公开(公告)号：CN111914923A

公开(公告)日：2020-11-10

申请号：CN202010735723.1

申请日：2020-07-28

申请人： 同济大学 ,  江西师范大学 ,  北京富通东方科技有限公司

发明人： 赵生捷 ,  郑琦斌 ,  马勇 ,  王明文 ,  赵伟 ,  李瑞瑞

IPC分类号： G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明涉及一种基于聚类特征提取的目标分布式识别方法，包括：步骤1：训练深度神经网络，获得深度神经网络模型；步骤2：将深度神经网络模型划分为N边和N域两个子神经网络模型，获得拆分后的深度神经网络模型；步骤3：将N边和k-means聚类子模型部署在边缘设备，将N域部署于边缘域中心，获得分布式深度神经网络模型；步骤4：对分布式神经网络模型进行优化，获得优化后的分布式深度神经网络模型；步骤5：使用步骤4中优化后的分布式深度神经网络模型完成目标分布式识别。与现有技术相比，本发明具有在边缘侧应用神经网络，实现目标识别、数据传输量低，识别速度快，在降低系统总体能耗与处理时间的同时，也保证了目标识别的精度等优点。

公开(公告)号：CN111914923B

公开(公告)日：2022-11-18

申请号：CN202010735723.1

申请日：2020-07-28

申请人： 同济大学 ,  江西师范大学 ,  北京富通东方科技有限公司

发明人： 赵生捷 ,  郑琦斌 ,  马勇 ,  王明文 ,  赵伟 ,  李瑞瑞

IPC分类号： G06K9/62 ,  G06N3/04 ,  G06N3/08

摘要： 本发明涉及一种基于聚类特征提取的目标分布式识别方法，包括：步骤1：训练深度神经网络，获得深度神经网络模型；步骤2：将深度神经网络模型划分为N边和N域两个子神经网络模型，获得拆分后的深度神经网络模型；步骤3：将N边和k‑means聚类子模型部署在边缘设备，将N域部署于边缘域中心，获得分布式深度神经网络模型；步骤4：对分布式神经网络模型进行优化，获得优化后的分布式深度神经网络模型；步骤5：使用步骤4中优化后的分布式深度神经网络模型完成目标分布式识别。与现有技术相比，本发明具有在边缘侧应用神经网络，实现目标识别、数据传输量低，识别速度快，在降低系统总体能耗与处理时间的同时，也保证了目标识别的精度等优点。

公开(公告)号：CN118410171A

公开(公告)日：2024-07-30

申请号：CN202410832534.4

申请日：2024-06-26

申请人： 江西师范大学

发明人： 黄琪 ,  李必镡 ,  付懿睿 ,  王明文 ,  罗文兵

IPC分类号： G06F16/35 ,  G06F40/242 ,  G06F18/25 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/0464

摘要： 本发明公开了基于情感分布的细粒度虚假新闻检测方法，包括如下步骤：构建新闻数据集，构建虚假新闻检测模型；将新闻数据集输入至虚假新闻检测模型中进行预测，输出新闻样本的真假预测标签；虚假新闻检测模型由特征提取层和融合预测层组成，其中，特征提取层内的情感特征提取层由预训练好的情感轮模型和情感词典模型构成；本发明通过引入情感轮模型，能够更全面地理解文本中情感的复杂性，从而更准确地捕获和表达情感特征，情感轮模型考虑了情感之间的对立性和相似性，使得可以更精细地区分和分类不同情感状态。

公开(公告)号：CN118379594A

公开(公告)日：2024-07-23

申请号：CN202410249559.1

申请日：2024-03-05

申请人： 江西师范大学

发明人： 雷浩鹏 ,  梁恺俊 ,  尹豪 ,  王明文 ,  曾锦山 ,  罗国亮

IPC分类号： G06V10/82 ,  G06V10/774 ,  G06N3/0455 ,  G06N3/0895 ,  G06N3/08 ,  G06N3/0464

摘要： 本发明提供一种基于有限数据集的图像生成方法及系统，该方法包括：将有限图像数据作为数据集，构建编码器模型，通过对比学习、KL散度学习和分类学习对所述编码器模型预训练；基于预训练后编码器模型输出的条件向量，通过所述数据集对条件扩散模型进行训练；当用户输入图像后，基于预训练后编码器模型输出的条件向量，通过训练后的条件扩散模型生成与输入图像相似的图像。通过该方案不仅可以保障扩散模型的准确可靠，而且能够有效提高生成图像的质量。

公开(公告)号：CN117473096A

公开(公告)日：2024-01-30

申请号：CN202311834982.X

申请日：2023-12-28

申请人： 江西师范大学

发明人： 罗文兵 ,  王岚清 ,  陶聪 ,  梁佳美 ,  黄琪 ,  罗凯威 ,  王明文

IPC分类号： G06F16/35 ,  G06F40/30 ,  G06N3/0455 ,  G06Q50/20 ,  G06N3/048

摘要： 本发明公开了一种融合LATEX标签的知识点标注方法及其模型，步骤如下：数据集构建，构建好的数据集中原始习题文本输入到句子编码器模块中，输出结果；将输出结果输入到学科知识融合模块中的计算结果分别为最终的语义表征；将最终的语义表征输入到门控筛选模块，其输出结果为原始习题文本在学科知识信息影响下最终被保留的信息；将输出结果输入到通过带有sigmoid函数的线性层，得到最终的分类概率向量，并将其通过阈值分类器从而转化为预测标签。本发明的有益效果是：引入两种更细化的学科知识，即LATEX标签概念和术语类型的信息，进而在样本分布失衡的情况下为大部分知识点的标注提供关键信息。

公开(公告)号：CN113962192B

公开(公告)日：2022-11-15

申请号：CN202110467098.1

申请日：2021-04-28

申请人： 江西师范大学

发明人： 曾锦山 ,  汪叶飞 ,  陈琪 ,  王明文

IPC分类号： G06F40/109 ,  G06T3/00 ,  G06T7/11 ,  G06N20/00

摘要： 本申请公开了一种汉字字体生成模型的生成方法、汉字字体生成方法及装置，属于人工智能技术领域。所述方法包括：获取汉字图像；对汉字图像进行几何变换处理，生成汉字变换图像；将汉字变换图像输入至汉字鉴别模型，通过汉字鉴别模型对汉字变换图像进行鉴别处理，输出汉字变换图像的真伪性信息；基于真伪性信息，调整字体生成模型的模型参数，得到训练后的字体生成模型。本申请实施例提供的技术方案中，通过对汉字图像进行几何变换以指导模型提取高质量汉字特征；并通过汉字鉴别模型对汉字转换图像进行真伪判断的结果，调整模型参数以使模型效果最优，有效解决深度学习模型训练中的模式坍塌的问题，提升特征提取的指导与针对性，显著提升汉字生成效果。

公开(公告)号：CN112967710B

公开(公告)日：2022-06-14

申请号：CN202110317760.5

申请日：2021-03-25

申请人： 江西师范大学

发明人： 徐凡 ,  但扬杰 ,  张光河 ,  王明文

IPC分类号： G10L15/00 ,  G10L15/06 ,  G10L15/16 ,  G10L15/26

摘要： 本申请涉及一种低资源客家方言点识别方法，包括如下步骤：步骤100：采集大方言语音资料，建立关联性大方言语料库；采集低资源客家方言语音资料，建立低资源客家方言语料库；步骤200：利用迁移学习策略，在源端训练一个相对较大的方言语音识别模型；步骤300：对目标端低资源客家方言语音识别模型进行微调，利用中间语义向量进行客家方言识别；步骤400：建立低资源客家方言点识别计算模型，得到低资源客家方言点预测结果。本发明能够在较少的数据情况下训练出准确率较好的方言点识别模型，准确识别出所属方言点，便于后期为进行方言自动回复，聊天等任务提供更准确的指导信息。

公开(公告)号：CN118709773A

公开(公告)日：2024-09-27

申请号：CN202411217878.0

申请日：2024-09-02

申请人： 江西师范大学

发明人： 万剑怡 ,  王菲菲 ,  陈开阳 ,  邵佳兴 ,  肖聪 ,  刘璟 ,  罗文兵 ,  王明文

IPC分类号： G06N5/025 ,  G06N3/0455 ,  G06N3/0442 ,  G06F18/15

摘要： 本发明公开了一种基于知识图谱的初中数学知识点关系抽取方法，包括如下步骤，构建数据集进行预处理，得到句子文本数据，将句子文本数据输入预训练语言模块进行处理，得到文本语义特征编码向量，将数据集输入基于知识表示学习的预训练语言模块，得到实体特征编码向量和关系类型特征编码向量集合，将文本语义特征编码向量、实体特征编码向量和关系类型特征编码向量集合输入局部实体语义融合模块，得到关系‑语义特征编码向量，将关系‑语义特征编码向量输入到分类器模块中进行预测。本方法通过将关系类型特征编码向量集合、句子文本数据和实体特征编码向量充分的融合，提高了关系抽取效果的准确率。

公开(公告)号：CN118568358A

公开(公告)日：2024-08-30

申请号：CN202411026248.5

申请日：2024-07-30

申请人： 江西师范大学

发明人： 罗文兵 ,  江威 ,  陈开阳 ,  邹嘉铭 ,  邹郁萑 ,  李国威 ,  黄琪 ,  王明文

IPC分类号： G06F16/9535 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/047 ,  G06N3/0985 ,  G06F18/15 ,  G06F18/25 ,  G06N3/048

摘要： 本发明公开了一种融合区域负采样和图对比学习的推荐方法，包括：S1：构建数据集，将数据集的二部图处理为归一化邻接矩阵；S2：构建推荐网络模型，将S1中的归一化邻接矩阵导入到推荐网络模型进行邻域信息聚合，获得主视图的节点嵌入并进行区域负采样，构建损失函数进行计算；S3：对归一化邻接矩阵进行随机奇异值分解操作得到增强视图，获得增强视图的节点嵌入，构建对比学习损失函数；S4：构建总损失函数进行联合训练，最小化总损失函数的损失优化推荐网络模型的参数。本发明将对比学习与图神经网络相结合，充分利用了两者的优势，使得推荐系统能够更好地理解用户和物品之间的关系，从而提高推荐的准确性和个性化程度。

公开(公告)号：CN118114188B

公开(公告)日：2024-06-25

申请号：CN202410537484.7

申请日：2024-04-30

申请人： 江西师范大学

发明人： 肖聪 ,  刘璟 ,  邵佳兴 ,  王明文 ,  罗文兵 ,  黄琪

IPC分类号： G06F18/2433 ,  G06F18/25 ,  G06F18/2411 ,  G06F18/22 ,  G06N3/0464 ,  G06F16/9536 ,  G06Q50/00

摘要： 本发明涉及自然语言处理技术领域，公开了一种基于多视角和分层融合的虚假新闻检测方法，步骤如下：构建新闻样本，对新闻样本进行数据预处理；得到标题特征数据、文本特征数据和图像特征数据；标题特征数据得到标题编码特征向量，文本特征数据得到跨模态文本特征向量、文本编码特征向量、文本情感特征向量；图像特征数据得到图像情感特征向量、跨模态图像特征向量、图像空间域特征向量和图像频域特征向量；融合上述特征向量得到最终融合编码特征向量，输入到分类器模块中，输出新闻样本的真假预测标签。通过融合策略选择过程，有效利用文本模态与图像模态的跨模态之间的相似度信息，及时调整不同样本的模态重要性，达到更高的检测效率。