-
公开(公告)号：CN116340301A
公开(公告)日：2023-06-27
申请号：CN202310297619.2
申请日：2023-03-24
申请人： 天津科技大学
IPC分类号： G06F16/215 , G06F16/22
摘要： 本发明涉及一种基于Spark的海量星表数据时序重构方法，其主要技术特点是：结合Spark计算框架和HEALPix索引完成海量星表数据的时序重构。本发明设计合理，能够在短时间内完成大规模天文数据的时许重构，为时域天文学进一步开展时域分析提供了支持。本发明有效过滤了星表中的错误记录，提高了时序数据质量的同时进一步优化了效率。此外，针对边缘漏源问题，本发明提出的参考星表副本策略在保证精度的前提下减少了数据传输量，进一步提高了算法效率。本发明所生成的时序数据还可以用于可视化生成光边曲线，为研究人员直观地展现出星表中的天体亮度随时间的变化情况。
-
公开(公告)号：CN111651991B
公开(公告)日：2022-08-26
申请号：CN202010295002.3
申请日：2020-04-15
申请人： 天津科技大学
IPC分类号： G06F40/295 , G06F40/126 , G06F40/169 , G06F16/35 , G16H10/60 , G06N3/04
摘要： 本发明涉及一种利用多模型融合策略的医疗命名实体识别方法，其技术特点是：人工标记文本中出现的医疗概念，得到训练文本集合；对训练文本集合数据进行预处理，得到分词后文本；构建分词后文本中词的词特征、词性特征和医学特征，得到词的完整编码特征；将分词后文本及词的完整编码特征分别输入到奇数个序列标注模型中进行模型学习，得到对应模型参数；根据人工指定的规则对初步标注结果进行融合，得到最终序列标注结果。本发明有效利用模型多样性和非线性建模能力提升医疗实体自动标注的准确率和查全率，可以广泛用于非数值类的医学实体标注工作，对医疗命名实体标注研究提供新指南，对推动智慧医疗具有显著的意义。
-
公开(公告)号：CN114820333A
公开(公告)日：2022-07-29
申请号：CN202110123489.1
申请日：2021-01-29
申请人： 天津科技大学
摘要： 本发明提出了一种结合残差块和上下文注意力模块两阶段的基于生成对抗网络的人脸修复方法。第一阶段为粗糙网络，该网络由基于空洞卷积的残差块组成；第二阶段为精细网络，该网络由上下文注意力模块和卷积模块组成。二者呈并联方式。此外，卷积操作无法获得人脸图像的全局信息，因此我们引入了上下文注意力模块，使网络能够有效利用图像信息，获得自然真实的人脸。判别器的输入为生成人脸与真实人脸，最终输出生成图像的真实图像概率。本发明克服了现有人脸修复方法的缺点：缺失区域内容模糊和边界扭曲，缺少纹理细节，不能平滑过渡等问题。本发明设计合理，能够利用可变形卷积和上下文注意力模块指导网络修复，提高修复质量。
-
公开(公告)号：CN111967566A
公开(公告)日：2020-11-20
申请号：CN201910438017.8
申请日：2019-05-20
申请人： 天津科技大学
摘要： 现有的边缘计算卸载研究重点在于如何缩短执行延迟和能耗，而在车联网环境中的高速动态的特殊性，则需要单独考虑。在高速流动的车流情况下，会随着时间产生大量数据，其较早的信息会影响对现在的决策产生影响导致现在的决策不符合当前情况，产生对当前情况的判断失真。考虑到随时间变化的因素，我们提出了一种基于长短期记忆神经网络训练的模型进行卸载决策其中包括：模型训练、特征处理、调参优化三个部分。所述方法通过对车载计算任务的时间序列特征进行数据分析，得到3维训练数据集，使用长短期记忆神经网络对信息的进行筛查和部分遗忘，通过输入门、输出门和遗忘门三个门的限制对各部分信息进行处理。最终进行分类得到可能所属类别的概率进行卸载决策。
-
公开(公告)号：CN111950691A
公开(公告)日：2020-11-17
申请号：CN201910410199.8
申请日：2019-05-15
申请人： 天津科技大学
摘要： 样本利用率及学习效率是深度强化学习在实际应用中的一个重要瓶颈问题。面对真实世界，为了快速、准确地得到通用的策略，本发明提出一种基于潜在动作表示空间的强化学习策略学习方法，该方法在动作的潜在空间学习策略，再把动作表示映射到真实的动作空间：所述方法中的策略就是一个从状态到动作表示的映射，可减小策略学习的搜索空间，提高策略学习效率；所述方法中动作的表示可选择成熟的监督学习进行离线学习，可进一步提高学习速度、提高稳定性。此外，只要所采取动作的特征相似，即使面对与训练策略不同的任务，可以使学成的策略在少量学习样本的精调下泛化到当前执行任务的动作空间中，极大地提高了策略表达的泛化能力。
-
公开(公告)号：CN110059185A
公开(公告)日：2019-07-26
申请号：CN201910265223.3
申请日：2019-04-03
申请人： 天津科技大学
摘要： 本发明涉及一种医学文档专业词汇自动化标注方法，包括：对输入的医学文档进行数据预处理，得到预处理后的医学文档文本；获取词的字母级特征向量、单词级特征向量、语言特征向量并进行融合，作为词的编码向量；将分词后的医学文档文本的词标注分类得到标注数据集；对每一个词输出一个多维向量作为词的空间表示；获取增强后的标注数据集；进行训练建模，并最终输出标注结果。本发明设计合理，其采用半监督学习算法对大量未标注数据进行标注，成功地克服了现有医疗行业标注数据过少的缺陷，有效地提高了模型能够使用的数据量，并大幅提升算法对于关键词和专业词汇的标注准确率，可广泛用于医疗文献处理中。
-
公开(公告)号：CN109448853A
公开(公告)日：2019-03-08
申请号：CN201811072187.0
申请日：2018-09-14
申请人： 天津科技大学
摘要： 本发明涉及一种基于矩阵分解的食物-疾病关联预测方法，利用成分表构建食物相似度网络；利用国际疾病分类数据构建疾病相关度网络；正则化食物相似度网络；正则化疾病相关度网络；构造已知的二元食物-疾病关联网络；随机初始化要预测的食物-疾病关联矩阵；引入捕捉真实食物相似度的矩阵和疾病真实相关度的矩阵，迭代学习模型参数，输出预测的食物和疾病关联矩阵Y、食物相似度真实情况的拟合矩阵和疾病相关度真实情况的拟合矩阵。本发明结合食物之间相似度和疾病相关度，对已知关联和要预测关联进行矩阵近似建模，可在人力物力消耗极低的情况下，为食物疾病关联研究提供指导，减少数据噪音的影响，提升食物和疾病关联预测模型的准确性。
-
公开(公告)号：CN109300549A
公开(公告)日：2019-02-01
申请号：CN201811180791.5
申请日：2018-10-09
申请人： 天津科技大学
摘要： 本发明涉及一种基于疾病加权和食品类别约束的食品-疾病关联预测方法，包括以下步骤：利用国际疾病分类数据构建疾病加权关系；利用成分表构建食品相似度网络；利用食品分类系统构造食品组关系；构造已知的二元食品-疾病关联网络；随机初始化食品和疾病在潜在空间的表示；引入疾病加权关系和食品组关系，学习食品和疾病潜在空间的表示；利用食品和疾病潜在空间的表示，输出预测食品和疾病的关联结果。本发明设计合理，克服了食品疾病关联数据的稀疏问题，提升食品和疾病关联预测模型的准确性，同时，使模型计算时间复杂度与食品组中食品数目成线性关系，降低了计算复杂度，减少了计算资源的消耗。
-
公开(公告)号：CN108446679A
公开(公告)日：2018-08-24
申请号：CN201810425913.6
申请日：2018-05-07
申请人： 天津科技大学
IPC分类号： G06K9/00
CPC分类号： G06K9/00268 , G06K9/00302
摘要： 本发明涉及一种基于中心对称局部梯度编码的人脸表情识别特征提取算法，包括以下步骤：在一幅人脸表情灰度图像中，选取5×5大小的邻域；在所选择的邻域中使用中心对称的方法进行局部梯度编码；根据横向、纵向、对角线的顺序，依次比较对应像素值的大小，并用二进制表示邻域内中心像素的特征值。本发明设计合理，本发明提取的特征值对人脸表情图像的特征信息描述较为全面，可以进行有效的人脸表情识别，同时在时耗方面相对于基于5×5邻域内的LGC人脸表情识别算法也具有优势，并且泛化能力较好，可广泛用于人脸表情识别领域。
-
公开(公告)号：CN117252802A
公开(公告)日：2023-12-19
申请号：CN202310246644.8
申请日：2023-03-15
申请人： 天津科技大学 , 思腾合力(天津)科技有限公司
摘要： 本发明实施例公开了一种基于牙齿图像的个人识别方法，包括：获取牙齿的RGB图像和红外图像，所述RGB图像包括：三个拍摄采集角度，每个拍摄角度的两张牙齿RGB图像，所述红外图像包括：与所述三个拍摄角度相同的拍摄角度，每个拍摄角度的两张牙齿红外图像；将所述牙齿的RGB图像和红外图像输入至训练完成的牙齿特征提取神经网络模型，得到输出的牙齿特征；将所述输出的牙齿特征与预先存有的牙齿特征模板进行比较，得到个人识别结果。使得网络模型能够更充分的提取牙齿图像的特征信息。提升了生物识别的准确性。
-
-
-
-
-
-
-
-
-
搜索结果
74 条记录 (耗时 0.031 秒)
