-
公开(公告)号：CN118469002A
公开(公告)日：2024-08-09
申请号：CN202410662524.0
申请日：2024-05-27
Applicant: 哈尔滨工程大学
IPC: G06N5/022 , G06F40/242 , G06F40/30 , G06F16/36 , G06F18/214 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 基于独立嵌入的超关系知识图谱链接预测方法和系统，本发明涉及知识图谱链接预测领域,解决现有的限定词作为事件的补充信息，使用与三元组同样的表征会造成潜在的语义混淆等问题。所述方法包括：获取超关系知识图谱数据集并进行预处理，超关系知识图谱数据集中每一条数据代表一个超关系事件，包含三元组和限定词；对超关系事件中的每个实体和关系，分别构建两种不同的嵌入，并更新实体嵌入和关系嵌入，捕捉超关系事件中的综合交互特征，增强三元组中的关系嵌入；使用针对超关系事件的对比学习方法，联立链接预测任务损失和对比学习损失进行联合训练；将缺失实体的超关系事件输入到训练好的所述方法中，预测缺失实体的得分，根据得分选择缺失实体。
-
公开(公告)号：CN116910608A
公开(公告)日：2023-10-20
申请号：CN202310741073.5
申请日：2023-06-21
Applicant: 哈尔滨工程大学
IPC: G06F18/24 , G06F18/214 , G06Q10/04 , G06F16/29 , G06F16/2458 , G06F16/27 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/049 , G06N3/0442 , G06N3/08
Abstract: 一种基于时空门控图卷积网络的多源数据预测方法和装置及计算机和存储介质，涉及时空预测领域。解决现有的深度学习网络难以对多源数据做到快速精准的预测的问题，本发明提供一种基于时空门控图卷积网络的多源数据预测方法，所述方法包括以下步骤：S1：获取多源时序历史数据；S2：由S1所述多源时序历史数据进行数据预处理，得到所述预处理后的训练样本数据作为训练输入数据；S3：由S2所述的训练输入数据对时空门控图卷积网络模型进行训练，得到时空数据特征的预测值；S4：将所述预测值与真实值比较，得到基于时空门控图卷积网络模型的参数，所述装置采用所述方法实现，适用于多通道声呐发射机的研发过程中。适用于其他的时空预测任务中。
-
公开(公告)号：CN116881548A
公开(公告)日：2023-10-13
申请号：CN202310709833.4
申请日：2023-06-15
Applicant: 哈尔滨工程大学
IPC: G06F16/9535 , G06F16/9537 , G06F16/335 , G06F16/35 , G06F40/30 , G06N3/0455 , G06N3/0895
Abstract: 代理感知的跨域序列推荐方法、设备、介质和产品，属于信息处理技术领域，解决跨域序列推荐存在局限性而导致推荐准确度低问题。本发明的方法包括：使用代理编码器模块对每个物品的文本描述进行编码，以获得一个更普遍的表征，该表征用于跨域序列，通过揭示更高层次的语义互连来传递跨域共享信息；设计了一个时间间隔感知的注意力编码器模块，其中任何两个物品之间的顺序次序和相对时间间隔都被利用；为了更好地理解跨域序列中不同领域的物品之间的相关性，提出了一个对比学习的辅助任务模块，以加强对跨域序列的表述。本发明适用于处理信息过载问题，捕获用户动态偏好。
-
公开(公告)号：CN116644751A
公开(公告)日：2023-08-25
申请号：CN202310621806.1
申请日：2023-05-30
Applicant: 哈尔滨工程大学 , 哈尔滨龙明科技有限公司
IPC: G06F40/295 , G06N3/045 , G06N3/0895 , G06N3/094 , G06N3/084
Abstract: 基于跨度对比学习的跨域命名实体识别方法、设备、存储介质和产品，属于命名实体识别技术领域，解决领域偏移及跨度边界信息学习性能低的问题。本发明的方法包括：使用预训练语言模型、对抗训练、对比学习、KL散度等技术构建基于跨度对比学习的跨域命名实体识别模型，利用实体边界信息，将顺序标签转化为全局边界矩阵，完成跨度级别的对比学习以及KL散度的计算，模型在训练过程中不断更改其中相关参数，充分考虑到了实体边界信息，学习到更多领域不变性信息，大大提高了跨域命名实体识别的性能。本发明适用于跨域命名实体的识别。
-
公开(公告)号：CN116502164A
公开(公告)日：2023-07-28
申请号：CN202310447016.6
申请日：2023-04-24
Applicant: 哈尔滨工程大学 , 哈尔滨龙明科技有限公司
IPC: G06F18/2433 , G06F18/214 , G06F18/10 , G06N3/0464 , G06N3/047 , G06N3/094 , G06F123/02
Abstract: 基于对抗训练和频域改良自注意力机制的多维时序数据异常检测方法，解决模型的鲁棒性较差，容易收到外部干扰，从而导致检测结果的准确率下降；以及时序数据的频域特征没有被充分考虑，从而导致模型精度受限，分析结构不精准的问题。所述方法整体分为两个阶段：训练阶段和异常检测阶段。在训练阶段，需要利用历史采集到的数据训练模型，使得模型参数能够拟合对应的应用场景。在异常检测阶段中，在每个最新的真实数据产生的时候，模型需要重构出以最新的时间点为结尾的定长时间窗口长度的时序数据，来和原始的真实数据进行残差计算，根据真实数据与重构数据的残差大小来判断当前数据是否是异常数据。本发明适用于工业设备故障检测以及生产线运行状态检测和分析。
-
Patent Agency Ranking
公开(公告)号：CN116341003A
公开(公告)日：2023-06-27
申请号：CN202310281312.3
申请日：2023-03-21
Applicant: 哈尔滨工程大学 , 哈尔滨龙明科技有限公司
IPC: G06F21/62 , G06F16/901 , G06Q50/00
Abstract: 本发明公开了一种基于个性化采样随机响应图结构扰动算法的满足本地差分隐私的链接预测模型的构建方法、设备及介质，属于数据安全领域，解决了直接使用随机响应机制的图结构边密度膨胀，无法保留图上重要的社区特征，以及模型学习过程中的隐私泄露问题。该方法在用户和收集者之间设计了两轮交互，第一轮交互中，用户端使用个性化采样技术和随机响应机制扰动和其他用户间的链接关系并发送给收集者，收集者聚集所有用户发送的链接关系使用社区发现算法划分用户所属社区。第二轮交互中，用户端结合社区划分结果进行个性化采样随机响应然后发送扰动后的链接关系给收集者，收集者聚集所有用户发送的链接关系得到最终的图邻接矩阵。本发明适用于图隐私保护场景。
-
公开(公告)号：CN110928659B
公开(公告)日：2022-12-06
申请号：CN201911141458.8
申请日：2019-11-20
Applicant: 哈尔滨工程大学
Abstract: 本发明是一种具有自适应功能的数值水池系统远程多平台接入方法。本发明根据用户提交计算作业相关参数；根据计算作业的求解器类型和网格数量，推荐最优模式下所需的计算资源平台和节点核数，将计算作业放入就绪队列中；判断计算作业是否存在跨平台接入变化服务，数值水池平台系统自动解析集群作业调度策略，生成相应的执行脚本命令。将计算作业提交到本地集群，并根据最优计算核数分配计算节点。判断队列是否为空。本发明有效地解决了数值水池系统远程多平台接入问题，并能够针对计算作业量大小动态调整所接入的计算资源平台，针对数值水池系统用户实现了自适应接入方法，提高用户可操作性，增强用户体验。
-
公开(公告)号：CN115048215A
公开(公告)日：2022-09-13
申请号：CN202210569070.3
申请日：2022-05-24
Applicant: 哈尔滨工程大学
Abstract: 本发明属于船舶海上航行模拟领域，具体涉及一种基于混合压缩格式的对角矩阵SPMV在GPU上的实现方法。输入COO格式的船舶海上航行模拟矩阵数据文件，将其转化成传统矩阵形式；基于非零元个数的标准差最小策略，将矩阵划分为DIA矩阵和对角线偏移量数组；利用转化的矩阵中剩余的数据，利用基于分块策略的CSR方式进行存储；分别将DIA矩阵数据和CSR相关数据分别从主机端传递到设备端，按照每个线程处理一行的方式进行GPU并行SPMV操作；将两个阶段的计算结果从设备端传递到主机端，并在主机端进行整合，实现船舶海上航行的模拟。本发明用以提高船舶海上航行模拟的稀疏矩阵算法的计算效率。
-
公开(公告)号：CN112765229B
公开(公告)日：2022-08-16
申请号：CN202011563544.0
申请日：2020-12-25
Applicant: 哈尔滨工程大学
IPC: G06F16/2458 , G06F16/215 , G06F16/951 , G01N33/00 , G06N3/04 , G06N3/08 , G06Q10/06 , G06Q50/26
Abstract: 本发明公开了一种基于多层注意力机制的空气质量推断方法，属于环境空气质量监测领域。本发明将城市划分成大小相同的网格，每个网格的空气质量受到相邻网格区域的影响，为了推断未部署空气质量监测传感器区域准确的空气质量，利用待推断区域、待推断区域周围的网格区域以及已部署传感器区域的时序数据和非时序数据，通过多层注意力机制，自适应地对不同的站点、网格区域、历史时间片数据赋予不同的权值，大大提升模型对空气质量推断的精度。
-
公开(公告)号：CN114880550A
公开(公告)日：2022-08-09
申请号：CN202210344135.4
申请日：2022-04-02
Applicant: 哈尔滨工程大学
IPC: G06F16/9535 , G06Q30/06 , G06K9/62
Abstract: 本发明提出一种融合多方面时域信息的序列推荐方法、设备和介质。本发明考虑三种时域信息来提高序列推荐的性能，构建融合多方面时域信息的序列推荐模型，模型包含三个部分，每一部分利用一种多粒度时域信息生成下一个用户可能感兴趣的物品表示。所述模型具体包括绝对时间模块，相对物品时间间隔模块和相对推荐时间间隔模块。三个模块经过有效的融合生成最终用户下一时刻感兴趣的物品表示，从而大大提高序列推荐性能。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.062 seconds)
