-
公开(公告)号：CN109977752B
公开(公告)日：2022-04-12
申请号：CN201910041388.2
申请日：2019-01-16
Applicant: 大连理工大学
IPC: G06V40/20 , G06V20/40 , G06F16/78 , G06F16/9032
Abstract: 一种基于序列模式挖掘的羽毛球运动员技战术分析方法，包括：S1、视频数据采集和场地编码、S2、对运动员动作进行人工标注、S3、面向羽毛球技战术分析的字符串匹配、S4、统计输出。本发明采用高效的羽毛球技战术编码方式对输入的羽毛球比赛运动视频进行标注；后利用字符串匹配方法将待分析运动员在所采集的比赛视频中每次得分所采用的人工标注字符串数据与每一关键技战术的代码进行匹配分析。然后依据预设关键技战术的代码在待分析运动员得分点的动作中出现的频率判断该运动员常用的羽毛球技战术。本方法有助于对羽毛球运动员认识自身的技术优势，从而提高自身技战术水平及教练团队进行赛前的技战术分析和赛后的技战术总结具有重大意义。
-
公开(公告)号：CN111783980A
公开(公告)日：2020-10-16
申请号：CN202010594875.4
申请日：2020-06-28
Applicant: 大连理工大学
Abstract: 一种基于双重协作生成式对抗网络的排序学习方法，该生成式对抗网络包含三个角色：导师，生成器和判别器，该方法主要步骤包括：S1、构建排序学习所需数据集步骤；S2、创建导师网络和生成器网络步骤；S3、创建判别器网络步骤；S4、数据细节及参数设置步骤；S5、T-G网络模型迭代训练步骤；S6、G-D网络模型迭代训练步骤；S7、多指标有效性测试结果返回步骤，效果是改善了用于排序学习的生成式对抗网络，在先前的知识体系基础上，通过导师与生成器之间的交互帮助与监督，减少了生成器和判别器之间的差异，提高了生成器的效率与有效性，在训练过程中大大削弱了过拟合的风险，改善了排序学习的性能。
-
公开(公告)号：CN109840626A
公开(公告)日：2019-06-04
申请号：CN201910041449.5
申请日：2019-01-16
Applicant: 大连理工大学
IPC: G06Q10/04 , G06Q40/06 , G06F16/951 , G06N3/04 , G06N3/08
Abstract: 一种基于卷积神经网络模型的股市预测方法，包括：S1、数据收集、S2、数据处理、S3、训练神经网络模型、S4、预测股市走势四大步骤。本发明通过采集和分析上市公司的财经新闻语料，并根据DJIA历史数据对财经新闻语料进行标注，将标注后的财经语料信息作为卷积神经网络模型输入值，从而经卷积神经网络模型的处理输出新闻标注的预测值，进而通过新闻标注的预测值即可预测DJIA的涨跌情况及股市走势。本发明经交叉验证可以达到65.5%的预测准确率。
-
公开(公告)号：CN118246534A
公开(公告)日：2024-06-25
申请号：CN202410442121.5
申请日：2024-04-12
Applicant: 大连理工大学
IPC: G06N5/022 , G06F16/31 , G06F16/33 , G06F40/279 , G06F40/151 , G06F40/30 , G06F40/126 , G06Q50/18 , G06N3/126 , G06N3/0499 , G06N3/08
Abstract: 本发明提供了一种基于大语言模型的技术融合机会预测方法，属于信息技术和人工智能领域。本发明通过大语言模型与专利技术融合进化算法EALM为创新技术的预测提供新范式，以专利技术基因为出发点，使用大语言模型进行专利技术层面的知识表征与融合，并结合进化算法EALM进行技术融合机会搜索与预测。本发明在文本语义、组合结果等方面具有显著优势，尤其通过对专利文本语义信息进行编码后，再经过大语言模型概念融合后解码，所得的技术融合机会预测文本十分优质，发现合理组合的概率也得到大幅度提升，为技术创新提供新的发展动力。
-
公开(公告)号：CN114036736A
公开(公告)日：2022-02-11
申请号：CN202111304900.1
申请日：2021-11-05
Applicant: 大连理工大学
Abstract: 本发明属于数据挖掘领域，提出了一种基于局部格兰杰因果分析的因果网络学习方法。本发明先将采集到的数据进行预处理，对缺失数据采用平均值插补方法进行补全。然后对补全的数据进行平稳性检验及处理，以满足建立模型的假设。之后将数据进行归一化，以消除不同变量量纲带来的影响。最后建立基于局部格兰杰因果分析的因果网络学习算法，实现准确探究变量间因果关系的目的，同时展现不同变量间的动态因果关系曲线，以达到定量、明确地分析系统间各变量间的因果关系。
-
Patent Agency Ranking
公开(公告)号：CN113268582A
公开(公告)日：2021-08-17
申请号：CN202110559680.0
申请日：2021-05-21
Applicant: 大连理工大学
IPC: G06F16/335 , G06F16/9537 , G06F40/216 , G06F40/242 , G06Q50/00 , G16H20/70
Abstract: 一种面向社交媒体文本抑郁倾向性分析的基于排序学习模型的特征加权方法，该方法包括以下步骤：S1、采集和预处理社交媒体文本数据；S2、面向抑郁情绪的文本特征抽取；S3、训练排序模型；S4、基于排序模型的抑郁风险评估。采集社交媒体文本上用户所发布的文本数据，文本数据包括“抑郁”话题下的数据和其他话题下的数据，“抑郁”话题下的数据作为模型训练中的正样本，其他话题下的数据作为模型训练的负样本；本发明将基于社交媒体的抑郁检测看作是风险评估问题，进而利用排序学习算法，对于具有潜在抑郁风险的社交媒体用户进行风险水平的排序，有益于早期检测出具有抑郁倾向的用户，有针对性的开展心理疏导和临床治疗。
-
公开(公告)号：CN109977752A
公开(公告)日：2019-07-05
申请号：CN201910041388.2
申请日：2019-01-16
Applicant: 大连理工大学
IPC: G06K9/00 , G06F16/903
Abstract: 一种基于序列模式挖掘的羽毛球运动员技战术分析方法，包括：S1、视频数据采集和场地编码、S2、对运动员动作进行人工标注、S3、面向羽毛球技战术分析的字符串匹配、S4、统计输出。本发明采用高效的羽毛球技战术编码方式对输入的羽毛球比赛运动视频进行标注；后利用字符串匹配方法将待分析运动员在所采集的比赛视频中每次得分所采用的人工标注字符串数据与每一关键技战术的代码进行匹配分析。然后依据预设关键技战术的代码在待分析运动员得分点的动作中出现的频率判断该运动员常用的羽毛球技战术。本方法有助于对羽毛球运动员认识自身的技术优势，从而提高自身技战术水平及教练团队进行赛前的技战术分析和赛后的技战术总结具有重大意义。
-
公开(公告)号：CN111783980B
公开(公告)日：2023-04-07
申请号：CN202010594875.4
申请日：2020-06-28
Applicant: 大连理工大学
Abstract: 一种基于双重协作生成式对抗网络的排序学习方法，该生成式对抗网络包含三个角色：导师，生成器和判别器，该方法主要步骤包括：S1、构建排序学习所需数据集步骤；S2、创建导师网络和生成器网络步骤；S3、创建判别器网络步骤；S4、数据细节及参数设置步骤；S5、T‑G网络模型迭代训练步骤；S6、G‑D网络模型迭代训练步骤；S7、多指标有效性测试结果返回步骤，效果是改善了用于排序学习的生成式对抗网络，在先前的知识体系基础上，通过导师与生成器之间的交互帮助与监督，减少了生成器和判别器之间的差异，提高了生成器的效率与有效性，在训练过程中大大削弱了过拟合的风险，改善了排序学习的性能。
-
公开(公告)号：CN113268582B
公开(公告)日：2024-12-17
申请号：CN202110559680.0
申请日：2021-05-21
Applicant: 大连理工大学
IPC: G06F16/335 , G06F16/9537 , G06F40/216 , G06F40/242 , G06Q50/00 , G16H20/70
Abstract: 一种面向社交媒体文本抑郁倾向性分析的基于排序学习模型的特征加权方法，该方法包括以下步骤：S1、采集和预处理社交媒体文本数据；S2、面向抑郁情绪的文本特征抽取；S3、训练排序模型；S4、基于排序模型的抑郁风险评估。采集社交媒体文本上用户所发布的文本数据，文本数据包括“抑郁”话题下的数据和其他话题下的数据，“抑郁”话题下的数据作为模型训练中的正样本，其他话题下的数据作为模型训练的负样本；本发明将基于社交媒体的抑郁检测看作是风险评估问题，进而利用排序学习算法，对于具有潜在抑郁风险的社交媒体用户进行风险水平的排序，有益于早期检测出具有抑郁倾向的用户，有针对性的开展心理疏导和临床治疗。
-
公开(公告)号：CN117036913A
公开(公告)日：2023-11-10
申请号：CN202310780602.2
申请日：2023-06-29
Applicant: 大连理工大学
IPC: G06V10/94 , G06V20/10 , G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明提供一种基于深度学习数据预处理过程的图像算法库及其使用方法，所述的图像算法库内部集成空间级算法、像素级算法和工具算法，以空间级算法与像素级算法为资源层、工具算法为组织层建立核心架构。其使用方法包括以下步骤：首先，根据当前图像数据和任务要求从图像算法库中选择对应的图像算法，其中图像算法包括空间级算法、像素级算法、工具算法；其次，选择好算法后，使用图像算法库中的算法序列类model_list.Model_list构建算法序列，对图像按任务要求进行处理；最后，将处理好的图像数据保存到本地后，得到优化后的图像数据集，用于深度模型训练。本发明提供的算法丰富，具有灵活性好、可维护性强的特点。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.022 seconds)
