-
公开(公告)号：CN118966457A
公开(公告)日：2024-11-15
申请号：CN202411142255.1
申请日：2024-08-20
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种针对气象观测模糊序列的长时间序列预测方法，包括步骤如下：S1，根据气象站观测得到的长时间序列，得到影响未来降水分布的特征值，并选取主变量和协变量；S2，利用FS模糊廓型准则来确定各个气象变量的最优模糊区间数及其长度；S3，确定各因素的论域U；S4，基于相等和不相等长度的区间定义模糊集，将历史数据模糊化；S5，构建犹豫模糊集；S6，根据间隔数，构造新的论域，并定义气象差分模糊集；S7，结合主变量及其协变量的差分模糊集，建立高阶多变量模糊逻辑关系；S8，得出主变量的预测结果；S9，对预测结果进行修改。本发明综合考虑了气象预测时的其他影响因素，提高了预测的精确度和准确性。
-
公开(公告)号：CN118683522A
公开(公告)日：2024-09-24
申请号：CN202411173784.8
申请日：2024-08-26
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种面向类脑机制的无人驾驶紧急避障方法，属于无人驾驶技术领域，方法包括：基于车道场景，获取状态脉冲序列；将所述状态脉冲序列输入至训练好的优化脉冲神经网络，获取无人驾驶紧急避障策略；其中，训练好的优化脉冲神经网络的获取方法包括：基于基底神经节，利用伊兹克维奇神经元模型构建脉冲神经网络；基于眶额皮层信号响应机制和前扣带皮层警惕反应机制，对所述脉冲神经网络进行优化，获取优化脉冲神经网络；基于深度Q网络，对所述优化脉冲神经网络进行训练，获取训练好的优化脉冲神经网络。该方法能够提高无人驾驶车辆在紧急情况下的反应速度和决策准确性。
-
公开(公告)号：CN117807322B
公开(公告)日：2024-05-14
申请号：CN202410227224.X
申请日：2024-02-29
Applicant: 南京信息工程大学
IPC: G06F16/9535 , G06F16/335 , G06F16/35 , G06F16/36 , G06F40/30 , G06F40/205 , G06N5/022
Abstract: 本发明公开了一种基于知识图谱检索的虚假新闻检测方法及系统，方法包括：将事实验证数据中的原始声明分为若干子声明，然后将第一证据答案与声明答案通过注意力机制进行相似度分析以获得标签预测概率；根据标签预测概率对子声明进行分类获得可信预测答案和不可信预测答案，对可信预测答案进行保留；对可信预测答案进行知识增强提取子图，根据子图来训练问题生成模型；通过训练后的问题生成模型为所述不可信预测答案所对应的问题生成第二问题；对第二问题进行预测获得第二证据答案；根据可信预测答案和第二证据答案进行虚假新闻检测；可以有效过滤噪声信息，提高了事实验证的准确性。
-
公开(公告)号：CN117786374B
公开(公告)日：2024-05-14
申请号：CN202410221484.6
申请日：2024-02-28
Applicant: 南京信息工程大学
IPC: G06F18/20 , G06F18/213 , G06F18/214 , G06N3/0455 , G06N3/042 , G06N3/08 , G06F123/02
Abstract: 本发明公开了一种基于图神经网络的多变量时序异常检测方法及系统，方法包括：获取待检测的时序输入数据，将时序输入数据输入至预设的时序异常检测模型进行时序异常判断；所述时序异常检测模型的构建过程包括：获取样本集合后利用样本集合对时序异常检测模型进行训练；将单位样本x转化为同时融合了时域与空域关系的融合时间序列#imgabs0#；将融合时间序列#imgabs1#输入至编码器输出中间特征#imgabs2#；将融合时间序列#imgabs3#和中间特征#imgabs4#输入至解码器获取训练输出序列，基于训练输出序列计算训练损失值并对时序异常检测模型的参数进行优化，输出训练后的时序异常检测模型；本发明能够更全面地分析多变量时间序列数据，从而提高异常检测的准确性和可靠性。
-
公开(公告)号：CN117892237A
公开(公告)日：2024-04-16
申请号：CN202410296410.9
申请日：2024-03-15
Applicant: 南京信息工程大学
IPC: G06F18/2431 , G06F18/2415 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/0442 , G06N3/048
Abstract: 本发明提供一种基于超图神经网络的多模态对话情绪识别方法及系统，涉及对话情绪识别领域。该基于超图神经网络的多模态对话情绪识别方法，包括以下步骤：以对话中的话语为节点，分别构建上下文文本、图像、语音模态内超图及模态间超图，使用超图卷积神经网络对超图进行聚合得到模态内和模态间节点特征表示，将节点特征表示拼接得到最终特征表示，将特征表示输入到情感分类器中，得到该话语的情绪类别。本方法采用超图神经网络来建模对话上下文和模态之间的关系，以弥补图神经网络只能捕获成对关系致使高阶信息丢失的缺陷，同时使用超边融合自适应策略和超图卷积神经网络以融合模态信息使得它们能够互相补充，从而提高整体的性能和准确性。
-
Patent Agency Ranking
公开(公告)号：CN117829298A
公开(公告)日：2024-04-05
申请号：CN202410249412.2
申请日：2024-03-05
Applicant: 南京信息工程大学
IPC: G06N5/04 , G06N5/022 , G06N3/0442 , G06N3/0455 , G06N3/006
Abstract: 本发明提供一种多跳时序知识图谱问答方法及系统，涉及计算机科学领域。该多跳时序知识图谱问答方法，本方法通过三个阶段实现：一，使用Tempor‑hard方法对时序知识图谱问答数据集进行处理，获取问题的时间信息，并通过预训练语言模型获取语义矩阵。借助attention pooling和TComplEx嵌入等技术，对问题进行编码，获得问题的上下文表示。二，通过上下文相关性解析模块选取主题实体和候选动作，提高准确度。三，构建强化学习网络，引入动态实体编码和时空特征融合模块以增强推理能力，并使用先验分布对奖励进行时间感知塑造。该方法具备强大的语义理解和推理能力，可在信息检索、智能助理等领域提供高效、准确的问答模型，推动智能化技术的发展，提升用户体验。
-
公开(公告)号：CN117076608A
公开(公告)日：2023-11-17
申请号：CN202311078433.4
申请日：2023-08-25
Applicant: 南京信息工程大学
IPC: G06F16/33 , G06N5/02 , G06N3/0464 , G06N3/08 , G06F40/211
Abstract: 本发明公开一种基于文本动态跨度的整合外部事件知识的脚本事件预测方法及装置，属于信息检索与数据挖掘领域。本发明首先输入两个相关的脚本文档并且检索出其中的事件；接着，将每个文档中检索出的事件按照事件组成进行重新排序，得到最优事件脚本知识并进行整合。在整合阶段，将整合后的最优事件脚本知识输入进BERT，从而为文本添加标记；接着将相同标记的文本进行枚举连接，构造文本跨度；之后，基于当前构建的跨度得到最佳猜测，生成事件图结构。最后，将事件图输入到缩放神经网络中得到预测得分，选择得分最高的候选事件作为预测事件。本发明提出的基于文本动态跨度的整合外部事件知识的脚本预测学习在《纽约时报》语料库中的预测后续事件的精度较高。
-
公开(公告)号：CN117035073A
公开(公告)日：2023-11-10
申请号：CN202311036851.7
申请日：2023-08-16
Applicant: 南京信息工程大学
IPC: G06N5/02 , G01W1/10 , G06F18/213 , G06N3/0442 , G06N3/042 , G06N3/0455 , G06N3/045 , G06N3/048
Abstract: 本发明公开了一种基于分层事件发展模式归纳的未来气象事件预测方法，利用信息抽取工具从气象数据中提取出若干个气象事件，并按时间顺序进行排列；以最早发生的事件作为当前的实例图，并将其他事件作为候选事件集合，选择概率最大的后续事件，并将其添加到当前实例图中。利用DVAE抽取事件骨架图，随后，将骨架图和实例图分别输入到缩放图神经网络中，获得后续事件与当前实例图之间的匹配得分。在完成添加后续节点的实例图后，进行共指合并和实体关系边生成的处理。迭代执行归纳出气象事件发展模式图。本发明可以利用事件发展模式预测气象事件的概率，结合了气象事件发展的全局结构信息，减少了局部结构信息对于后续事件预测的影响。
-
公开(公告)号：CN116502774B
公开(公告)日：2023-09-12
申请号：CN202310755841.2
申请日：2023-06-26
Applicant: 南京信息工程大学
IPC: G06Q10/04 , G06F30/27 , G06N3/0499 , G06F123/02
Abstract: 本发明公开了一种基于时间序列分解和勒让德投影的时间序列预测方法，包括：获取目标区域的历史数据，并划分为训练集、验证集和测试集；构建时间序列预测模型，将时间序列分解季节项成分和趋势项成分分别进行预测，并基于可逆实例归一化和勒让德投影，得到输出的未来序列数据；设置时间序列预测模型训练环境，通过训练集对时间序列预测模型进行训练，使用梯度函数更新模型参数，直至时间序列预模型达到收敛；通过验证集对模型进行调优，通过测试集评价模型的性能指标是否达到期望。本发明具有比其他时间序列预测方法更强的预测性能，在预测未来数据时具有更小的误差，能够为各种行业中需要时间序列预测工具的实际应用提供一个强有力的预测工具。
-
公开(公告)号：CN116680548A
公开(公告)日：2023-09-01
申请号：CN202310969129.2
申请日：2023-08-03
Applicant: 南京信息工程大学
IPC: G06F18/20 , G06F18/213 , G01W1/10
Abstract: 本发明公开了一种针对多源观测数据的时间序列干旱因果分析方法，首先采集多源数据，包括遥感数据以及气象格点数据，计算出相应的干旱指数SPEI，并统一所有数据的时间尺度和空间尺度；然后对收集到的多源观测数据进行数据预处理，包括数据的补全、平稳性检验以及归一化等；之后采用基于信息理论的特征选择方法，以干旱指数SPEI作为目标进行特征选择，得到它的相关特征集合。最后，将相关特征集合作为条件集送入到条件Granger模型中计算每个变量对干旱指数SPEI的影响程度，得到与干旱发生和严重程度相关的变量，可用于干旱预测任务的特征选择，降低了算法复杂度的同时，加强了特征选择的物理可解释性。
-
-
-
-
-
-
-
-
-
Search Results
147
records
(took 0.08 seconds)
