-
公开(公告)号：CN115496214A
公开(公告)日：2022-12-20
申请号：CN202211136626.6
申请日：2022-09-19
Applicant: 兰州大学 , 支付宝(杭州)信息技术有限公司
IPC: G06N5/02 , G06F16/901
Abstract: 本说明书实施例公开了一种基于记忆机制的注意力图的生成方法、装置以及设备。通过确定所述知识点序列所对应的特征矩阵；获取特征值Qi和获取Kj，其中，所述第j个知识点为与所述第i个知识点相关的前一个知识点；确定所述第i个知识点与所述第j个知识点之间所存在的其它知识点；确定时间差Δ(ti,tj)和时间差Δ(ti,tk)；根据所述Δ(ti,tj)和Δ(ti,tk)对预设的衰减函数进行修正，生成修正后的衰减函数；根据所述特征值Qi、特征值Kj、所述修正后的衰减函数和所述值矩阵V生成注意力图，从而通过考虑学习者遗忘行为的时间间隔因素来强化知识点的表现信息，体现用户学习过程中的遗忘行为而得到包含准确特征的注意力图。
-
公开(公告)号：CN115496215A
公开(公告)日：2022-12-20
申请号：CN202211136641.0
申请日：2022-09-19
Applicant: 兰州大学 , 支付宝(杭州)信息技术有限公司
IPC: G06N5/02 , G06F16/901
Abstract: 本说明书实施例公开了一种基于权重衰减的注意力图的生成方法、装置以及设备。通过确定所述知识点序列所对应的特征矩阵，所述特征矩阵包括键矩阵K、查询矩阵Q和值矩阵V；获取第i个知识点在所述查询矩阵Q中的特征值Qi，以及，获取第j个知识点在所述键矩阵K中的特征值Kj；确定所述第i个知识点与所述第j个知识点的时间差Δ(ti,tj)，确定包含所述时间差和衰减参数θ的衰减函数γ(ti,tj,θ)，其中，所述θ为可学习的衰减参数；根据所述特征值Qi、特征值Kj、所述衰减函数γ(ti,tj,θ)和所述值矩阵V生成注意力图，从而通过考虑学习者遗忘行为的时间间隔因素来强化最近相关问题和其他问题的表现信息。
-
公开(公告)号：CN114490980A
公开(公告)日：2022-05-13
申请号：CN202210066846.X
申请日：2022-01-20
Applicant: 兰州大学 , 支付宝(杭州)信息技术有限公司
IPC: G06F16/332 , G06F16/33 , G06N3/04 , G09B7/04
Abstract: 本说明书实施例公开了一种关联知识追踪方法、装置及设备，包括：获取用户在指定时刻范围内的各答题交互数据，答题交互数据包括在对应时刻所答题目的所答知识点、作答对错信息，以及由所答知识点的关联知识点构成的关联知识点集合；将各答题交互数据按照对应的时刻顺序，输入关联知识追踪模型进行处理，其中，关联知识追踪模型根据第一损失和第二损失预先训练，第一损失是根据基于训练样本对指定知识点的掌握程度预测信息及其训练标签确定的，第二损失是根据基于训练样本对指定知识点的关联知识点集合的掌握程度预测信息及其训练标签确定；通过关联知识追踪模型的处理，预测用户在指定时刻范围之后对预定知识点集合中的知识点的掌握程度。
-
公开(公告)号：CN114461769A
公开(公告)日：2022-05-10
申请号：CN202210065583.0
申请日：2022-01-20
Applicant: 兰州大学 , 支付宝(杭州)信息技术有限公司
IPC: G06F16/332 , G06F16/33 , G06N3/04 , G06Q50/20
Abstract: 本说明书实施例公开了一种知识追踪模型的训练方法、装置以及设备。通过获取用户在t时刻对于知识点的答题信息，成对应于所述答题信息的隐藏特征向量；根据所述隐藏特征向量确定权重矩阵；根据所述权重矩阵从内存矩阵中进行读取，获得聚焦向量；根据所述权重矩阵内存矩阵进行内容写入，生成t时刻的内存矩阵；融合所述隐藏特征向量和所述生成输出特征向量，根据所述输出特征向量生成预测值；根据所述预测值和所述答题信息的差异进行知识追踪模型的训练，生成目标模型，通过采用内存矩阵保存用户的历史答题信息所产生的相关特征，并即时的在训练过程中对内存矩阵进行读写，从而有效利用了用户的历史答题信息来训练模型。
-
公开(公告)号：CN114461769B
公开(公告)日：2024-12-24
申请号：CN202210065583.0
申请日：2022-01-20
Applicant: 兰州大学 , 支付宝(杭州)信息技术有限公司
IPC: G06F16/332 , G06F16/33 , G06N3/0442 , G06Q50/20
Abstract: 本说明书实施例公开了一种知识追踪模型的训练方法、装置以及设备。通过获取用户在t时刻对于知识点的答题信息，成对应于所述答题信息的隐藏特征向量；根据所述隐藏特征向量确定权重矩阵；根据所述权重矩阵从内存矩阵中进行读取，获得聚焦向量；根据所述权重矩阵内存矩阵进行内容写入，生成t时刻的内存矩阵；融合所述隐藏特征向量和所述生成输出特征向量，根据所述输出特征向量生成预测值；根据所述预测值和所述答题信息的差异进行知识追踪模型的训练，生成目标模型，通过采用内存矩阵保存用户的历史答题信息所产生的相关特征，并即时的在训练过程中对内存矩阵进行读写，从而有效利用了用户的历史答题信息来训练模型。
-
Patent Agency Ranking
公开(公告)号：CN114942951B
公开(公告)日：2025-03-25
申请号：CN202210640301.5
申请日：2022-06-08
IPC: G06F18/2431 , G06F18/214 , G06F18/213 , G06F18/15 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0442 , G06N3/084
Abstract: 本发明公开了一种基于AIS数据的渔船捕鱼行为分析方法，包括：对原始数据进行异常处理得到轨迹数据序列；基于轨迹数据序列构建数据集；基于数据集识别渔船捕捞状态和渔船作业类型。本发明提供了一种渔船捕捞状态和渔船作业类型识别方法，从使用深度学习算法挖掘数据集中有用的信息出发，构建了一条包含数据处理、渔船捕捞状态识别和渔船作业类型识别的一整套实验过程和标准，为渔业的可持续发展提供了数据信息保障。
-
公开(公告)号：CN118673804B
公开(公告)日：2025-01-28
申请号：CN202410791388.5
申请日：2024-06-19
Applicant: 中科奇驭机器人(东营)有限公司 , 兰州大学
IPC: G06F30/27 , G06N3/0464 , G06N3/0475 , G06N3/094 , G01W1/00
Abstract: 本发明公开了一种云团短期运动趋势预测方法，包括：获取卫星云图序列数据集，并构建基于深度体素流和Vision Transformer的云团短期运动趋势预测模型；基于所述卫星云图序列数据集对云团短期运动趋势预测模型进行训练，获得目标预测模型；通过所述目标预测模型对云团短期运动趋势进行预测，获得预测结果。本发明提高了预测的准确性和可信度，能够在不同尺度上捕获云团运动的细节，极大地增强了对大范围动态变化的感知能力。
-
公开(公告)号：CN118692025A
公开(公告)日：2024-09-24
申请号：CN202410786257.8
申请日：2024-06-18
Applicant: 兰州大学
IPC: G06V20/52 , G06V10/26 , G06V10/52 , G06V10/764 , G06V10/80 , G06V10/82 , G06T7/50 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于深度学习的道路能见度识别方法，属于图像处理领域，该方法包括以下步骤：构建真实场景下的道路能见度数据集，其中，道路能见度数据集包括若干张道路图像；基于道路图像的原始图像特征、景深信息和透射率信息构建双分支多模态融合能见度识别网络；将道路图像输入双分支多模态融合能见度识别网络进行图像识别得到不同能见度下的道路识别结果。
-
公开(公告)号：CN118644724A
公开(公告)日：2024-09-13
申请号：CN202410786055.3
申请日：2024-06-18
Applicant: 兰州大学 , 天津云帆海洋科技有限公司
IPC: G06V10/764 , G06V10/77 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/082 , G06N3/084
Abstract: 本发明公开了一种基于多级特征迭代融合的能见度分类方法，包括：收集历史能见度图像，构建能见度分类模型；基于所述历史能见度图像对能见度分类模型进行训练，获得目标能见度分类模型；通过所述目标能见度分类模型对待分类的能见度图像进行能见度分类，获得分类结果。本发明的能见度分类方法基于多级特征迭代融合的能见度分类模型，采用双分支结构，ConvNeXt分支处理原图像，而物理分支结合能见度识别的传统方法进行特征提取，最后通过迭代融合模块进行连接，输出经过不同速率的并行空洞卷积结构，将全局信息最优化提取，能够更好的进行分类。
-
-
-
-
-
-
-
-
-
Search Results
84
records
(took 0.067 seconds)
