-
公开(公告)号：CN110727796B
公开(公告)日：2020-12-22
申请号：CN201910874324.0
申请日：2019-09-17
Applicant: 华南理工大学
IPC: G06F16/35 , G06F16/33 , G06F40/289 , G06F40/211 , G06F40/216
Abstract: 本发明公开了一种面向分级读物的多尺度难度向量分类方法，该分类方法首先构造词语搭配特征、上下文特征、主题特征等丰富了特征表示，结合之前研究中效果最突出的特征，获得一个轻量、全面的句子难度向量，再输入到分类器如梯度提升树(GBDT)中，在教育分级读物语料、通用语料上达到很好的效果。该发明简化了特征表示，只需要21个向量就能体现句子难度，引入了多尺度特征丰富了难度特征表示，增强了模型泛化性；结合新使用的上下文信息构建了对句子级别和文章级别都适用的难度向量表示系统，在句子级别和文章级别的两个数据集都获得了较好的效果；分类器使用梯度提升树，训练速度快，可以获得特征重要性排序。
-
公开(公告)号：CN109902293B
公开(公告)日：2020-11-24
申请号：CN201910091937.7
申请日：2019-01-30
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于局部与全局互注意力机制的文本分类方法，步骤如下：获取文本数据，并进行预处理，将文本单词用预训练的词向量进行表示；利用长短期记忆网络捕获文本序列的全局长期依赖，利用多尺度卷积神经网络获取文本序列的局部语义特征；把全局长期依赖和局部语义特征作为局部与全局互注意力机制的输入，得到加权全局长期依赖和加权局部语义特征；再采用加权池化，得到最终的全局表示向量和局部表示向量；输入到全连接层融合全局表示向量和局部表示向量，再输入到分类层，进行分类。本发明并行地捕获全局长期依赖和局部语义特征，显式地学习这两种特征之间的交互，从而得到更好的文本全局和局部特征表示，进一步提高文本分类的精度。
-
公开(公告)号：CN108182259B
公开(公告)日：2020-06-19
申请号：CN201810004117.5
申请日：2018-01-03
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度长短期记忆神经网络对多变量时间序列分类方法，该方法通过选择长短期记忆神经元结构作为递归神经网络的隐层神经元结构，对长短期记忆神经元进行堆叠，设计出一种深层的递归神经网络分类框架，以达到提高多变量时间序列数据分类准确率的目的。通过实验对比发现，本发明比已有的分类模型准确度更高，并且在多个领域的时间序列数据集分类任务上具有普适性。
-
公开(公告)号：CN110727796A
公开(公告)日：2020-01-24
申请号：CN201910874324.0
申请日：2019-09-17
Applicant: 华南理工大学
IPC: G06F16/35 , G06F16/33 , G06F40/289 , G06F40/211 , G06F40/216
Abstract: 本发明公开了一种面向分级读物的多尺度难度向量分类方法，该分类方法首先构造词语搭配特征、上下文特征、主题特征等丰富了特征表示，结合之前研究中效果最突出的特征，获得一个轻量、全面的句子难度向量，再输入到分类器如梯度提升树(GBDT)中，在教育分级读物语料、通用语料上达到很好的效果。该发明简化了特征表示，只需要21个向量就能体现句子难度，引入了多尺度特征丰富了难度特征表示，增强了模型泛化性；结合新使用的上下文信息构建了对句子级别和文章级别都适用的难度向量表示系统，在句子级别和文章级别的两个数据集都获得了较好的效果；分类器使用梯度提升树，训练速度快，可以获得特征重要性排序。
-
公开(公告)号：CN109183500A
公开(公告)日：2019-01-11
申请号：CN201810823589.3
申请日：2018-07-25
Applicant: 华南理工大学
Abstract: 本发明属于功能性材料领域，具体公开了一种高光涂料、高光纸及其制备方法。所述高光涂料包括高岭土、钛白粉、聚硅氧烷、胶黏剂、纳米纤维素、聚乙烯醇、消泡剂适量以及其他助剂。所述高光纸的制备步骤包括：在纸张表面施胶、涂布预涂涂料和涂布高光涂料，使用由高岭土等成分组成的预涂涂料进行预涂处理，然后采用配方合成的高光涂料进行刮刀涂覆，进而得到光泽度高的高光纸。本发明对原纸先进行含有高岭土的预涂涂料进行预涂，然后再进行高光涂料的刮刀涂布，不仅可以大幅度减少高光涂料(钛白粉)的涂布量，而且采用在原纸的基础上预施胶再涂覆高光涂料可以有效地提高制备的高光纸的光泽度。
-
Patent Agency Ranking
公开(公告)号：CN105483005B
公开(公告)日：2018-10-09
申请号：CN201510966850.1
申请日：2015-12-18
Applicant: 华南理工大学
Abstract: 本发明属于微生物培养领域，具体涉及一种壳聚糖气凝胶碱性培养基的制备和使用方法。所述制备方法包括以下步骤：将20.00质量份的壳聚糖溶于1000体积份的乙酸溶液中，旋转蒸发浓缩至100体积份，即壳聚糖乙酸溶液凝胶的浓度为20％；将得到的壳聚糖乙酸溶液倒入容器内，于‑20℃预冻24h，取出后在‑55℃冷冻干燥36h，即得到壳聚糖气凝胶碱性培养基。本发明提供了一种新型的碱性培养的制备和使用方法，该方法制备的培养基具有更大的比表面积，提供更多附着位点，更适于微生物生长，完成培养目标。
-
公开(公告)号：CN106198513B
公开(公告)日：2018-09-14
申请号：CN201610464336.2
申请日：2016-06-21
Applicant: 华南理工大学
Abstract: 本发明属于功能材料技术领域，具体公开了一种木聚糖试纸及其制备方法。所述的制备方法包括以下步骤：配制木聚糖标准溶液和不同梯度的木聚糖溶液；标定木聚糖酶标准品活力，并配制不同浓度梯度的木聚糖酶溶液；将不同浓度梯度的木聚糖酶溶液分区涂覆在中速定性滤纸上制得试纸I；将另一张基纸浸渍在配制好的显色剂中，浸匀晾干，表层涂覆一层氧化钙，制得试纸II；试纸I和试纸II叠合，即为木聚糖试纸。将制备好的试纸在不同浓度梯度的木聚糖标准溶液中反应显色，拍照制备比色卡，通过对比比色卡能够得知所测样品木聚糖浓度。本发明的制备方法简单，易于操作，适于工业化生产；所得产物能够有效对木聚糖样品进行检测，具有良好的应用前景。
-
公开(公告)号：CN108108771A
公开(公告)日：2018-06-01
申请号：CN201810004239.4
申请日：2018-01-03
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于多尺度深度学习的图像问答方法，该方法受人类在图像问答中的认知行为启发，包括以下步骤：1)首先将同一图片按照需要设定为不同尺度大小的三幅图片，并采用预训练好的卷积神经网络提取图片特征，获取多尺度图片特征；2)利用递归神经网络来得到问句的特征表示，并接一个带不同卷积核大小的卷积层来获取n元问句特征表示；3)采用注意力转移机制来探索不同尺度的图片特征与n元问句表示之间的内在关联关系，即相似性度量；4)最后，融合不同尺度图片特征和n元问句特征，并使用层次网络结构，从大尺度到中尺度再到小尺度来推理预测问题的答案。本发明模拟人类在图像问答中的认知行为，并且在基准数据集上取得较高精度。
-
公开(公告)号：CN103481842B
公开(公告)日：2015-12-02
申请号：CN201310406969.4
申请日：2013-09-09
Applicant: 华南理工大学
Abstract: 本发明公开了一种车辆检测与跟踪模式的切换方法，包括以下步骤：（1）检测视频中的车辆，并标记；（2）对标记出的车辆编号，并记录车辆信息；（3）若驾驶员要求对车辆进行跟踪，则切换到跟踪模式；（4）若驾驶员没有要求跟踪车辆，则判断当前视频中是否有三辆以上完整车辆被检测到，如果有，则进入步骤（5），如果没有则返回步骤（1）；（5）自动进入车辆跟踪模式，处理连续若干帧或目标丢失后返回步骤（1）。与现有技术相比，本发明除了能进行车辆检测，车辆跟踪，还能根据驾驶员要求对特定车辆进行跟踪以及自动根据检测结果跟踪检测目标，把车辆检测与车辆跟踪结合起来，极大地提高车辆检测跟踪算法的实时性并满足驾驶员的需求。
-
公开(公告)号：CN104408072A
公开(公告)日：2015-03-11
申请号：CN201410605262.0
申请日：2014-10-30
Applicant: 广东电网有限责任公司电力科学研究院 , 华南理工大学
IPC: G06F17/30
CPC classification number: G06F17/30988
Abstract: 本发明的目的在于提供一种基于复杂网络理论的适用于分类的时间序列特征提取方法，本方法的步骤包括：首先，将时间序列转化为相应的复杂网络；其次，为了得到适用于分类的特征向量，对所得复杂网络的统计特征进行提取，得到相应的特征向量；最后，将所得特征向量输入分类器，对时间序列进行分类。通过实验验证本发明所提方法的有效性，实验结果表明将该方法所提取特征应用于时间序列分类能够达到较高的准确率。
-
-
-
-
-
-
-
-
-
Search Results
104
records
(took 0.038 seconds)
