-
公开(公告)号：CN118396475B
公开(公告)日：2024-11-19
申请号：CN202410662219.1
申请日：2024-05-27
Applicant: 西南交通大学
IPC: G06Q10/0639 , G06Q30/0282 , G06F18/213 , G06F18/25 , G06N3/048 , G06N3/08 , G06N3/0464 , G06N3/0455
Abstract: 本发明公开了基于子标签增强的多视角评论质量排序方法，包括获取评论质量排序数据集，生成各视角相似度分数作为各视角训练的子标签；将训练的文本和图像输入编码器中得到文本特征和图像特征；将文本特征和图像特征输入信息交互模块，通过融合不同模态的特征以得到五个视角表征；将各视角表征串联以获得多视角表征，并利用评论质量分数标签和子标签监督与视角表征有关的训练参数的更新；训练完成后，将测试文本和图像通过编码器生成文本特征及图像特征；将文本特征和图像特征通过训练后的信息交互模块生成各视角表征，并将其串联后形成的多视角表征输入四层线性神经网络以得到评论质量预测分数。本发明在评论质量排序任务上的性能显著提升。
-
公开(公告)号：CN115251838B
公开(公告)日：2024-07-23
申请号：CN202210708273.6
申请日：2022-06-21
Applicant: 西南交通大学
IPC: A61B5/00 , A61B5/0245 , A61B5/318
Abstract: 本发明提供了一种多尺度特征融合的睡眠分期方法、装置、设备及存储介质，涉及睡眠分期技术领域，包括获取第一信息，第一信息包括至少两个心电信号数据和每个心电信号数据对应的睡眠期间；基于多头注意力机制和神经网络算法建立睡眠分期模型；将第一信息转化为数据集，并利用数据集训练睡眠分期模型得到训练后的睡眠分期模型；利用训练后的睡眠分期模型对测试者的心电信号数据进行识别，得到测试者在睡眠期间的睡眠状态，本发明通过基于单通道心电信号提取并融合不同大小的时间长度划分下的心率变异性特征，从不同尺度反映心电信号的特征信息，使其能够包含更全面的特征信息，提高了心电信号的表征能力。使得睡眠分期准确率、稳定性提升。
-
公开(公告)号：CN117951690A
公开(公告)日：2024-04-30
申请号：CN202311716190.2
申请日：2023-12-14
Applicant: 西南交通大学
Abstract: 本发明公开了一种低频触发器高频注入的随机频域扰动后门攻击方法，包括三个阶段：攻击阶段，攻击者通过注入频域触发器来毒化干净样本，引入后门攻击的元素；训练阶段，用户采用含有少量毒化样本的毒化数据集训练受害模型，通过映射毒化样本和目标标签的方式将后门模式注入模型，使得模型在后续推理阶段对特定触发条件的样本产生恶意行为；推理阶段，训练完成的受害模型即毒化模型，在良性测试样本上表现正常，然而，对于Freqtrigger毒化后的测试样本，其预测结果将变成目标标签，达到后门攻击的效果。本发明实现了高攻击成功率和高隐蔽性，具有很大的灵活性，在不同数据集、网络架构和触发器方面具有稳健性和通用性。
-
公开(公告)号：CN117792984A
公开(公告)日：2024-03-29
申请号：CN202311808430.1
申请日：2023-12-25
Applicant: 西南交通大学
Abstract: 本发明提供了一种基于强化学习的低轨卫星网络路由方法，属于卫星网络通信技术领域，该方法为对低轨卫星星座进行仿真建模，并根据获取的仿真运行数据构建低轨卫星星座网络拓扑图；将低轨卫星网络路由数据转发过程视为马尔可夫决策过程，并对强化学习中的参数进行设置，构建强化学习模型，其中，设置了两种奖励函数，分别对应卫星节点间数据传输奖励值和卫星与地面基站间数据传输奖励值两种情形；对强化学习模型进行训练，并根据训练后的强化学习模型得到最优低轨卫星网络路由策略。由于卫星与地面基站进行数据传输时会发生链路切换，本发明解决了链路切换过程中可能带来的数据包丢失与增加交付时间的问题。
-
公开(公告)号：CN117574902A
公开(公告)日：2024-02-20
申请号：CN202311605116.3
申请日：2023-11-24
Applicant: 西南交通大学
Abstract: 本发明公开了一种基于深度学习的实体关系抽取方法与系统，包括：利用预训练语言模型处理输入文本，得到输入文本的隐藏向量表示，利用关系抽取模块，得到输入文本中包含的关系和关系抽取模块的损失函数，利用双向机器阅读理解标记模块，得到输入文本的头尾实体对和双向机器阅读理解标记模块的损失函数，利用辅助实体标记模块，得到输入文本的实体标记和辅助实体标记模块的损失函数，根据三个模块的损失函数对实体关系抽取模型进行训练，利用训练好的模型得到输入文本中最终包含的实体和关系。本发明能够充分利用先验条件的语义信息，有效地建模先验条件与原始文本的语义关系，并缓解现有技术中存在的错误累积问题，提升模型抽取的准确率与性能。
-
Patent Agency Ranking
公开(公告)号：CN116842455A
公开(公告)日：2023-10-03
申请号：CN202310685368.5
申请日：2023-06-09
Applicant: 西南交通大学
IPC: G06F18/2411 , G06N3/0464 , G06N3/08 , G06F18/2413 , G16H10/60
Abstract: 本发明公开了一种基于最邻近对比学习的小样本编码方法，利用卷积神经网络和ICD编码描述捕捉文本语义特征，并利用注意力机制以捕获到与ICD信息关系密切相关的病历文本内容，使用额外的结构化知识的统一医学语言系统和ICD编码的树形层次结构来构建对比学习的正负样本，进而训练了一个针对同一个编码不同表述的自CMCL模型，使得同义表述和其缩写的特征表示在特征空间中更接近，不同编码的表述在特征空间中距离更远。最后利用k邻近模块整合训练集中已有知识获得最佳预测结果。
-
公开(公告)号：CN116560887A
公开(公告)日：2023-08-08
申请号：CN202310483849.8
申请日：2023-04-28
Applicant: 西南交通大学
Abstract: 本发明公开了一种基于知识协同的低轨卫星故障分析方法，包括以下步骤：根据卫星故障手册和卫星维护日志构建知识图谱，建立基于知识图谱检索的故障诊断模型；基于云原生KubeEdge平台，设计知识协同的知识服务系统；将知识图谱与故障诊断模型应用于知识服务系统中，实现知识协同的知识服务系统，完成低轨卫星故障的分析。本发明提供的一种基于知识协同的低轨卫星故障分析方法解决了传统方法中数据稀缺、模型简单和时间效率低的问题，增强了星地协同的及时性与故障诊断的可靠性，为实时故障分析提供了潜在的解决方案。
-
公开(公告)号：CN113536799B
公开(公告)日：2023-04-07
申请号：CN202110927320.1
申请日：2021-08-10
Applicant: 西南交通大学
IPC: G06F40/295 , G06F40/242 , G06N3/0442 , G06N3/084 , G06N3/045
Abstract: 基于融合注意力的医疗命名实体识别建模方法，包括步骤：将医疗文本语句进行中文分词并索引；利用前向LSTM和反向LSTM通过拼接得到Bi‑LSTM模型；通过注意力机制更新输出特征向量；通过条件随机场CRF对输出特征向量进行解码，得到输入医疗文本语句的医疗实体类型的标注。本发明的输入在字符序列的基础上加入了其在词典中匹配到的词语，通过门结构动态控制为模型提供更多指导，从而从医疗语料中选择出最相关的字符和词语。相较于基于字符的方法，多粒度信息得以被该模型显式地运用，以获得更好的识别性能。并且，引入注意力机制，使得模型重点关注有效信息，从而弥补传统Bi‑LSTM‑CRF模型虽考虑了上下文信息，却忽略了不同字符和词语在句子中重要性不同的情况。
-
公开(公告)号：CN109034192B
公开(公告)日：2022-03-08
申请号：CN201810637027.X
申请日：2018-06-20
Applicant: 西南交通大学
Abstract: 本发明属于铁路安全运行控制技术领域，具体的说是涉及一种基于深度学习的轨道‑车体振动状态预测方法。本发明的主要步骤为：将二维的轨道不平顺数据转化成RGB图像数据以构建训练集；构建CNN网络结构；将训练集输入CNN网络，对CNN网络进行训练；将待识别的轨道不平顺数据转化成轨道不平顺图像样本，输入到训练好的CNN模型进行车体振动状态预测。本发明的有益效果是：区别于传统的基于机器学习方法的轨道‑车体振动状态预测方法，本发明有效降低了建模的复杂度；本发明方法只需提供原始轨道不平顺数据用于对CNN网络的训练，能够自动提取到有利于轨道‑车体振动状态分类任务的特征，避免了复杂的特征提取、选择过程。
-
公开(公告)号：CN110347847B
公开(公告)日：2021-09-28
申请号：CN201910663022.9
申请日：2019-07-22
Applicant: 西南交通大学
Abstract: 本发明实施例提供的一种基于神经网络的知识图谱补全方法，涉及自然语言处理技术领域，其包括：S1、在嵌入层将知识图谱K中的三元组(s，r，o)转换为句子[s r o]，利用向量表示技术把句子[s r o]转换为k维稠密向量表示形式xi＝[vs，vr，vo]；S2、在循环层利用BiLSTM网络从输入特征向量xi中学习句子的长期依赖性，得到循环层特征向量hRNN；S3、在卷积层利用卷积神经网络从特征向量hRNN中学习局部结构信息，得到卷积层特征向量hCNN；S4、在全连接层将卷积层特征向量hCNN转化为每一个三元组(s，r，o)的得分。该知识图谱补全方法在不依靠任何外部数据的情况下，利用循环和卷积神经网络捕获知识图谱中事实的长期依赖性和局部结构信息，同时保留实体和关系的传递特征，学习能力更高。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.029 seconds)
