-
公开(公告)号：CN110532538B
公开(公告)日：2022-11-29
申请号：CN201810508011.9
申请日：2018-05-24
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06F40/295
Abstract: 本发明涉及财产纠纷裁判文书关键实体抽取算法。该方法首先将用户输入的裁判文书筛去停用词并进行分句、分词、分字处理，然后将词序列集、字序列集分别与句序列集相关联。通过词序列集和预先选取的特征集进行比对，将对应的句子转换成特征向量并输入SVM中筛选出包含关键实体的句子。针对这类句子，将对应的字序列集转换成定长字向量序列集输入到BiLSTM‑CRF网络抽取出关键实体并将结果返回给用户。本发明方法通过相关实验验证了方法的准确性。
-
公开(公告)号：CN111027313A
公开(公告)日：2020-04-17
申请号：CN201811166731.8
申请日：2018-10-08
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06F40/279 , G06F40/30
Abstract: 本发明涉及一种基于注意力机制的BiGRU判决结果倾向性分析方法，抽取待分析的裁判文书的当事人关键词信息以及判决结果关键词信息；将判决结果切分为若干单句，并对每条单句进行分词和去除停用词处理，得到词序列；构建词向量表，并利用词向量表将词序列表示为对应的词向量矩阵；将词向量矩阵进行BiGRU计算，得到词向量矩阵的特征向量，在对词向量矩阵的特征向量进行注意力计算，得到注意力机制的输出向量；将注意力机制的输出向量利用softmax进行分类。本发明提高算法的准确度，使得分类结果更加精确，弥补了传统的基于单向神经网络对文本上下文语境的忽略，提高了情感分类结果精确度，能够对文本中的关键信息强化有很好的效果，提高了算法的准确度。
-
公开(公告)号：CN117521870A
公开(公告)日：2024-02-06
申请号：CN202210876271.8
申请日：2022-07-25
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06Q10/04 , G06N20/20 , G06F18/25 , G06V20/10 , G06V10/80 , G06V10/82 , G06N3/084 , G06N3/086 , G06Q50/06 , G06N3/006
Abstract: 本发明涉及一种基于XGBoost的碳排放预测方法，该方法首先对夜间灯光数据、温度数据、行政边界矢量数据以及能源排放数据进行预处理，重点是对两种时间上不连续的夜间灯光数据的亮度值(DN)进行校正处理，将校正好的夜间灯光数据输入PSO‑BP神经网络模型，通过PSO‑BP神经网络模型得到一个长时间序列的夜间灯光数据集，并融合温度、经纬度等辅助数据，作为XGBoost模型的输入，最后使用训练好的模型进行区域碳排放的核算与预测。该方法充分融合了BP神经网络和XGBoost的优点，提高了模型的准确率和泛化能力，可以实现不同区域长时间序列上的碳排放核算与预测，具有一定的通用性。
-
公开(公告)号：CN116029403A
公开(公告)日：2023-04-28
申请号：CN202111245516.9
申请日：2021-10-26
Applicant: 中国科学院沈阳计算技术研究所有限公司
Abstract: 本发明涉及基于GCN‑LSTM神经网络模型的水位预测方法。该方法首先计算水位数据的相关特征矩阵，然后计算水位数据的平均值、标准值等特征作为图神经网络层的特征输入。然后基于GCN(图神经网络)对水位数据进行空间特征分析，提取站点间的空间相关性向量，然后利用时间序列模型LSTM(长短期记忆网络)分析水位数据的时序波动，得到水位数据时序向量。将GCN层与LSTM层相结合，将空间特征向量与水位时序特征向量相结合，共同对水位进行预测。本发明方法通过相关实验证明了方法的准确性。
-
公开(公告)号：CN113988348A
公开(公告)日：2022-01-28
申请号：CN202010661832.3
申请日：2020-07-10
Applicant: 中国科学院沈阳计算技术研究所有限公司
Abstract: 本发明涉及一种网格化监测中的空气质量预测方法。该方法首先将用户输入的网格化监测中各个监测站的位置信息和历史空气污染物浓度信息进行数据清洗，然后将处理过的数据输入GCN来提取各个监测站之间的空间关联信息，再将具备空间信息的数据输入LSTM提取时间特征，最后由一个线性回归层来综合GCN和LSTM所提取的特征并产生预测结果，返回给用户。本发明方法通过相关实验验证了方法的有效性。
-
Patent Agency Ranking
公开(公告)号：CN110555444A
公开(公告)日：2019-12-10
申请号：CN201810557874.5
申请日：2018-06-01
Applicant: 中国科学院沈阳计算技术研究所有限公司
Abstract: 本发明涉及一种基于局部聚类的特征匹配筛选算法。该算法对特征提取图像进行区域划分，对区域内的有效特征点数目进行统计，进行局部近似聚类统计处理；然后对有效特征点数目进行约束处理，进行特征匹配筛选。本发明方法删除了匹配连线错误的特征点对，减小了特征匹的数量降低了计算复杂度，通过相关实验验证了方法的有效性。
-
公开(公告)号：CN108665068A
公开(公告)日：2018-10-16
申请号：CN201710186939.5
申请日：2017-03-27
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06N3/12
Abstract: 本发明涉及供水管网水力模型自动校核问题的改进遗传算法。该算法首先将水力模型中不确定性变量(节点流量和管段摩阻系数)用双精度实数编码方式进行编码，并在解空间内随机产生初始种群，然后使用模拟退火法对适应度函数进行拉伸，再对遗传操作进行改进，使用双重收敛判断准则，经过改进能解决遗传算法收敛速度慢，并且容易陷入局部最优解的问题。本发明方法通过相关实验验证了方法的有效性。
-
公开(公告)号：CN117973583A
公开(公告)日：2024-05-03
申请号：CN202211344659.X
申请日：2022-10-31
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06Q10/04 , G06Q10/0639 , G06Q50/26 , G06N3/04 , G06N3/08 , G06N3/006 , G06F18/2451
Abstract: 本发明涉及一种基于深度置信网络的区域空气质量预测方法。该方法首先对监测点位空气质量监测数据即6种空气污染物小时浓度数据进行清洗，填充缺失并归一化，生成训练集和测试集，然后将数据输入到IPSO‑DBN模型中进行特征提取，使用Attention机制将不同点位监测数据提取出的特征进行加权融合，将融合后的特征向量作为SVR模型的输入进行模型的训练，最后使用训练好的模型进行6种空气污染物小时浓度的预测。该方法融合了DBN模型强大的特征提取能力和SVR模型的回归预测能力以及Attention机制解决空气质量空间相关性，提高模型的预测准确性和鲁棒性。
-
公开(公告)号：CN117272224A
公开(公告)日：2023-12-22
申请号：CN202311221135.6
申请日：2023-09-21
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06F18/25 , G06F18/241 , G06F18/10 , G06F18/213 , G06F18/214
Abstract: 本发明涉及一种基于改进TCN模型的长期河流水质预测方法。该方法首先将河流水质污染物浓度数据输入至SG滤波器中进行降噪处理，然后采用STL时间序列分解方法将处理后的数据分解成趋势、季节性和残差序列，分解后得到的趋势序列和残差序列将分别输入至改进的TCN模型中进行训练和预测，最后将趋势序列和残差序列的预测值与原始季节性序列进行融合得到河流水质长期预测结果。该方法针对基本的TCN模型的不足进行了改进，并且通过数据降噪和数据分解方法进一步提高了模型的长期预测能力。本发明方法通过具体实验验证了方法的有效性。
-
公开(公告)号：CN117217548A
公开(公告)日：2023-12-12
申请号：CN202210608917.4
申请日：2022-05-31
Applicant: 中国科学院沈阳计算技术研究所有限公司
IPC: G06Q10/0637 , G06Q50/26 , G06N3/0442 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种基于CEEMDAN‑LSTM的水质预测方法。该方法利用自适应噪声的完整集合经验模态分解算法对水质指标数据进行分解，分离出数据中的高频、低频信号和趋势项，从而获取数据在不同时间尺度上的特征，保证局部特征的完整性。对分解出的每个分量构建堆叠式LSTM神经网络预测模型，多模型可以学习到更多的特征，但仅对模型预测结果求和会造成误差叠加现象。由于每个分量具有不同的重要性，因此为每个模型设置权重，采取加权求和方式，以减缓误差叠加现象。人为设置权重不能体现出特征之间的关系，引入线性回归进行多模型权重自学习，充分考虑特征之间的关系，从而提高模型预测精度。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.069 seconds)
