-
公开(公告)号：CN114372181A
公开(公告)日：2022-04-19
申请号：CN202111609391.3
申请日：2021-12-27
Applicant: 华南理工大学
IPC: G06F16/906 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q50/04
Abstract: 本发明公开一种基于多模态数据的设备生产智能规划方法，包括：1)对制造过程进行数据采集，得到多模态数据；2)对多模态数据进行标准化；3)对单个制造步骤构建训练集；4)对每个制造步骤的状态构建类别‑动作映射关系；5)构建并训练深度神经网络；6)用训练好的深度神经网络对每个制造过程中采集到的数据进行分类；7)根据分类结果选择相应动作；8)对每个制造步骤重复进行分类和动作选择，完成动作规划。本发明充分利用制造过程中收集到的多模态数据和深度神经网络，不仅可以识别每个步骤的当前状态，并根据当前状态进行动作规划，实现制造过程的动作智能规划，减少人工干预。此外，还可以增加动作规划的可解释性和准确性。
-
公开(公告)号：CN112784919A
公开(公告)日：2021-05-11
申请号：CN202110146422.X
申请日：2021-02-03
Applicant: 华南理工大学
IPC: G06K9/62 , G06F16/215 , G06F16/27 , G06F16/28 , G06F16/182 , G06F16/35 , G06F40/289 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种面向智能制造多模态数据的分类方法，包括步骤：1)收集和清洗生产数据日志，获取多模态数据；2)对多模态数据按其数据组成形式进行划分，并进行相应的预处理；3)对预处理后的多模态数据进行特征提取与特征融合，对融合后的特征进行分类。本发明通过对多模态数据进行预处理，结合自编码器和嵌入处理方式提取数据表层特征和挖掘数据深层特征，基于在线学习的方式，利用全连接前馈深度神经网络对数据进行实时分类及结果展示，有效提高了多模态数据分类的准确率及提升了AUC指标。
-
公开(公告)号：CN114372181B
公开(公告)日：2024-06-07
申请号：CN202111609391.3
申请日：2021-12-27
Applicant: 华南理工大学
IPC: G06Q10/0631 , G06F18/2415 , G06F18/2431 , G06V10/764 , G06V10/82 , G06N3/047 , G06N3/048 , G06N3/08 , G06Q50/04
Abstract: 本发明公开一种基于多模态数据的设备生产智能规划方法，包括：1)对制造过程进行数据采集，得到多模态数据；2)对多模态数据进行标准化；3)对单个制造步骤构建训练集；4)对每个制造步骤的状态构建类别‑动作映射关系；5)构建并训练深度神经网络；6)用训练好的深度神经网络对每个制造过程中采集到的数据进行分类；7)根据分类结果选择相应动作；8)对每个制造步骤重复进行分类和动作选择，完成动作规划。本发明充分利用制造过程中收集到的多模态数据和深度神经网络，不仅可以识别每个步骤的当前状态，并根据当前状态进行动作规划，实现制造过程的动作智能规划，减少人工干预。此外，还可以增加动作规划的可解释性和准确性。
-
公开(公告)号：CN115810404A
公开(公告)日：2023-03-17
申请号：CN202211458638.0
申请日：2022-11-17
Applicant: 华南理工大学
IPC: G16C20/30 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了基于多层级信息融合的药物化学反应类型预测方法，包括提取在药物化学反应中分子层级的结构信息；提取反应式层级序列信息；将提取得到的药物化学反应中分子层级的结构信息和提取得到的反应式层级序列信息进行融合，最后得到预测出的药物化学反应类别。本发明不仅考虑反应式整体的信息，也关注局部分子的结构信息，可以使模型在整体信息和局部信息之间合理选择、相互补充，提高药物化学反应类型预测的准确率。
-
公开(公告)号：CN115713966A
公开(公告)日：2023-02-24
申请号：CN202211455475.0
申请日：2022-11-21
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于多模态网络和宽度学习的药物相互作用预测方法，包括：获取药物的多模态特征信息，并求取各个模态下的药物交互图；通过图注意力网络学习药物在不同模态下的特征；利用宽度学习系统进行多模态特征融合，并通过融合后的药物多模态特征来预测每个药物对之间存在相互作用的概率。本发明从多模态数据中提取药物特征信息，并利用图神经网络强大的特征表示能力来建模和学习药物的不同模态特征，通过将药物不同模态的数据特征映射到统一的低维向量空间，利用宽度学习可以融合多种特征的特点，融合四种模态的信息，充分利用了特征信息，增强模型表达能力。利用宽度学习系统可进行增量学习的特性，提高模型的预测性能。
-
Patent Agency Ranking
公开(公告)号：CN114203264A
公开(公告)日：2022-03-18
申请号：CN202111444354.1
申请日：2021-11-30
Applicant: 华南理工大学
Abstract: 本发明公开了基于深度学习的化学反应转化率预测方法、系统及介质，方法包括：从参加化学反应的反应物的所属类型中选出对化学反应转化率影响最大的反应物类型A，并进行反应物类型A的反应物和化学反应对应的化学反应式R的分词及特征提取，接着通过注意力机制求反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm，最后利用宽度学习系统对反应物类型A的反应物的深层表征信息Ta、化学反应对应的化学反应式R的深层表征信息Tr、反应物和反应式的关系信息Tm进行融合，预测化学反应转化率。本发明大大提高了化学反应转化率的预测精度。
-
公开(公告)号：CN115758758A
公开(公告)日：2023-03-07
申请号：CN202211476282.3
申请日：2022-11-23
Applicant: 华南理工大学
Abstract: 本发明提供了一种基于相似性特征约束的逆合成预测方法、介质及设备；其中方法为：将待预测产物转换为相应的产物SMILES序列；利用图神经网络提取出产物SMILES序列中所有字符对应的图结构特征；将图结构特征与词向量表示融合得到融合向量；将融合向量矩阵输入Transformer编码器和解码器中，得到反应物集合SMILES序列，进行转换得到相应的反应物。该方法将产物分子的图结构特征融入到预测特征中，提高了预测准确效果；通过特征约束学习反应物和产物集合间的共性，利用共性特征更好地帮助Transformer模型进行逆合成预测，进一步提高模型的预测准确率。
-
公开(公告)号：CN114220496B
公开(公告)日：2024-11-15
申请号：CN202111441439.4
申请日：2021-11-30
Applicant: 华南理工大学
Abstract: 本发明提供了一种基于深度学习的逆合成预测方法、装置、介质及设备；其中，方法包括如下步骤：将目标产物转换为SMILES序列；对SMILES序列进行结构信息的提取，结构信息包括度信息和邻接矩阵信息；进行编码得到度信息编码和邻接信息编码；将SMILES序列输入Transformer模型编码器中，并利用度信息编码和邻接信息编码来优化对SMILES序列的编码；Transformer模型将编码器的编码结果输入到解码器中进行解码，得到反应物集合的SMILES序列，进而转换得到相应的反应物。该方法解决了SMILES序列不能充分考虑分子结构信息的问题，提高了模型预测结果的准确度。
-
公开(公告)号：CN112784919B
公开(公告)日：2023-09-05
申请号：CN202110146422.X
申请日：2021-02-03
Applicant: 华南理工大学
IPC: G06F18/2415 , G06F18/25 , G06F18/15 , G06N3/0455 , G06N3/047 , G06N3/048 , G06N3/084 , G06N3/0985 , G06F16/215 , G06F16/27 , G06F16/28 , G06F16/182 , G06F16/35 , G06F40/289
Abstract: 本发明公开了一种面向智能制造多模态数据的分类方法，包括步骤：1)收集和清洗生产数据日志，获取多模态数据；2)对多模态数据按其数据组成形式进行划分，并进行相应的预处理；3)对预处理后的多模态数据进行特征提取与特征融合，对融合后的特征进行分类。本发明通过对多模态数据进行预处理，结合自编码器和嵌入处理方式提取数据表层特征和挖掘数据深层特征，基于在线学习的方式，利用全连接前馈深度神经网络对数据进行实时分类及结果展示，有效提高了多模态数据分类的准确率及提升了AUC指标。
-
公开(公告)号：CN114530258A
公开(公告)日：2022-05-24
申请号：CN202210105604.7
申请日：2022-01-28
Applicant: 华南理工大学
Abstract: 本发明提供了一种深度学习药物相互作用预测方法、装置、介质和设备；其中方法为：获取待预测的两种药物的药物分子信息；原子级网络对每个药物分子信息进行编码，捕获原子和化学键之间的相互作用信息，并输出编码后的药物分子图表示z_atomj；分子级网络利用多头注意力机制分别从每个药物分子图表示z_atomj提取出不同药物分子之间的关系，并输出分子图表示z_molj；将两种药物的输出分子图表示z_mol1和z_mol2转换为一个向量，进而得到药物相互作用预测结果。该方法可解决传统框架中不能充分考虑边信息的问题，可捕捉到不同药物分子之间的关系信息，从而提高预测结果的准确度。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.018 seconds)
