-
公开(公告)号：CN117831784A
公开(公告)日：2024-04-05
申请号：CN202410020811.1
申请日：2024-01-08
Applicant: 湖南大学
IPC: G16H50/70 , G16H50/20 , G16H50/30 , G06N3/0442 , G06N3/045 , G06N3/084 , G06N3/096 , G06F18/15 , G06F18/214 , G06F18/21 , G06F18/25 , G06F18/2415 , G06N3/048 , G06F123/02
Abstract: 本发明公开了一种脓毒症多器官功能障碍预测模型结构，将时序数据和非时序数据进行有效整合，使得模型能够充分挖掘患者的病情信息，实现对脓毒症多器官功能障碍的准确预测；然后，本发明提供了脓毒症多器官功能障碍预测模型的训练方法，为了提高模型的性能和泛化能力，本发明还引入了迁移学习方法，利用源域数据集进行预训练，然后在医院数据集上进行微调和验证，以得到最终训练好的脓毒症多器官功能障碍预测模型。本发明能够解决现有脓毒症多器官功能障碍预测模型由于样本量不足以支持复杂模型的训练，导致训练得到的脓毒症多器官功能障碍预测模型在源域数据上表现良好、但在目标域上泛化能力较差的技术问题。
-
公开(公告)号：CN111538639B
公开(公告)日：2023-08-18
申请号：CN202010357343.9
申请日：2020-04-29
Applicant: 湖南大学
IPC: G06F11/30 , G06F16/33 , G06F16/35 , G06F18/23 , G06F18/241 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种日志解析方法。本发明采用ELMo模型训练低维词向量，其中词向量用于表示日志信息和用于日志聚类，解析树用于提升分类的效率和实际效果，解决了现有日志解析方法，普适性差、复杂度高、不能应用于大规模日志数据中等技术问题。
-
公开(公告)号：CN110175158A
公开(公告)日：2019-08-27
申请号：CN201910431788.4
申请日：2019-05-23
Applicant: 湖南大学
IPC: G06F16/18 , G06F16/2458 , G06F17/22 , G06F17/24
Abstract: 本发明公开了一种基于向量化的日志模板提取方法，其结合了离线日志模板提取和在线日志模板提取两个过程，离线日志模板提取先将所有的日志记录向量化后映射到一个高维向量空间，然后对所有向量进行聚类以实现对日志记录的分类，最后从每个类中提取出其中所有日志记录的最长公共单词子序列并用通配符替代不同的部分以作为该类的模板，在线日志模板提取基于离线提取的结果，对随着时间推移新产生的日志记录逐条进行处理，计算其向量化后的结果与已知各模板向量化后的结果的距离。本发明能够解决现有日志模板提取方法存在的不适合处理大量日志、普适性差、复杂性比较高的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN112766303B
公开(公告)日：2024-03-29
申请号：CN202011535827.4
申请日：2020-12-23
Applicant: 湖南大学
IPC: G06F18/24 , G06F18/15 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于CNN的航空发动机故障诊断方法，本防使用的数据集为航空发动机传感器收集到的气路参数，其中包含发生各种故障时的气路参数以及正常情况下的气路参数，并且是按照时间序列采集的数据，使用了卷积神经网络可以充分的挖掘气路参数之间前后变化的特征，相比于传统方法对离散数据进行建模(针对具体某个时刻的数据进行分析)来说，不仅考虑到了不同时刻气路参数具体数值的变化，进一步考虑了连续时刻参数变化的趋势特征和前后的联系，由于使用了CNN具有一定的平移不变性，所以泛化能力更好，可以取得更加全面更加高级更加复杂的特征，紧接着提出了一种新型的损失函数，用于评价模型的分类结果，从而实现故障的诊断。
-
公开(公告)号：CN117830274A
公开(公告)日：2024-04-05
申请号：CN202410022015.1
申请日：2024-01-05
Applicant: 湖南大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06V10/40 , G06N3/0464 , G06N3/045 , G06N3/084 , G06F40/289 , G06F40/126
Abstract: 本发明公开了一种基于多模态大模型的航空发动机损伤检测方法，首先，通过孔探设备获取发动机内部视频，并抽取关键帧作为分析的图片集合，并将图片经过预处理；其次，构建多模态数据集，数据集由多个部分组成，分别用于训练不同的模型；然后通过使用航空发动机图文数据二次预训练，得到包含航空发动机知识的图片编码器和文本编码器。再使用大规模通用数据集，基于二次预训练的图片编码器和文本编码器，利用对比学习的方法训练多模态大模型；最后使用少量标注的航空发动机损伤图文数据，基于多模态大模型，训练图片微调网络和文本微调网络。本发明能够解决现有人工检测中主观性强、效率低、成本高的技术问题。
-
公开(公告)号：CN112766303A
公开(公告)日：2021-05-07
申请号：CN202011535827.4
申请日：2020-12-23
Applicant: 湖南大学
Abstract: 本发明公开了一种基于CNN的航空发动机故障诊断方法，本防使用的数据集为航空发动机传感器收集到的气路参数，其中包含发生各种故障时的气路参数以及正常情况下的气路参数，并且是按照时间序列采集的数据，使用了卷积神经网络可以充分的挖掘气路参数之间前后变化的特征，相比于传统方法对离散数据进行建模(针对具体某个时刻的数据进行分析)来说，不仅考虑到了不同时刻气路参数具体数值的变化，进一步考虑了连续时刻参数变化的趋势特征和前后的联系，由于使用了CNN具有一定的平移不变性，所以泛化能力更好，可以取得更加全面更加高级更加复杂的特征，紧接着提出了一种新型的损失函数，用于评价模型的分类结果，从而实现故障的诊断。
-
公开(公告)号：CN110175158B
公开(公告)日：2020-11-10
申请号：CN201910431788.4
申请日：2019-05-23
Applicant: 湖南大学
IPC: G06F16/18 , G06F16/2458 , G06F40/194 , G06F40/186
Abstract: 本发明公开了一种基于向量化的日志模板提取方法，其结合了离线日志模板提取和在线日志模板提取两个过程，离线日志模板提取先将所有的日志记录向量化后映射到一个高维向量空间，然后对所有向量进行聚类以实现对日志记录的分类，最后从每个类中提取出其中所有日志记录的最长公共单词子序列并用通配符替代不同的部分以作为该类的模板，在线日志模板提取基于离线提取的结果，对随着时间推移新产生的日志记录逐条进行处理，计算其向量化后的结果与已知各模板向量化后的结果的距离。本发明能够解决现有日志模板提取方法存在的不适合处理大量日志、普适性差、复杂性比较高的技术问题。
-
公开(公告)号：CN111538639A
公开(公告)日：2020-08-14
申请号：CN202010357343.9
申请日：2020-04-29
Applicant: 湖南大学
Abstract: 本发明公开了一种日志解析方法。本发明采用ELMo模型训练低维词向量，其中词向量用于表示日志信息和用于日志聚类，解析树用于提升分类的效率和实际效果，解决了现有日志解析方法，普适性差、复杂度高、不能应用于大规模日志数据中等技术问题。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.02 seconds)
