-
公开(公告)号：CN119864118A
公开(公告)日：2025-04-22
申请号：CN202510314728.X
申请日：2025-03-18
Applicant: 中南大学
IPC: G16H10/60 , G16H50/70 , G06N3/042 , G06N3/0442 , G06N3/0455 , G06N3/08 , G06F18/2431 , G06F18/25
Abstract: 本发明涉及自然语言处理技术领域，具体涉及一种基于混合专家系统的电子病历生成方法、设备及介质，所述方法包括如下步骤：接收医疗数据，将医疗数据划分为图像数据和文本数据，将图像数据和文本数据进行预处理和加权融合，得到输入特征表示；建立初始模型，所述初始模型用于将输入特征表示分配给最合适的专家网络进行处理；训练初始模型，得到电子病历生成模型，输入医疗数据到电子病历生成模型中，生成电子病历。本发明引入了稀疏激活的混合专家系统，通过门控网络动态选择最适合的专家来处理输入信息，从而减少计算资源的消耗，提高模型的计算效率。
-
公开(公告)号：CN118568309A
公开(公告)日：2024-08-30
申请号：CN202411038164.3
申请日：2024-07-31
Applicant: 中南大学 , 中国铁道科学研究院集团有限公司 , 中国铁道科学研究院集团有限公司电子计算技术研究所 , 中国国家铁路集团有限公司
IPC: G06F16/901 , G06F40/186 , G06F16/904 , G06F18/10 , G06F18/22 , G06F18/23 , G06F18/25
Abstract: 本发明公开了一种基于日志审计的企业内部数据流通全流程追溯方法，包括：获取内部日志数据；对日志消息的时间戳、等级和组件信息进行提取并删除，完成预处理；基于树状框架构建不定长日志解析树，对日志数据进行解析，实现日志模板和日志参数的初步识别；设置组内相似度阈值，若初步识别的日志模板对应的组内相似度低于阈值，则将对应的日志组采用层次聚类重新解析；设置组间相似度阈值，若两个日志组之间的相似度高于阈值，则将两个日志组进行融合；提取关于数据流向的日志消息和日志消息对应的时间戳，根据数据传输流向形成有向溯源图。在保证正确率的基础上，实现了全自动非定长日志解析；通过生成有向溯源图确保了数据的流通过程清晰可见。
-
公开(公告)号：CN119722685B
公开(公告)日：2025-05-27
申请号：CN202510237750.9
申请日：2025-03-03
Applicant: 中南大学
Abstract: 本发明涉及智能医疗技术领域，具体涉及一种多模态医学信息处理方法、设备及介质，所述方法包括下列步骤：S1：构建医学信息处理模型，所述医学信息处理模型包括自适应调整编码器、多尺度自提示生成模块和特征金字塔网络；S2：采用交叉对比学习训练所述医学信息处理模型；S3：获取患者的医学信息，将医学信息输入训练后的医学信息处理模型，得到处理结果。本发明方法采用自适应调整编码器，在捕捉图像特征的同时，结合不同知识域的信息，增强了模型对多样化数据的适应性。
-
公开(公告)号：CN119886256A
公开(公告)日：2025-04-25
申请号：CN202510386180.X
申请日：2025-03-31
Applicant: 中南大学
IPC: G06N3/08 , G16H50/00 , G06N3/0495 , G06F17/16
Abstract: 本发明涉及医疗具身机器人技术领域，具体涉及一种面向数字健康机器人的大模型微调方法、设备和介质，所述方法通过对具身大模型预训练的权重矩阵进行随机奇异值分解，并对随机高斯初始化矩阵进行重采样，实现数字健康机器人的具身大模型参数高效微调。本发明方法在微调数字健康机器人的具身大模型时引入了随机奇异值分解：随机奇异值分解通过引入随机采样来近似计算矩阵的主要成分，从而在保持计算效率的同时，尽可能保留矩阵的关键信息。
-
Patent Agency Ranking
公开(公告)号：CN119722685A
公开(公告)日：2025-03-28
申请号：CN202510237750.9
申请日：2025-03-03
Applicant: 中南大学
Abstract: 本发明涉及智能医疗技术领域，具体涉及一种多模态医学信息处理方法、设备及介质，所述方法包括下列步骤：S1：构建医学信息处理模型，所述医学信息处理模型包括自适应调整编码器、多尺度自提示生成模块和特征金字塔网络；S2：采用交叉对比学习训练所述医学信息处理模型；S3：获取患者的医学信息，将医学信息输入训练后的医学信息处理模型，得到处理结果。本发明方法采用自适应调整编码器，在捕捉图像特征的同时，结合不同知识域的信息，增强了模型对多样化数据的适应性。
-
公开(公告)号：CN118568309B
公开(公告)日：2024-11-12
申请号：CN202411038164.3
申请日：2024-07-31
Applicant: 中南大学 , 中国铁道科学研究院集团有限公司 , 中国铁道科学研究院集团有限公司电子计算技术研究所 , 中国国家铁路集团有限公司
IPC: G06F16/901 , G06F40/186 , G06F16/904 , G06F18/10 , G06F18/22 , G06F18/23 , G06F18/25
Abstract: 本发明公开了一种基于日志审计的企业内部数据流通全流程追溯方法，包括：获取内部日志数据；对日志消息的时间戳、等级和组件信息进行提取并删除，完成预处理；基于树状框架构建不定长日志解析树，对日志数据进行解析，实现日志模板和日志参数的初步识别；设置组内相似度阈值，若初步识别的日志模板对应的组内相似度低于阈值，则将对应的日志组采用层次聚类重新解析；设置组间相似度阈值，若两个日志组之间的相似度高于阈值，则将两个日志组进行融合；提取关于数据流向的日志消息和日志消息对应的时间戳，根据数据传输流向形成有向溯源图。在保证正确率的基础上，实现了全自动非定长日志解析；通过生成有向溯源图确保了数据的流通过程清晰可见。
-
公开(公告)号：CN117314892B
公开(公告)日：2024-02-13
申请号：CN202311584711.3
申请日：2023-11-27
Applicant: 中南大学
IPC: G06T7/00 , G06V10/764 , G06V10/80 , G06V10/40 , G06N3/0464 , G06N3/084 , G06N3/082
Abstract: 本发明涉及计算机视觉技术领域，具体公开了一种基于增量学习的太阳能电池缺陷检测持续优化方法，其构建缺陷检测模型，对缺陷检测模型持续优化更新，具体是：持续输入缺陷数据，更新特征提取器、辅助分类器、特征融合器和分类器，利用梯度下降法进行增量训练，构建未知缺陷类别范例集并调整已知缺陷类别范例集，基于特征提取器的几何中心对特征提取器进行剪枝，实现大幅减轻灾难性遗忘、新旧任务检测持续优化兼顾的缺陷检测。优点是，少量类别数据集即可启动缺陷检测过程，并只需在各阶段存储旧数据集极小规模范例集和输入训练集，保证对缺陷检测模型持续优化更新，同时降低了存储与(56)对比文件Binyi Su 等.Deep Learning-BasedSolar-Cell Manufacturing Defect DetectionWith Complementary AttentionNetwork.IEEE.2021,全文.谢昭 等.独立子空间中的场景特征增量学习方法.计算机研究与发展.2013,(第11期),全文.
-
公开(公告)号：CN117372759A
公开(公告)日：2024-01-09
申请号：CN202311317872.6
申请日：2023-10-12
Applicant: 中南大学
IPC: G06V10/764 , G06T7/00 , G06V10/44 , G06V10/30 , G06V10/20 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/08
Abstract: 本发明提供了一种面向太阳能电池生产缺陷的细粒度检测方法，包括步骤S1、得到中值滤波处理后的图像IMF(x)；步骤S2、采用Swin Transformer对图像IMF(x)进行特征提取，输出N层特征图Fl；步骤S3、构建分层双线性池化金字塔，将提取的多层特征图Fl转化为高阶的双线性特征金字塔；构建路径聚合注意力金字塔，对双线性特征金字塔中的每一层特征添加SCC注意力机制，得到突出的不同尺度下缺陷的细粒度特征；步骤S4、采用检测层对缺陷的细粒度特征进行准确定位和分类。本发明能够解决现有技术中对太阳能电池片缺陷的细粒度检测方面存在的问题。
-
公开(公告)号：CN117314892A
公开(公告)日：2023-12-29
申请号：CN202311584711.3
申请日：2023-11-27
Applicant: 中南大学
IPC: G06T7/00 , G06V10/764 , G06V10/80 , G06V10/40 , G06N3/0464 , G06N3/084 , G06N3/082
Abstract: 本发明涉及计算机视觉技术领域，具体公开了一种基于增量学习的太阳能电池缺陷检测持续优化方法，其构建缺陷检测模型，对缺陷检测模型持续优化更新，具体是：持续输入缺陷数据，更新特征提取器、辅助分类器、特征融合器和分类器，利用梯度下降法进行增量训练，构建未知缺陷类别范例集并调整已知缺陷类别范例集，基于特征提取器的几何中心对特征提取器进行剪枝，实现大幅减轻灾难性遗忘、新旧任务检测持续优化兼顾的缺陷检测。优点是，少量类别数据集即可启动缺陷检测过程，并只需在各阶段存储旧数据集极小规模范例集和输入训练集，保证对缺陷检测模型持续优化更新，同时降低了存储与计算负荷。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.015 seconds)
