范大学
Abstract: 本发明属于数字音频信号处理技术领域，公开了一种基于对ENF相位谱和瞬时频率谱分析的音频鉴定方法，对待测信号进行预处理，接着对ENF信号进行特征提取，分析ENF信号的相位谱和瞬时频率谱，提取ENF信号的相位谱波动特征，相位谱和频率谱拟合参数特征；通过判别相关分析DCA方法进行特征融合，最大化不同的特征集之间的相关性；最后应用深度随机森林对融合后的特征进行模型建构，训练好的模型进行迁移学习。本发明使用的特征级融合技术进行特征数据处理，降低了特征维数的同时提高识别差距，应用深度学习方法进行模型训练，大大提高了数字音频被动篡改检测的准确率。
-
公开(公告)号：CN108831506B
公开(公告)日：2020-07-10
申请号：CN201810662831.3
申请日：2018-06-25
Applicant: 华中师范大学
Abstract: 本发明属于涉及数字音频信号处理技术领域，公开了一种基于GMM‑BIC的数字音频篡改点检测方法及系统，使用GMM‑BIC方法代替了传统的SGM‑BIC用于数字音频篡改点检测，GMM的特性使得该方法可以表示更多的信息，对较长或者较短的语音段均有较好的表示效果；使用神经网络对拟合特征进行分类，得到更高的分类效果。本发明实现了数字音频篡改定位的自动化，自适应性好；针对相隔较近的拼接篡改点和使用各种噪声对篡改点进行掩饰的篡改操作，具有很强的鲁棒性；为数字音频篡改点检测的准确性和自动化提出了一种广泛性的算法。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.028 seconds)
