-
公开(公告)号:CN105577703B
公开(公告)日:2019-01-25
申请号:CN201610158330.2
申请日:2016-03-18
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东省公安厅
IPC: H04L29/06
Abstract: 本发明的大数据警务云系统的用户权限管理方法,映射关系建立阶段包括:a).云应用的标记;b).建立用户信息数据元表;c).建立权限数据元表;d).建立映射关系;权限管理实施阶段包括:1).填写个人注册信息;2).生成个人权限列表;3).生成权限时间;4).保存信息;5).发送权限请求;6).接收权限请求;7).返回权限指令;8).加载应用程序或功能模块。本发明的用户权限管理方法,有效地实现了云系统上警务云应用较多(如数十或上百个)时的自动权限管理,减少基层民警用户使用云应用的权限审批流程,更好的建立不同业务、不同单位部分之间的分级授权制度,清晰化权限边界,有益效果显著,适于应用推广。
-
公开(公告)号:CN105577703A
公开(公告)日:2016-05-11
申请号:CN201610158330.2
申请日:2016-03-18
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东省公安厅
IPC: H04L29/06
Abstract: 本发明的大数据警务云系统的用户权限管理方法,映射关系建立阶段包括:a).云应用的标记;b).建立用户信息数据元表;c).建立权限数据元表;d).建立映射关系;权限管理实施阶段包括:1).填写个人注册信息;2).生成个人权限列表;3).生成权限时间;4).保存信息;5).发送权限请求;6).接收权限请求;7).返回权限指令;8).加载应用程序或功能模块。本发明的用户权限管理方法,有效地实现了云系统上警务云应用较多(如数十或上百个)时的自动权限管理,减少基层民警用户使用云应用的权限审批流程,更好的建立不同业务、不同单位部分之间的分级授权制度,清晰化权限边界,有益效果显著,适于应用推广。
-
公开(公告)号:CN108536794A
公开(公告)日:2018-09-14
申请号:CN201810281245.4
申请日:2018-04-02
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东省公安厅
IPC: G06F17/30
Abstract: 本发明的符合泊松分布的有序多分类变量的数据规格化方法,设数据样本的属性A符合泊松分布,属性A的m个类别经自然编码后的原始值分别为v1、v2、…、vm,vi、vj∈Z且vi≠vj,1≤i≤m,1≤j≤m,样本中属性A的总数量记为N,属性A中类别k下的数量记为nk;有序多分类变量的属性A规格化后的数据值v′k通过公式(1)进行求取:其中,1≤k≤m, 为属性A中m个类别原始值的均值,其通过如下公式进行求取。本发明的数据规格化方法,使得处理后的变量可应用在如神经网络、最近邻分类、聚类等基于对象距离的挖掘算法中,有益效果显著,适于应用推广。
-
公开(公告)号:CN119991709A
公开(公告)日:2025-05-13
申请号:CN202510482139.2
申请日:2025-04-17
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06T7/11 , G06T7/00 , G06V10/764 , G06V10/80 , G06V10/44 , G06N3/0455
Abstract: 本发明涉及基于高效双注意的医学图像分割方法及系统;属于医学图像分割技术领域,包括:1)获取医学图像数据集,预处理后划分为训练集和测试集;2)构建基于高效双注意的医学图像分割模型;3)训练基于高效双注意的医学图像分割模型;4)将测试集输入到优化后的基于高效双注意的医学图像分割模型中,输出得到最终医学图像分割结果。本发明有效融合高层和低层之间的语义特征,从而提取出更显著的特征并保留语义空间信息。
-
公开(公告)号:CN117370648A
公开(公告)日:2024-01-09
申请号:CN202311257644.4
申请日:2023-09-26
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06F16/9535 , G06F16/335 , G06F16/33 , G06F40/211 , G06F40/289 , G06F18/22 , G06F18/2431 , G06N3/0455 , G06N3/08 , G06Q50/18
Abstract: 本发明属于基于特定计算模型的专利推荐技术领域,更具体地,涉及基于Transformer编码器和正则化策略的专利推荐方法。所述方法包括:根据多个搜索文本建立一定数量的专利数据集,并按照搜索语句分类;对搜索文本以及数据集中的专利文本进行数据预处理;建立基于Transformer编码器和正则化策略的词句双处理模型,使用基于Dropout与对称JS散度的正则化策略对模型结构和输出结果进行优化;句粒度层面处理词粒度层面处理;对句粒度层面结果与词粒度层面结果进行线性加权,输出分类结果。本发明解决了现有技术中专利文本和搜索文本长度不一致导致的信息匹配不准确的问题以及传统专利推荐准确率低的问题。
-
公开(公告)号:CN117252813A
公开(公告)日:2023-12-19
申请号:CN202311086862.6
申请日:2023-08-25
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本发明属于神经网络检测图像的技术领域,更具体地,涉及基于深度学习的宫颈液基细胞检测与识别方法及系统。所述方法包括采集宫颈液基细胞图像数据,并经裁剪生成子图像集;对宫颈液基细胞病理图像的子图像集使用矩形框作为边界框进行异常细胞标注;将标注完成的数据进行数据增强处理得到数据集,再将数据集划分为训练集、验证集和测试集;通过数据集对改进的YOLOv5网络模型进行训练、验证和测试,得到训练好的改进的YOLOv5网络模型;将待分析宫颈液基细胞病理图像输入训练好的改进的YOLOv5网络模型进行识别。本发明解决了现有技术中存在漏检测和误检测的情况,并目标检测的准确性和鲁棒性不足的问题。
-
公开(公告)号:CN116778245A
公开(公告)日:2023-09-19
申请号:CN202310751471.5
申请日:2023-06-25
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06T7/00 , G06N3/08 , G16H50/20 , G16H30/00
Abstract: 本发明公开了一种基于医学影像的帕金森预测方法,属于医学图像处理技术领域,所述方法包括:获取待评估的MRI影像;对所述MRI影像进行预处理;将预处理后的MRI影像输入至预先构建好的人工智能分类预测模型中,得到预测结果,其中所述人工智能分类预测模型为改进的ResNet18网络模型。本发明将逐渐成熟的医学影像和深度学习进行结合,发挥人工智能的优势并将其应用于实际生活中,以残差网络为基础架构,根据帕金森病的医学影像特点对其进行改进,实现帕金森病的自动分类,准确度高。
-
公开(公告)号:CN116708446A
公开(公告)日:2023-09-05
申请号:CN202310967433.3
申请日:2023-08-03
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: H04L67/1001 , H04L67/101 , H04L67/1097
Abstract: 本发明涉及算力资源调度技术领域,提供了基于网络性能综合权值决策的算网调度服务方法及系统,算网服务平台将筛选出来的不属于同一数据中心的存储平台和算力平台进行一一组合,得到若干组存储平台和算力平台的组合;根据每一种组合下存储平台与算力平台之间的不同网络性能指标的数值、不同网络性能指标的主观权重向量、不同网络性能指标的客观权重向量以及用户客户端的资源需求,构建存算分离场景或数据流转场景下的多目标优化函数,对函数进行求解,得到满足用户需求的最佳存储平台和算力平台组合;算网服务平台将用户客户端的作业和计算数据,部署到最佳存储平台和算力平台组合中进行存储和计算。提高了计算资源利用率和任务调度效率。
-
公开(公告)号:CN113658209A
公开(公告)日:2021-11-16
申请号:CN202110924457.1
申请日:2021-08-12
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明的基于形态学的切片组织裱贴位置优良判别方法,包括:a).获取切片组织缩略图;b).标签位置识别和统一方向;c).去除标签信息;d).去除非病理组织的点和线;e).计算病理组织中心点偏离距离;f).计算病理组织与长轴的夹角;g).判断病理切片组织裱贴优良。本发明的切片组织裱贴位置优良判别方法,整个切片组织裱贴位置优良判别利用图像识别和处理自动完成,处理效率高,解决了现有人工评估所带来的耗时耗力问题,而且整个判别过程不会加入个人的主观想法,更加客观和准确,降低了医生在切片组织裱贴位置优良判别过程中的工作量。
-
公开(公告)号:CN111000553A
公开(公告)日:2020-04-14
申请号:CN201911395467.X
申请日:2019-12-30
Applicant: 山东省计算中心(国家超级计算济南中心)
IPC: A61B5/0402
Abstract: 本发明的基于投票集成学习的心电数据智能分类方法,其特征在于,通过以下步骤来实现:a).数据预处理;b).建立logistic回归模型;c).建立决策树模型;d).建立一个支持向量机;e).建立朴素贝叶斯模型;f).建立神经元模型;g).建立k邻近模型;h).模型集成,最终获得一个正确率不低于80%的模型,效果优于步骤b)至步骤g)中建立的单个模型。本发明的心电数据智能分类方法,首先从ccdd中获取足够数量的数据,将其分为训练集和测试集,然后建立各类模型,最后,获得一个正确率不低于80%的模型,可实现对“正常、房颤、房性早搏、偶发房性早搏、频发房性早搏、房性心动过速、房颤伴快速心室率”进行智能识别分类,实现心血管疾病的早发现、早治疗。
-
-
-
-
-
-
-
-
-