-
公开(公告)号：CN117770347A
公开(公告)日：2024-03-29
申请号：CN202311811998.9
申请日：2023-12-25
申请人： 天津科技大学
IPC分类号： A23J3/08 , A23L33/105 , A23L29/00 , A23P10/30
摘要： 本发明涉及一种改性乳清蛋白的制备及应用，尤其是在包埋芹菜素中展示了良好的包埋效果。制备方法的步骤如下：(1)取49mL去离子水溶解乳清蛋白0.5g于烧杯中，在将蛋白充分溶解后向烧杯中加入已经配制好的5M过氧化氢溶液1mL，称量抗坏血酸0.25g加入其中，混合均匀后于室温下静置2h。(2)2h后向蛋白溶液中加入0.35mM EGCG和1mMCaCl2，搅拌使得多酚和CaCl2溶解，之后将溶液置于室温下静置反应24h。(3)反应完成后用3500D透析袋透析反应后的溶液以除去多余的未结合上蛋白质的多酚，溶液于4℃下透析48h，每6h换一次透析液。本发明研究了通过添加Ca2+提高了WP‑EGCG的接枝率，并且增强了乳清蛋白的功能特性，对芹菜素的包埋率有较好的提升。
-
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：CN111967291A
公开(公告)日：2020-11-20
申请号：CN201910437868.0
申请日：2019-05-20
申请人： 天津科技大学
摘要： 本发明涉及一种红外人脸图像到可见光人脸图像的转换方法，包括以下步骤：构建红外和可见光人脸数据集。对人脸数据集中的图像按眼睛相对位置进行对齐，并变换到相同尺寸大小；构建训练数据集、验证数据集和测试数据集；构建对抗生成网络，采用循环对抗生成方式进行网络训练；生成从红外人脸图像到可见光人脸图像的变换网络。本发明设计合理，减少了对监督数据的依赖，很好的解决了红外人脸图像到可见光人脸图像转换问题，可借助可见光人脸识别方法提高红外人脸识别的准确率，可广泛用于夜间红外摄像场合。
-
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：CN108921862A
公开(公告)日：2018-11-30
申请号：CN201810520510.X
申请日：2018-05-28
申请人： 天津科技大学
摘要： 本发明涉及一种基于卷积神经网络的壁画线描图生成算法，包括以下步骤：收集壁画和线描数据，建立壁画-线描数据集；基于VGG16模型搭建深层卷积神经网络模型；使用制作好的壁画-线描数据集通过梯度下降算法进行模型训练；利用验证集进行验证，如果在验证集上损失下降，则保存模型；在此期间不断在验证集上进行调优，并使用最优模型在测试集上进行测试。本发明设计合理，其通过建立壁画-线描数据集、基于VGG16进行改进并搭建深层卷积神经网络模型、利用梯度下降算法进行模型训练、调整学习率等方式进行验证调优，最后测试输出高质量的线描图，并且不需要进一步的边界连接过程，处理速度很快。
-
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：CN108108245A
公开(公告)日：2018-06-01
申请号：CN201711364950.2
申请日：2017-12-18
申请人： 天津科技大学
IPC分类号： G06F9/50
CPC分类号： Y02D10/22 , Y02D10/36 , G06F9/50 , G06F9/5083
摘要： 本发明公开一种云平台宽节点科学工作流的混合型调度方法及系统。该方法包括：每个调度阶段初始化时，利用键能算法变换将任务构建成任务多层聚类树结构；在全局初始化阶段，利用键能算法变换和基本二叉多层划分将调度资源构建为云资源多层树结构；根据任务组的映射截止时间和调度资源的各维资源分布将任务多层聚类树结构中的任务子树的节点与云资源多层树结构中的节点进行映射操作；阶段调度末尾，判定完成映射操作的所述任务数量是否超过设定阈值；若是，则将未映射完成的任务归至下一个所述调度阶段，重新分配剩余任务的截止时间。本发明方法或系统融合了动态调度和静态调度双重特征的调度方法，在满足用户执行时间要求的基础上实现云资源提供方的能源成本优化。
-
-
-
-
-
-
-
-
-
搜索结果
70 条记录 (耗时 0.033 秒)
