-
公开(公告)号：CN116155753A
公开(公告)日：2023-05-23
申请号：CN202211503918.9
申请日：2022-11-28
Applicant: 同济大学
IPC: H04L41/147 , H04L41/16
Abstract: 本发明公开了一种基于两阶段注意力机制的软件定义网络流量预测方法，其包括，对流间自适应特征进行提取；对进行特征提取后的向量，结合编码阶段LSTM进行编码；根据特征提取后的向量，结合时间注意力方法捕获流内长期依赖关系，根据捕获的向量，结合解码阶段LSTM进行非线性部分的预测；根据特征提取后的向量，结合线性自回归方法进行线性预测；根据非线性部分的预测结果和线性部分预测结果，计算目标OD对的流量最终预测结果。本发明在应对高度动态的SDN流量变化时有较大优势，流间注意力机制能够实现自适应特征提取，流内注意力机制能够捕获长期依赖关系，线性自回归模块能够使预测方法在高度动态的SDN流量出现局部极端变化的情况下仍有较好的效果。
-
公开(公告)号：CN112541866B
公开(公告)日：2022-09-13
申请号：CN202011326185.7
申请日：2020-11-24
Applicant: 同济大学
Abstract: 一种基于进化式生成对抗网络的人脸图像修复模型，分为两部分：第一部分具有匹配器的生成式对抗网络，用于对输入的人脸图像进行修复。以待修复的人脸图像与对应的掩码图像作为生成器的输入，生成器修复后的图像作为判别器与匹配器的输入，首先由判别器判别整张图像后，再由匹配器修复局部图像，实现整张图像的高清修复。第二部分神经进化，用于进化形成性能优异的生成器模型。判别器将判别结果反向传播至生成器，判别结果作为选择Heuristic变异或Minimax变异更新生成器参数的依据，当生成器每变异迭代更新T次，执行交叉操作以生成新的子代生成器个体，直至产生具有最优的图像修复性能的生成器个体。实现生成器性能的进化，实现真实合理的人脸图像修复效果。
-
公开(公告)号：CN113127632B
公开(公告)日：2022-07-26
申请号：CN202110533278.5
申请日：2021-05-17
Applicant: 同济大学
IPC: G06F16/34 , G06F40/211 , G06F40/30
Abstract: 本发明公开了一种基于异质图的文本摘要方法及装置、存储介质和终端，其中方法包括：将预设知识库与目标文本进行知识融合，获取目标文本的单词特征和句子特征，基于单词特征和句子特征构建目标文本的文本异质图；基于边权重和注意力权重，通过图注意力网络对文本异质图进行更新，获取更新版文本异质图；计算更新版文本异质图中句子向量的多类摘要指标，并根据每个句子向量对应的多类摘要指标计算对应句子向量的分类权重；基于句子向量的分类权重分别对更新版文本异质图中的句子特征进行加权，并基于加权后的句子特征获取对应的句子标签，根据获取的句子标签生成文本摘要。本发明更直接的方式是将句子和单词分别作为两类节点构建异质图，使用单词节点作为句子的中介，丰富句子间的关联并间接传递信息。
-
公开(公告)号：CN103324700B
公开(公告)日：2017-02-01
申请号：CN201310229229.8
申请日：2013-06-08
Applicant: 同济大学
IPC: G06F17/30
Abstract: 本发明涉及本体学习领域，特别涉及到基于Web信息的本体概念属性学习方法。本发明的技术方案是以Web作为语料库，构建语言模式并作为Google搜索引擎的查询集合，进行网页片段和对应的源网址URL提取，以构建候选概念属性词库；根据候选词的URL构建文本集作为LDA的输入，采用Gibbs抽样的方法来获取LDA模型的训练参数，根据LDA模型的运行结果修剪和合并属性候选库，确立最终的概念属性词集。本发明能够更加准确有效地获取本体中的概念属性集合，从而使得自动或半自动构建本体成为可能。
-
公开(公告)号：CN113127632A
公开(公告)日：2021-07-16
申请号：CN202110533278.5
申请日：2021-05-17
Applicant: 同济大学
IPC: G06F16/34 , G06F40/211 , G06F40/30
Abstract: 本发明公开了一种基于异质图的文本摘要方法及装置、存储介质和终端，其中方法包括：将预设知识库与目标文本进行知识融合，获取目标文本的单词特征和句子特征，基于单词特征和句子特征构建目标文本的文本异质图；基于边权重和注意力权重，通过图注意力网络对文本异质图进行更新，获取更新版文本异质图；计算更新版文本异质图中句子向量的多类摘要指标，并根据每个句子向量对应的多类摘要指标计算对应句子向量的分类权重；基于句子向量的分类权重分别对更新版文本异质图中的句子特征进行加权，并基于加权后的句子特征获取对应的句子标签，根据获取的句子标签生成文本摘要。本发明更直接的方式是将句子和单词分别作为两类节点构建异质图，使用单词节点作为句子的中介，丰富句子间的关联并间接传递信息。
-
Patent Agency Ranking
公开(公告)号：CN112560438A
公开(公告)日：2021-03-26
申请号：CN202011364634.7
申请日：2020-11-27
Applicant: 同济大学
IPC: G06F40/211 , G06F40/30 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种基于生成对抗网络的文本生成方法，涉及文本生成领域，特别涉及到一种基于生成对抗网络的文本生成方法。本发明的技术方案是利用真实数据集中的文本数据得到能够引导网络的“真值”，以达到提高生成网络收敛速度的目的。该方法通过以余弦距离等衡量生成文本与真实文本间的距离，并将这部分距离添加到生成网络的目标函数中，使其在训练的过程中被逐渐优化。此外，本发明通过在输入层添加自注意力机制来改进判别网络的结构，使网络能够获得更加丰富的语义及上下文信息，优化判别网络的性能。本发明能够更加稳定地生成符合逻辑的文本数据。
-
公开(公告)号：CN112541866A
公开(公告)日：2021-03-23
申请号：CN202011326185.7
申请日：2020-11-24
Applicant: 同济大学
Abstract: 一种基于进化式生成对抗网络的人脸图像修复模型，分为两部分：第一部分具有匹配器的生成式对抗网络，用于对输入的人脸图像进行修复。以待修复的人脸图像与对应的掩码图像作为生成器的输入，生成器修复后的图像作为判别器与匹配器的输入，首先由判别器判别整张图像后，再由匹配器修复局部图像，实现整张图像的高清修复。第二部分神经进化，用于进化形成性能优异的生成器模型。判别器将判别结果反向传播至生成器，判别结果作为选择Heuristic变异或Minimax变异更新生成器参数的依据，当生成器每变异迭代更新T次，执行交叉操作以生成新的子代生成器个体，直至产生具有最优的图像修复性能的生成器个体。实现生成器性能的进化，实现真实合理的人脸图像修复效果。
-
公开(公告)号：CN107608953B
公开(公告)日：2020-08-14
申请号：CN201710609471.6
申请日：2017-07-25
Applicant: 同济大学
IPC: G06F40/289 , G06F40/30 , G06N3/08
Abstract: 一种基于不定长上下文的词向量生成方法。本发明涉及自然语言处理领域，特别涉及到基于不定长上下文的词向量生成方法。本发明的技术方案提出了一种不定长度的上下文划分策略和基于不定长上下文的词向量生成方法。这种策略利用标点符号把语料库划分成了长度不定，但语义完整的上下文。长度的不固定导致了传统的语言模型无法利用这种上下文生成词向量。为了应对这难题，本文结合卷积神经网络和循环神经网络设计了一个可以处理不定长上下文的语言模型F‑Model。经过实施结果分析，使用标点把语料库划分成语义完整的上下文可以提高词向量的质量。F‑Model具有良好的学习能力，实施得到的词向量蕴含丰富的语义和较好的线性关系。
-
公开(公告)号：CN111369035A
公开(公告)日：2020-07-03
申请号：CN202010095219.X
申请日：2020-02-14
Applicant: 同济大学
Abstract: 本发明提供一种基于图规划的服务封装方法、系统、介质及设备，所述基于图规划的服务封装方法包括：建立与用户操作相关的服务的数学模型；结合所述数学模型提供的信息确定所述服务在不同业务场景偏好下的服务质量；利用所述服务在不同业务场景偏好下的服务质量进行服务筛选，建立在不同偏好下的任务库；对不同的所述任务库进行任务匹配，确定任务关联集合；将任务关联集合、用户请求和偏好作为输入，进行服务组合。本发明提供了一种复杂业务服务组合封装以及其合理性分析方法，将服务在运行时的服务质量，加入到建模过程中，根据用户偏好对服务集合进行划分，通过一种改进的图规划服务组合算法，形成服务工作流，从而完成复杂业务的服务封装。
-
公开(公告)号：CN105243152B
公开(公告)日：2018-08-24
申请号：CN201510703353.2
申请日：2015-10-26
Applicant: 同济大学
IPC: G06F17/30
Abstract: 本发明涉及自动文摘领域，是一种基于图模型的自动文摘方法。本发明的技术方案是将LDA概率主题模型应用于句子间语义相关性的度量，改进句子相关性的度量效果，并提出了句子的主题相关度和位置敏感度的概念，使得文摘的生成更加合理有效。该方法首先通过训练LDA主题模型获得文档的主题概率分布和主题的单词概率分布，然后求出句子主题概率分布，将句子间的语义相似度度量有效的转换成了句子主题概率分布的相似性度量问题；然后使用句子作为节点，根据句子间的语义相似性并结合余弦相似性构建边，生成一个代表文档的文本图；接下来根据句子与文档的主题概率分布计算句子的主题相关度，根据句子在文档中的位置计算句子的位置敏感度等。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.019 seconds)
