-
公开(公告)号：CN108452841A
公开(公告)日：2018-08-28
申请号：CN201810123082.7
申请日：2018-02-07
Applicant: 浙江大学
Abstract: 本发明提供的一种Cu和Fe共改性的SSZ-13分子筛催化剂的制备方法，以硫酸铜(CuSO4·5H2O)、四乙烯五铵(TEPA)、亚铁氰化钾(K4[Fe(CN)6]·3H2O)、偏铝酸钠(NaAlO2)和硅溶胶(31.5％SiO2)为原料，采用一步水热法制备Fe/Cu-SSZ-13分子筛，分子筛中Cu和Fe的含量分别为1.5％～1.8％和0.4％～0.7％，SiO2/Al2O3比为9～15。Fe/Cu-SSZ-13分子筛催化剂制备工艺简单、成本低，具有优异的NOx脱除NH3-SCR催化性能。
-
公开(公告)号：CN107786874A
公开(公告)日：2018-03-09
申请号：CN201610712740.7
申请日：2016-08-24
Applicant: 浙江大学
IPC: H04N19/503 , H04N19/587 , H04N19/109 , H04N19/176
CPC classification number: H04N19/503 , H04N19/109 , H04N19/176 , H04N19/587
Abstract: 本发明提供了双向的帧内方向性预测方法和装置。本发明方法利用了编码块的纹理渐变性，解决了帧内预测的边界不连续性和帧内预测精度随预测像素与参考像素之间距离增大而降低等缺陷。本发明方法考虑了编码块残差的渐变特性，预测采用加权系数和预测像素与参考像素之间距离成指数关系，提升了帧内预测性能。本发明在提出双向帧内方向性预测方法的同时，还提出了相应的装置。
-
公开(公告)号：CN119294526A
公开(公告)日：2025-01-10
申请号：CN202411515271.0
申请日：2024-10-29
Applicant: 浙江大学 , 浙江邦盛科技股份有限公司
IPC: G06N5/04 , G06N5/022 , G06F16/31 , G06F18/23 , G06F16/34 , G06F16/36 , G06F16/3329 , G06F16/334 , G06N20/00 , G06N3/042
Abstract: 本发明公开了一种基于超图的金融问答检索增强生成方法及系统，所述生成方法包括：对预先存储于语料库中的文档分块处理，得到文本块；对文本块进行实体关系抽取，得到结点和边，根据结点和边得到结点集合和边集合；基于结点集合和边集合通过社区聚类检测算法构建超图，并利用大语言模型生成相应摘要；根据文本块、结点集合、边集合、超图以及摘要构建知识图谱；通过在构建的知识图谱上进行结点和超边的检索，生成最终答案。本发明使用检索增强生成方法来回答复杂金融问题，减少了大语言模型的幻觉现象，提高了回答的可靠性；保留源文本内容的拓扑结构；超边在不同层面对知识图谱有摘要表示，为大语言模型的上下文提供多维度的选择。
-
公开(公告)号：CN118015372A
公开(公告)日：2024-05-10
申请号：CN202410206692.9
申请日：2024-02-26
Applicant: 浙江大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06V10/44 , G06N3/08 , G06N3/0495 , G06N3/082
Abstract: 一种基于输入自适应神经网络架构的跨领域小样本图片分类方法和装置，其方法包括：收集用于预训练的大型图片数据集；搭建输入自适应神经网络架构；在大型图片数据集上预训练该神经网络，训练得到神经网络各层权重；在目标跨领域小样本图片分类任务上，去掉神经网络的全连接层并固定神经网络的权重，用逻辑回归方法在用于训练的跨领域小样本图片上训练，得到逻辑回归分类器的权重；训练好后输入用于测试的跨领域小样本图片到神经网络中，得到图片分类结果。其优点在于：该方法所使用的神经网络具备根据输入自适应调整权重的能力，并保留了卷积层的归纳偏差能力，避免使用大量训练数据，特别适用于跨领域小样本图片分类场景。
-
公开(公告)号：CN117522532B
公开(公告)日：2024-04-16
申请号：CN202410020501.X
申请日：2024-01-08
Applicant: 浙江大学
IPC: G06Q30/0601 , G06F18/214
Abstract: 本申请涉及一种流行度纠偏推荐方法、装置、电子设备及存储介质，其中，该流行度纠偏推荐方法包括：获取目标推荐模型，以最小化目标损失为优化目标，对所述目标推荐模型进行训练；其中，所述目标损失包括第一损失和第二损失，所述第一损失根据所述目标推荐模型的预测值和标签值确定，所述第二损失与目标矩阵的谱范数呈正相关，所述目标矩阵为用户表征矩阵与物品表征矩阵的转置之间乘积矩阵；通过训练后的所述目标推荐模型向用户推荐物品。通过本申请，降低了推荐模型对热门物品的偏好，缓解了推荐模型中普遍存在的流行度偏差问题。
-
Patent Agency Ranking
公开(公告)号：CN108337513A
公开(公告)日：2018-07-27
申请号：CN201710918918.8
申请日：2017-09-30
Applicant: 浙江大学
IPC: H04N19/159 , H04N19/593 , H04N19/176 , H04N19/182
CPC classification number: H04N19/159 , H04N19/176 , H04N19/182 , H04N19/593
Abstract: 本发明提供一种帧内预测像素生成方法和装置。首先根据当前块采用的帧内预测模式和该块中当前被预测像素的位置，确定该被预测像素按照方向性预测方式所得到的该被预测像素所对应的重建像素的位置；然后结合上述重建像素位置，再计算得到该被预测像素所对应的重建像素偏移量；重建像素位置加上重建像素偏移量作为该被预测像素的参考重建像素位置；或者，对重建像素偏移量进行指定亚像素精度的精度控制得到满足指定亚像素精度要求的近似偏移量；重建像素位置加上近似偏移量作为被预测像素的参考重建像素位置；最后拷贝上述参考重建像素位置的像素值作为所述被预测像素的预测值。本发明提出的方法和装置解决了跨投影面纹理偏转的问题。
-
公开(公告)号：CN117910572A
公开(公告)日：2024-04-19
申请号：CN202311716315.1
申请日：2023-12-13
Applicant: 浙江大学
IPC: G06N5/04 , G06N3/092 , G06N3/0985
Abstract: 一种基于端边云架构的神经网络多任务推理方法和装置，其方法包括：将用于推理的深度神经网络模型，数据集同步至本地、边缘、云设备；计算出每一层的输入张量大小以及每一层在不同设备上的推理时间；将模型切割成两个部分，计算神经网络在切割点前在本地推理的总时间，计算在切割点后在边缘或云设备上推理的总时间；多任务推理包含多个相同尺寸的推理任务，不同任务可以有不同的切割点；每个任务首先在本地运行至切割点，得到中间结果后发送至边缘或云设备上继续运行，得出最终的推理结果；同一设备同一时间只能运行一项任务，求解目标是所有任务完成总时间的最小值；训练深度强化学习模型，并应决定分割点、执行机器和执行顺序。
-
-
公开(公告)号：CN106789962A
公开(公告)日：2017-05-31
申请号：CN201611095301.2
申请日：2016-12-02
Applicant: 浙江大学
Abstract: 一种基于临界时间的网络污染抑制方法，包括以下步骤：(1)获取原始网络结构G的邻接信息，边的传播权值以及时延函数，并抽样生成n个激活图；(2)在步骤(1)得到的每个激活图中，对于每个污染源利用BFS生成CR树；(3)基于步骤(2)得到的CR树，计算每条边的传播能力；(4)根据每条边的传播能力，找到并切除传播能力最大的边，同时计算新图的每条边的传播能力；(5)重复步骤(4)，直到切除k条边为止。此时得到最终污染抑制方案。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.055 seconds)
