-
公开(公告)号：CN111274494A
公开(公告)日：2020-06-12
申请号：CN202010062726.3
申请日：2020-01-20
Applicant: 重庆大学
IPC: G06F16/9536 , G06F16/9538 , G06F16/955 , G06F40/284 , G06N3/04 , G06N3/08
Abstract: 本发明涉及结合深度学习和协同过滤技术的复合标签推荐方法，包括如下步骤：从目标软件信息站点收集历史软件项目，进行预处理得到规范化描述的矩阵；建立TagDC-DL模型和TagDC-CF模型，将所有规范化描述的矩阵作为输入，分别得到所有标签的多标签可信度列表和基于相似度的置信概率列表，利用线性加权模块得到每个标签的最终置信概率列表；给定新的软件项目，先进行预处理再输入上述两个模型，计算新的软件项目中每个标签的最终置信概率列表，通过得到的最终置信概率列表中的概率值进行排序，概率值最大的N个标签则为推荐标签。该方法利用软件项目之间的语义相似性及其自身的深层语义特征可获得更准确的标签推荐。
-
公开(公告)号：CN103984756B
公开(公告)日：2017-04-12
申请号：CN201410234156.6
申请日：2014-05-29
Applicant: 重庆大学
Abstract: 本发明提供了一种基于半监督概率潜在语义分析的软件变更日志分类方法，该方法结合了先验知识所确定的单词字典，并根据单词与单词之间的概率相关性、单词与变更日志类别之间的概率相关性、以及软件变更日志自身与变更日志类别之间的概率相关性，客观地对软件变更日志进行分类，避免了依据词频特性的权重值进行软件变更日志的分类，使得分类的准确性得以提升，有效地解决了现有技术中因人为设定权重值导致软件变更日志分类存在误差、准确性较低的问题。
-
公开(公告)号：CN106021115A
公开(公告)日：2016-10-12
申请号：CN201610395767.8
申请日：2016-06-06
Applicant: 重庆大学
IPC: G06F11/36
CPC classification number: G06F11/3684
Abstract: 本发明涉及基于概率的无监督缺陷预测方法，包括如下步骤，S1获取度量元阈值，使用每个度量下源代码类的度量元值的中位数作为阈值；S2度量元值与阈值的差值概率化；S3聚类，计算所有度量元下每个文件的概率之和，具有相同值的类归为一类；S4标记，如果某类文件所对应的概率合大于等于L，则将该类文件标记为有缺陷，否则标记为无缺陷，从而将所有类标记为有缺陷和没有缺陷的两类。本发明方法使用概率表示类存在缺陷的可能性，不同度量元值得到的概率不同，保留类存在缺陷可能性大小的信息。在标记的过程中，根据数据集中缺陷的分布特点，选取合适的临界值进行标记。在避免信息丢失的同时，选择合适的标记临界值，提高了缺陷预测的性能。
-
公开(公告)号：CN119094449B
公开(公告)日：2025-05-13
申请号：CN202411089778.4
申请日：2024-08-09
Applicant: 重庆大学
IPC: H04L47/125 , H04L47/762 , H04L47/783 , H04B7/185
Abstract: 本发明涉及一种基于深度确定性策略梯度算法的卫星互联网资源调度方法，该方法首先提出了一种基于TEG的星上SFC分流机制。其次，在TEG分流模式下，建立了流量守恒约束，并结合资源容量约束和流速非负性约束，构建了SFC的最小流速率最大化模型。然后，由于流量工程问题属于连续动作，因此采用基于DDPG的SFC流量工程方法对该问题进行求解。仿真结果表明，TEG分流机制可以有效提升最小流速率，并且与基准方法比较，所提方法的性能更优，且收敛速度优于基准方法。
-
公开(公告)号：CN119166211B
公开(公告)日：2025-05-02
申请号：CN202411320547.X
申请日：2024-09-23
Applicant: 重庆大学
IPC: G06F8/73 , G06F18/22 , G06N3/0985 , G06N3/088 , G06N3/0455
Abstract: 本发明涉及一种基于大模型数据增强的项目域代码摘要自动生成方法，该方法包括项目相似度数据增强、项目域元学习微调、项目域代码摘要生成。首先通过对比学习构造正负样本从函数粒度的源代码中计算代码相似度分数并基于项目相似度计算生成项目域增强数据，其次通过元学习技术进行项目域微调，通过项目域子任务来学习多元项目特征信息，以保证对项目域中增强数据的噪声的抗噪性能，最后目标项目域数据上进行微调，将步骤二的元学习模型参数嵌入目标域任务以整合项目域数据信息，使用解码器进行代码摘要生成。本发明能够通过与代码预训练模型相结合来增强代码摘要方法在处理少样本项目域数据信息方面的能力，从而提高代码摘要生成的性能和效率。
-
Patent Agency Ranking
公开(公告)号：CN119621122A
公开(公告)日：2025-03-14
申请号：CN202411709424.5
申请日：2024-11-27
Applicant: 重庆大学
Abstract: 本发明公开了一种基于大模型的代码智能任务性能提升方法，完成对低质量输入的动态修复。包括：输入数据x正常传递给目标深度代码模型，得到输出与概率信息，计算PPL、STOS、SMOS、AUC四种评估指标分数；利用梯度提升树，通过四种评估指标识别出需要修复的低质量输入xlow；使用Jaccard相似度进行检索，寻找k个与低质量输入xlow相似的代码示例#imgabs0#按照生成范式与选择范式构建提示#imgabs1#输入LLM进行低质量输入的修复；通过LLM返回的概率信息PLLM(x)计算困惑度，自适应选择Repairgen和Repairsel中置信度最高的输出作为修复的结果。
-
公开(公告)号：CN119094449A
公开(公告)日：2024-12-06
申请号：CN202411089778.4
申请日：2024-08-09
Applicant: 重庆大学
IPC: H04L47/125 , H04L47/762 , H04L47/783 , H04B7/185
Abstract: 本发明涉及一种基于深度确定性策略梯度算法的卫星互联网资源调度方法，该方法首先提出了一种基于TEG的星上SFC分流机制。其次，在TEG分流模式下，建立了流量守恒约束，并结合资源容量约束和流速非负性约束，构建了SFC的最小流速率最大化模型。然后，由于流量工程问题属于连续动作，因此采用基于DDPG的SFC流量工程方法对该问题进行求解。仿真结果表明，TEG分流机制可以有效提升最小流速率，并且与基准方法比较，所提方法的性能更优，且收敛速度优于基准方法。
-
公开(公告)号：CN119091159A
公开(公告)日：2024-12-06
申请号：CN202411212596.1
申请日：2024-08-30
Applicant: 重庆大学
IPC: G06V10/44 , G06V10/20 , G06N3/0464 , G06N3/126 , G06V10/30 , G06N3/0455 , G06N3/006
Abstract: 本发明涉及工件检测技术领域，尤其是一种基于语言模型的缺陷定位方法及系统，包括：S100、获取工件表面的图像并进行预处理；S200、将预处理后的图像数据输入初步定位模型中，得到初步定位结果；S300、根据CNN提取的图像特征生成语义描述；根据根据初步定位结果查询历史图像，根据CNN提取历史图像特征生成目标语义描述；S400、将语义描述转化为语义向量，将目标语义描述转化为目标语义向量；S500、对语义向量进行优化；S600、通过优化后的语义向量确定工件缺陷的位置，得到当前定位结果，将当前定位结果与初步定位结果进行比较得到最终位置。本发明的方法可以提高工件缺陷检测的效率和准确性。
-
公开(公告)号：CN117556037A
公开(公告)日：2024-02-13
申请号：CN202311572311.0
申请日：2023-11-23
Applicant: 重庆大学
IPC: G06F16/34 , G06F18/214 , G06F18/213 , G06F18/25 , G06N3/0455 , G06N3/0464 , G06N3/042 , G06N3/08 , G06F8/30 , G06F8/36 , G06F8/41 , G06F8/73 , G06N3/0442
Abstract: 本发明涉及一种基于单词替换策略的用于代码汇总的多模态摘要生成方法，包括三个基本阶段:特征表示、特征学习和复合解码器。在初始阶段，将方法名、令牌、AST、CFG和DFG等代码特征与其各自的位置信息合并，然后嵌入以派生代码表示向量。在第二阶段，将方法名和标记向量输入到交叉注意机制中。同时，从结构组合图SCG中得到的结构侧特征向量通过图‑注意机制进行处理。通过特征学习可以得到两个精炼的特征向量。最后，将两个增强的特征向量与代码摘要相结合，提供给复合解码器进行训练，得到所需的最终代码摘要。
-
公开(公告)号：CN117093496A
公开(公告)日：2023-11-21
申请号：CN202311149037.6
申请日：2023-09-07
Applicant: 重庆大学
IPC: G06F11/36 , G06F21/57 , G06V10/776 , G06V10/82 , G06N3/10 , G06N3/0464
Abstract: 本发明公开了一种面向深度神经网络模糊测试的测试用例自动生成方法，包括如下步骤：基于被测试的DNNg，确定g中每个神经元fi对应的topk个激活图xj，突出显示每个激活图xj对应的掩模mj；集成掩模mj到池化函数pooling中，得到poolingc(mj，gl(xj))；基于池化函数pooling合并神经元fi的注释向量a；基于注释向量a，分别解码两个概率p(d|a)和p(d)；基于改进积分梯度选定重要神经元；由所选神经元检索对应的自然语言描述d(fi)，结合g预测topk伪标签装配模板tori和tmut；使用语言‑图像预训练模型向量化模板得到eori和emut；设置阈值τ，基于相似度sim(eori，emut)与阈值τ的比较结果对生成的变异测试用例进行过滤或者保留。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.024 seconds)
