-
公开(公告)号：CN117851566A
公开(公告)日：2024-04-09
申请号：CN202410016463.0
申请日：2024-01-04
Applicant: 杭州电子科技大学
IPC: G06F16/332 , G06F16/31 , G06F40/35 , G06F18/22 , G06F18/2413
Abstract: 本发明公开一种跨文件问答知识提取方法、系统及电子设备，涉及跨文件问答知识提取领域，该方法包括获取用户问题；利用嵌入函数将所述用户问题转换为用户问题嵌入向量；确定所述用户问题嵌入向量与每个专业知识文件的文件嵌入向量树的根节点的第一相似性向量；根据所有根节点的第一相似性向量，利用K‑近邻算法，确定多个相似向量树；根据所有相似向量树，利用K‑近邻算法，确定候选节点集合；根据所述候选节点集合，确定最优匹配节点集合；根据所述最优匹配节点集合，确定与所述用户问题对应的文件知识内容。本发明提高了跨文件问答知识提取的准确性。
-
公开(公告)号：CN116263715A
公开(公告)日：2023-06-16
申请号：CN202211658259.6
申请日：2022-12-22
Applicant: 杭州电子科技大学
IPC: G06F9/50
Abstract: 本发明公开了一种面向云原生智能排版服务的自动缩放系统及方法，系统包括主资源调度器：用于接收服务请求、判断当前集群资源是否充足并自动缩放以及服务请求的阶段性分发；从资源调度器：用于接收阶段性分发的服务请求、判断本地提供服务的容器内资源是否充足并自动缩放以及向主资源调度器反馈请求结果和资源使用情况。本发明利用规划算法对服务部署方式进行预测，利用搜索算法对服务部署方式是否会导致服务响应过长进行预测，在保证服务完成时效的同时合理高效使用云资源，本发明与部署的服务相结合，在已知微服务流程和预估的资源消耗及服务时长的条件下，对微服务进行针对性的自动化部署，同时考虑云资源的利用率，及时缩减或扩展云资源。
-
公开(公告)号：CN110379506B
公开(公告)日：2022-06-14
申请号：CN201910516177.X
申请日：2019-06-14
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种针对心电图数据使用二值化神经网络的心律不齐检测方法，本发明首先获取训练模型数据，在训练之前对数据进行预处理；构建一组全精度的卷积网络模型，并输入数据进行训练，对网络参数进行调整以获得较好的效果；参考获得的全精度模型，构建二值化网络模型，将数据输入进行训练，对模型参数进行微调，在训练中采用Stop‑BN的训练方法以提高训练效果；将已训练好的全精度模型作为老师模型，未训练的二值化模型作为学生模型，使用老师模型对学生模型进行蒸馏训练，以获得直接训练二值化网络更好的训练效果。本发明针对房颤进行鉴别，可有效减少运算内存与运算时间，训练的网络模型取得较优成果以降低二值化带来的精度损失。
-
公开(公告)号：CN111046740A
公开(公告)日：2020-04-21
申请号：CN201911123696.6
申请日：2019-11-17
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种针对人类动作视频基于全张量化循环神经网络的分类方法，本发明将全部视频文件先随机选取训练集和测试集，把每个视频文件按时间步读取成每一帧的形式保存成数组；往网络中输入当时时刻输入Xt和上一时刻隐含层状态Ht-1，生成当前时刻的隐含层状态Ht，将Ht与权重张量V爱因斯坦乘，得到的输出张量Ot，展开成向量形式，经过Softmax函数之后，得包含每个分类概率结果的向量yt；yt和当前时刻的标签值 进行损失计算，通过误差反向传播，修正权重张量；确定是否前部16帧输入，如果否则重新输入张量Xt，反之则作为输出；本发明使得网络模型的可适用性大大提升，可处理更加高维的数据，模型的通用性更强，适用于任意阶的数据。
-
公开(公告)号：CN119785267A
公开(公告)日：2025-04-08
申请号：CN202411927403.0
申请日：2024-12-25
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的立体全景视频舒适度预测方法。首先向志愿者随机播放立体全景视频，并收集志愿者的舒适度评分。然后获取立体全景视频对应的平面视图，从中提取视差信息、光流信息、空域信息和时域信息，对这些信息进行融合，作为评估样本，并将对应的舒适度评分作为评估标签。利用随机遮挡的平面图像，训练图像特征提取模型预测被遮挡的内容，完成预训练。再将评估样本输入预训练后的图像特征提取模型中，完成初步特征提取，再输入一个时序神经网络模型，得到立体全景视频的舒适度预测评分，与评估标签进行对比，优化图像特征提取模型与时序神经网络模型参数。使用优化后的网络模型进行立体全景视频的舒适度预测。
-
Patent Agency Ranking
公开(公告)号：CN118964636A
公开(公告)日：2024-11-15
申请号：CN202411146591.3
申请日：2024-08-20
Applicant: 杭州电子科技大学
Abstract: 本申请公开了一种任务变量因果图构建方法、装置、设备及介质，涉及因果发现领域，该方法包括：获取目标应用任务对应的变量集合和应用任务信息；变量集合包括若干变量；应用任务信息包括目标应用任务背景信息和变量信息；利用大语言模型，根据目标应用任务对应的变量集合和应用任务信息确定先验知识；利用蒙特卡洛树搜索方法，根据先验知识和数据独立性检验确定最佳因果图；最佳因果图中的节点与变量集合中的变量一一对应，最佳因果图中的边表示所连接的两个节点对应的变量之间的因果关系；最佳因果图用于下游任务的根本原因分析，本申请提高了因果图的准确率和下游任务的效果。
-
公开(公告)号：CN111709911B
公开(公告)日：2023-05-05
申请号：CN202010418981.7
申请日：2020-05-18
Applicant: 杭州电子科技大学
IPC: G06T7/00 , G06T7/11 , G06T7/187 , G06V10/26 , G06V10/50 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于神经网络的卵巢卵泡自动计数的方法，本发明将所有的数据图像采用随机种子的方式每次生成不同的训练集、验证集和测试集；通过神经网络的训练对网络参数进行不断的更新，并通过验证集的IOU进行验证从而保留网络模型的最优参数；将神经网络输出的预测图经过阈值化处理、噪声处理将预测图进行中的噪声去除并将图片转换成灰度图像；之后利用距离转换和分水岭算法将相互接触的卵泡分离开；最后用连通区域分析法统计卵泡的个数实现卵巢卵泡的计数功能。
-
公开(公告)号：CN114093512B
公开(公告)日：2023-04-18
申请号：CN202111251516.X
申请日：2021-10-21
Applicant: 杭州电子科技大学
IPC: G16H50/30 , G16H30/40 , G06T7/00 , G06T7/11 , G06T7/136 , G06T7/60 , G06V10/42 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/771 , G16B25/10 , G16B40/00 , G06V10/762 , G06V10/82 , G06N3/048 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于多模态数据和深度学习模型的生存预测方法。传统的病理图像生存预测方法只能关注部分病理信息，不能完全反应患者的肿瘤形态，并且会忽视基因突变等因素对肿瘤产生的影响，以往方法大多不能有效的将图像和基因表达数据结合起来进行分析。本发明采用大津阈值算法生存区分组织区域的二值图并据此采样切片图像；根据由ImageNet数据集预训练的ResNet‑50网络提取相关特征，并使用K均值算法对特征进行聚类。将基因表达谱数据使用最小角回归特征选择算法和得到基因特征，将数据输入到深度学习生存预测模型中获得患者生存风险的概率。本发明是一种比较适用于病理图像和基因表达数据且同时保证高准确性的方法。
-
公开(公告)号：CN115239528A
公开(公告)日：2022-10-25
申请号：CN202210830774.1
申请日：2022-07-15
Applicant: 杭州电子科技大学
IPC: G06Q50/20 , G06F16/9535
Abstract: 本发明涉及线上陪伴自习领域，为了解决如何匹配自习完成情况与当前用户相近的系统用户，从而让匹配自习的用户之间，相互促进，相互监督，本发明提出了基于自习完成指数的线上陪伴学习用户匹配方法，包括以下步骤：用户自习完成指数等级分初始化；对基于自习完成指数等级分的匹配等级分进行修正；在修正后的匹配目标自习完成指数等级分所在的等级分区间内，进行用户匹配；重复用户匹配和自习完成指数等级分持续修正；重复若干次匹配后，用户的自习完成指数等级分经过匹配修正后将趋向稳定，并得出用户的自习完成指数。
-
公开(公告)号：CN112908418A
公开(公告)日：2021-06-04
申请号：CN202110143746.8
申请日：2021-02-02
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于字典学习的氨基酸序列特征提取方法。本发明首先给定一种AAindex，每条氨基酸肽序列数据都可用P＝R1R2......RL表示,通过给定的AAindex，可将上述序列编码成PE＝E1E2......EL。其中Ei为氨基酸残基的Ri的属性值；接着，对肽序列使用n‑gram模型分解成单词并分割成不同长度的片段，之后对同一长度的片段聚类生成字典；最后将样本基于欧氏距离的词频学习字典的特征构成样本特征矩阵。本发明能够有效的对氨基酸序列进行特征提取，实现降维，得到氨基酸中潜在的规律，特征选择的结果对样本类别判定具有重要意义，有效提高样本类别判定的准确率。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.028 seconds)
