-
公开(公告)号：CN113657400B
公开(公告)日：2024-12-03
申请号：CN202110952433.7
申请日：2021-08-19
Applicant: 大连理工大学
IPC: G06V30/148 , G06V30/18 , G06V30/19 , G06V10/82 , G06N3/0464 , G06N3/0442 , G06N3/045 , G06N3/08
Abstract: 一种基于跨模态文本检索注意力机制的文本指导图像分割方法，该方法将文本作为查询向量，多模态特征作为检索空间，自适应关注多模态特征空间中与文本相似区域，定位目标物体。该方法包括：特征提取、图文信息深度融合、深层次关系捕捉和多层级特征混合。采用卷积网络和长短时记忆网络提取视觉、语言特征；使用哈达玛积将视觉、语言特征信息深度融合；采用基于文本查询的注意力机制获取图片场景中与文本描述相似区域，最后将多个层级的特征混合分割目标物体。该方法能够在复杂场景下有效提高定位目标的准确度，实现区域的精确分割。
-
公开(公告)号：CN114741530A
公开(公告)日：2022-07-12
申请号：CN202210388163.6
申请日：2022-04-14
Applicant: 大连理工大学
Abstract: 本发明属于知识表示技术领域，提供一种基于对比学习的知识图谱嵌入模型训练方法。通过训练输入三元组得分最小化，实现正样本特征对齐；通过对一部分采样三元组进行全负样本训练，实现全局实体向量分布均匀性；通过关系特异性非线性函数，实现难易样本权重分配。该训练框架可以为实体向量参数提供稳定的训练目标，帮助知识图谱嵌入模型专注于困难实例并加快收敛速度。在大规模知识图谱构建和维护工程中，本发明大幅度降低知识图谱嵌入模型的训练成本，有效提高知识图谱表示的更新效率，使得知识图谱可以保持高质量知识表征。
-
公开(公告)号：CN113806481A
公开(公告)日：2021-12-17
申请号：CN202111091000.3
申请日：2021-09-17
Applicant: 中国人民解放军国防科技大学 , 大连理工大学
IPC: G06F16/33 , G06F16/335 , G06F16/36 , G06F40/295 , G06K9/62
Abstract: 本发明提出一种面向百科数据的作战事件抽取方法，从军事相关的百科文本出发，使用BERT字向量和后缀特征、实体注意力机制等多种方法提升作战事件抽取性能。该方法使用BERT+Bi‑GRU+CRF为基础框架，使用后缀特征抽取军事实体，使用军事实体注意力机制抽取作战事件触发词，完成作战事件抽取。本发明提出的方法通过后缀特征和军事实体注意力机制的引入，分别在军事实体识别和事件触发词抽取任务上提升2％和1.3％的F‑值；可以应用于军事作战事理图谱构建等多个领域，利用该方法产生的作战事件数据为作战规律分析、智能作战决策系统研发提供数据支持。
-
公开(公告)号：CN113378114A
公开(公告)日：2021-09-10
申请号：CN202110614872.7
申请日：2021-06-02
Applicant: 大连理工大学
Abstract: 本发明公开了一种多元时间序列缺失数据填补方法，涉及缺失数据填补领域，包括如下步骤S1：通过多元时间序列数据矩阵X定义缺失矩阵Q；S2:通过X定义时间序列距离矩阵D；S3：通过D定义距离矩阵δ；S4：将距离矩阵δ结合到长短期记忆网络LSTM的更新门处；S5：通过使用S4中修改后的LSTM替代生成式对抗网络GAN中的MLP，组成核心网络为LSTM的新型生成式对抗网络记为LSTM_GAN；S6：利用LSTM_GAN通过噪声数据生成的矩阵记为的元素记为由以下运算获得完整多元时间序列数据矩阵的元素本发明方法有效结合数据中的时间信息和数据本身信息，在多元时间序列缺失数据的填补实验中，取得了很大程度上的优势。
-
公开(公告)号：CN114037048B
公开(公告)日：2024-05-28
申请号：CN202111200399.4
申请日：2021-10-15
Applicant: 大连理工大学
IPC: G06N3/0442 , G06N3/092 , G06N3/008 , G06N5/04 , G06N20/00 , G06F30/27 , G06Q10/101
Abstract: 本发明提供一种基于变分循环网络模型的信念一致多智能体强化学习方法，该方法启发于人类团队之间的可以产生默契合作的现象，即通过共同的信念在任务上达成一致性共识。与人类社会群体类似，分布式学习系统中的智能体也可以受益于一致的信念，在有限的通信条件下实现协作。在本文中，我们展示了在分散式协作任务中智能体之间的一致性信念的作用。我们提出了一种新的基于值的方法——一致性信念多智能体强化学习方法，它使用变分模型来学习智能体之间的信念。我们还利用与变分模型结合的循环网络模型(RNN)充分利用智能体历史行为轨迹。我们的算法使智能体能够学习一致的信念，以优化完全分散的策略。我们在两个网格世界游戏以及星际争霸II微观管理基准上验证了该方法。我们的实验结果表明，该方法学习到的共同信念可以有效提高离散和连续状态下的智能体的协作效果。
-
Patent Agency Ranking
公开(公告)号：CN113806481B
公开(公告)日：2022-11-04
申请号：CN202111091000.3
申请日：2021-09-17
Applicant: 中国人民解放军国防科技大学 , 大连理工大学
IPC: G06F16/33 , G06F16/335 , G06F16/36 , G06F40/295 , G06K9/62
Abstract: 本发明提出一种面向百科数据的作战事件抽取方法，从军事相关的百科文本出发，使用BERT字向量和后缀特征、实体注意力机制等多种方法提升作战事件抽取性能。该方法使用BERT+Bi‑GRU+CRF为基础框架，使用后缀特征抽取军事实体，使用军事实体注意力机制抽取作战事件触发词，完成作战事件抽取。本发明提出的方法通过后缀特征和军事实体注意力机制的引入，分别在军事实体识别和事件触发词抽取任务上提升2％和1.3％的F‑值；可以应用于军事作战事理图谱构建等多个领域，利用该方法产生的作战事件数据为作战规律分析、智能作战决策系统研发提供数据支持。
-
公开(公告)号：CN111737497A
公开(公告)日：2020-10-02
申请号：CN202010607265.3
申请日：2020-06-30
Applicant: 大连理工大学
IPC: G06F16/36 , G06F16/35 , G06F40/211 , G06F40/253 , G06F40/30 , G06N5/00 , G06N3/04
Abstract: 本发明提供一种基于多源语义表示融合的弱监督关系抽取方法。首先，采用分布式词向量初始化文本语句的上下文语义特征，运用自然语言处理工具解析出描述文本特性的海量离散化符号特性，并设计关系抽取任务中语句实例与特性间通用的一阶逻辑规则。之后，将逻辑规则与因子图相结合以建立文本特性与语句实例间的联系，并通过联合统计推理从人类感知的角度建模，学习描述文本特性的低维关系语义向量；并使用双向门控循环单元编码语句内容本身的语义信息作为上下文内容语义向量。最后，在神经网络中微调文本特性语义向量，融合两种不同特征源的向量表示得到更具鲁棒性的文本语义特征表示，与实体对嵌入表征一同指导弱监督关系抽取工作。
-
公开(公告)号：CN105099829B
公开(公告)日：2018-04-10
申请号：CN201510542835.4
申请日：2015-08-30
Applicant: 大连理工大学
Abstract: 一种基于HTTP协议的电子资源服务可用性自动化监测方法，包含三个阶段：服务访问行为特征自动化采集；服务访问行为特征存储；服务访问行为模拟与判别。本发明可用于监测通过HTTP协议提供电子资源检索及下载服务的网络服务运行状态,应用包括高等院校及科研院所用于对所购买文献数据库服务进行的监测。本发明在无需人工分析电子资源服务网页代码，也无需获得电子资源服务器控制权限的情况下，完成针对基于HTTP协议的电子资源服务可用性的监测信息采集与监测实施。使用监测功能的用户完全不需要对检索页面代码进行任何人工分析即可自动完成对于检索Form表单所有信息及下载文件的真实网络地址的采集，具有极高的自动化水平。
-
公开(公告)号：CN105099829A
公开(公告)日：2015-11-25
申请号：CN201510542835.4
申请日：2015-08-30
Applicant: 大连理工大学
Abstract: 一种基于HTTP协议的电子资源服务可用性自动化监测方法，包含三个阶段：服务访问行为特征自动化采集；服务访问行为特征存储；服务访问行为模拟与判别。本发明可用于监测通过HTTP协议提供电子资源检索及下载服务的网络服务运行状态,应用包括高等院校及科研院所用于对所购买文献数据库服务进行的监测。本发明在无需人工分析电子资源服务网页代码，也无需获得电子资源服务器控制权限的情况下，完成针对基于HTTP协议的电子资源服务可用性的监测信息采集与监测实施。使用监测功能的用户完全不需要对检索页面代码进行任何人工分析即可自动完成对于检索Form表单所有信息及下载文件的真实网络地址的采集，具有极高的自动化水平。
-
公开(公告)号：CN114218850A
公开(公告)日：2022-03-22
申请号：CN202111317573.3
申请日：2021-11-09
Applicant: 大连理工大学
Abstract: 本发明属于知识表示技术领域，涉及一种异构多关系图表示学习方法。为了降低参数数量和计算复杂度。本发明将节点和关系在低维度欧式空间中进行向量嵌入，给定头节点和关系，通过双层栈式“旋转‑平移”变换模块，利用关系向量对头节点向量进行空间变换，经过关系自适应的向量聚合运算，计算变换后的头节点向量和尾节点向量的空间距离，该距离作为三元组评分，用于评估三元组的真实性概率。本发明可以应用于各领域异构多关系图的自动补全任务，大大降低了链接预测计算的时间复杂度和空间复杂度，使得基于图表示学习的异构图补全方法更好地应用于实际大规模异构多关系图的业务场景。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.023 seconds)
