-
公开(公告)号：CN118780987B
公开(公告)日：2025-05-06
申请号：CN202411267055.9
申请日：2024-09-11
Applicant: 烟台大学
IPC: G06T3/4053 , G06T3/4046 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及图像数据处理技术领域，尤其是涉及一种基于细节恢复的遥感图像超分辨重建方法及系统。方法，包括获取遥感图像；构建生成对抗网络模型，包括生成器和判别器；对生成器和判断器进行模型训练；利用生成器对遥感图像进行特征提取，生成重建图像；利用判别器对重建图像和遥感图像的高分辨率图像进行判别，得到判别结果；根据判别结果设定损失函数对生成器和判断器进行调优。通过采用动态密集残差块和动态卷积技术，它能显著提升图像的分辨率和细节，从而提供更清晰、更高质量的遥感图像。
-
公开(公告)号：CN119293649B
公开(公告)日：2025-03-21
申请号：CN202411832794.8
申请日：2024-12-13
Applicant: 烟台大学
IPC: G06F18/2415 , G06F18/214 , G06F18/10 , G06N3/042
Abstract: 本发明涉及海洋环境技术领域，尤其是涉及一种基于图神经网络的海洋环境鲁棒数据重建方法及系统。方法，包括获取海洋环境数据；对获取的海洋环境数据进行数据预处理；基于海洋环境数据中的地理位置信息的构建图结构；建立基于图神经网络的海洋环境鲁棒数据重建模型；利用海洋环境鲁棒数据重建模型对海洋环境数据识别，得到识别结果。本发明通过引入特征补全网络与去噪网络相结合的结构，模型能够在高噪声和特征缺失的海洋数据中自动学习深层次的关联关系，并通过动态注意力机制捕捉关键节点特征，有效提升特征表示的准确性和鲁棒性。
-
公开(公告)号：CN118799603B
公开(公告)日：2025-03-21
申请号：CN202411280700.0
申请日：2024-09-13
Applicant: 烟台大学
IPC: G06V10/762 , G06V10/82 , G06V10/44 , G06N3/0455
Abstract: 本发明涉及数据挖掘技术领域，尤其是涉及一种基于深度学习的不完全多视图聚类方法及系统。一种基于深度学习的不完全多视图聚类方法包括S1.获取跨视图训练集，包括完整数据集和不完整数据集；S2.构建聚类模型，包括编码器网络和解码器网络；S3.利用聚类模型对跨视图训练集进行特征提取和重构，并计算重构损失，对重构损失进行优化；S4.基于重构损失，分别利用完整数据集和不完整数据集对聚类模型进行训练；S5.利用训练好的聚类模型进行预测。本发明解决了对完整和不完整数据通过有效双层操作来提高聚类精度的问题。
-
公开(公告)号：CN119646691A
公开(公告)日：2025-03-18
申请号：CN202510173985.6
申请日：2025-02-18
Applicant: 烟台大学
IPC: G06F18/2431 , G06F18/2415 , G06F18/25 , G06F18/22
Abstract: 本发明涉及多模态情感分析技术领域，尤其是涉及一种基于双向翻译交互的超多模态情感分析方法及系统。方法，包括获取超多模态情感分析的历史数据样本和当前数据样本，包含图像、音频、文本、脑电和眼动共五种模态；将历史数据中的相似样本与当前数据样本进行加权融合，得到增强后的不确定模态缺失下的超多模态特征；将不确定模态缺失下的超多模态特征分别进行自注意力交互以提升各模态质量；将非脑电的四个模态进行拼接融合以及自注意力交互形成初始融合四模态，并通过多头注意力机制将脑电翻译为新的融合四模态；本发明通过将当前样本与相似样本进行加权平均融合，以增强各模态的质量。
-
公开(公告)号：CN118862950B
公开(公告)日：2025-03-07
申请号：CN202411364712.1
申请日：2024-09-29
Applicant: 烟台大学
IPC: G06N3/042 , G06N3/0464 , G06N3/045 , G06F18/20
Abstract: 本发明涉及故障诊断技术领域，尤其是涉及一种基于图结构联合优化的工业设备故障诊断方法及系统。方法包括获取原始设备数据集；根据原始设备数据集构建原始图结构；基于原始图结构提取两个基本视图，利用GCN计算基本视图的图节点嵌入，基于图节点嵌入重新计算图结构中边的概率；基于图结构中边的概率进行视图融合，得到初步优化后的视图；通过GAT网络处理融合视图，得到增强视图；本发明优化了传统故障诊断中遇到的预测精准度低和鲁棒性差等问题，从而显著提升了工业互联网设备的稳定性。
-
Patent Agency Ranking
公开(公告)号：CN118536678B
公开(公告)日：2025-02-18
申请号：CN202410993050.8
申请日：2024-07-24
Applicant: 烟台大学
IPC: G06Q10/04 , G06Q10/0631 , G06Q10/0639 , G06N3/006
Abstract: 本发明涉及群智感知和人工智能技术交叉领域，尤其是涉及一种考虑三方多目标的高维优化任务分配方法及系统。方法，包括获取众包工人和众包任务对应的属性集合；基于获取的属性集合构建多方场景的优化问题，包括构建平台利润的优化问题；建立工人收益最大化的优化问题；建立任务质量鲁棒性最大化的优化问题；建立请求者效益最大化的优化问题；采用改进的RVEA优化算法对多方场景的优化问题进行优化，得到优化结果。本发明提出的任务分配方法不论在分配效率和分配效用上都取得了更好的分配结果；其分配结果在服务质量以及分配的效率上都要优于其它的单目标优化算法得到的结果。
-
公开(公告)号：CN118760913B
公开(公告)日：2025-02-14
申请号：CN202411237176.9
申请日：2024-09-05
Applicant: 烟台大学
IPC: G06F18/23 , G06F18/25 , G06N3/0895 , G06N3/0455
Abstract: 本发明涉及深度学习技术领域，尤其是涉及一种基于特征融合和标签对齐的多模态聚类方法及系统。方法，包括获取多视图样本数据和真实聚类标签；构建多视图对比学习神经网络模型；利用多视图样本数据对多视图对比学习神经网络模型进行训练，得到训练好的多视图对比学习神经网络模型；利用训练好的多视图对比学习神经网络模型对多视图样本数据进行特征提取，通过计算损失来优化模型输出的标签质量，得到多视图聚类模型；通过自我监督的方法有效地嵌入特征学习和标签学习任务到一个单一的框架。这种方法比两阶段深度多视图聚类方法更简单、更快，而且它还有效地利用了视图特定的信息来协助视图共识语义的生成。
-
公开(公告)号：CN119293649A
公开(公告)日：2025-01-10
申请号：CN202411832794.8
申请日：2024-12-13
Applicant: 烟台大学
IPC: G06F18/2415 , G06F18/214 , G06F18/10 , G06N3/042
Abstract: 本发明涉及海洋环境技术领域，尤其是涉及一种基于图神经网络的海洋环境鲁棒数据重建方法及系统。方法，包括获取海洋环境数据；对获取的海洋环境数据进行数据预处理；基于海洋环境数据中的地理位置信息的构建图结构；建立基于图神经网络的海洋环境鲁棒数据重建模型；利用海洋环境鲁棒数据重建模型对海洋环境数据识别，得到识别结果。本发明通过引入特征补全网络与去噪网络相结合的结构，模型能够在高噪声和特征缺失的海洋数据中自动学习深层次的关联关系，并通过动态注意力机制捕捉关键节点特征，有效提升特征表示的准确性和鲁棒性。
-
公开(公告)号：CN118841979A
公开(公告)日：2024-10-25
申请号：CN202411311278.0
申请日：2024-09-20
Applicant: 烟台大学
IPC: H02J3/00 , G06F18/2415 , G06F18/10 , G06N3/094 , G06F17/16
Abstract: 本发明涉及模型运算技术领域，尤其是涉及一种基于多尺度异常检测的电力系统负荷预测方法及系统。方法，包括构建Transformer‑XL与生成对抗网络相结合的负荷预测模型；基于负荷预测模型对电力系统多源数据进行预测，得到负荷预测数据；基于多尺度卷积变分自编码器对电力系统多源数据进行异常检测，得到异常检测结果；将异常检测结果和负荷预测结果相融合，生成综合评分；根据生成的综合评分，利用贝叶斯优化自动调整关键超参数。本发明能够更好地处理电力负荷数据中的非线性和多维度变化，从而显著提升了负荷预测的精度。
-
公开(公告)号：CN118432948B
公开(公告)日：2024-09-27
申请号：CN202410888223.X
申请日：2024-07-04
Applicant: 烟台大学
IPC: H04L9/40 , G06F18/2415 , G06F18/214 , G06F18/15 , G06F18/2131 , G06F18/25 , G06N3/0499
Abstract: 本发明涉及工业互联网数据安全技术领域，尤其是涉及一种基于弱信息的工业互联网异常节点的检测方法及系统，包括S1.利用工业互联网中的传感器和设备获取相关节点运行的数据；S2.利用统计方法和机器学习算法对数据进行清洗，消除噪声和异常值，并对数据进行归一化处理；S3.根据数据的来源、类型和应用场景对数据进行初步分类；S4.利用频域特征提取方法对数据进行傅立叶变换；S5.构建基于弱信息的异常节点检测模型；S6.利用测试集对模型进行测试。实现了在应对数据信息缺失、数据结构缺失以及数据类别不完整的情况下可以提高检测异常节点的准确度，降低了标签标注的成本和时间，提高了模型的整体效率。
-
-
-
-
-
-
-
-
-
Search Results
192
records
(took 0.043 seconds)
