-
公开(公告)号：CN111833390B
公开(公告)日：2023-06-20
申请号：CN202010581570.X
申请日：2020-06-23
Applicant: 杭州电子科技大学
IPC: G06T7/50 , G06N3/0464 , G06N3/048 , G06N3/088
Abstract: 本发明公开了一种基于无监督深度学习的光场深度估计方法。本发明设计了无监督损失函数；同时从光场图像中提取一组3×3排列的子光圈图像作为光场深度估计网络的输入，输出中心子光圈图像的视差图，实现端到端的训练。步骤S1.准备光场数据集，制作训练集和测试集；步骤S2.搭建无监督光场深度估计网络；步骤S3.设计无监督光场深度估计损失函数；步骤S4.使用训练集训练无监督光场深度估计网络；本发明通过使用本发明自主搭建的网络结构以及损失函数，在海德堡图像处理实验室提供的4D光场数据集评测网站上，可以获得优于其它无监督深度估计方法的精度。
-
公开(公告)号：CN116127099A
公开(公告)日：2023-05-16
申请号：CN202310198892.X
申请日：2023-03-03
Applicant: 杭州电子科技大学
IPC: G06F16/36 , G06F16/35 , G06F18/214
Abstract: 本发明公开了一种基于图卷积网络的联合文本增强的表实体与类型注释方法。本发明步骤：1：自适应的与实体相关的定义型文本数据的抽取及预处理；2：将表数据集合、注释数据集合和文本数据集合转化为图结构数据的建模；3：特征向量化表示：根据图顶点的文本信息使用BERT进行特征向量化表示，转化成图卷积网络模型所需要的特征矩阵，并且根据边集建立模型需要的邻接矩阵；4：并行的多任务学习与结果预测。本发明包含文本的提取与预处理、由表到图结构的建模和多任务学习，能够提升模型对表的结构与语义解析能力，增强鲁棒性并提升模型的预测能力。同时能够在不依赖元信息的情况下，引入易从知识库获取的实体相关文本数据，性能显著优于现有模型。
-
公开(公告)号：CN115826530A
公开(公告)日：2023-03-21
申请号：CN202211609644.1
申请日：2022-12-14
Applicant: 杭州电子科技大学
IPC: G05B19/418
Abstract: 本发明公开了一种基于D3QN和遗传算法的作业车间批量调度方法。本发明步骤：1.构建作业车间批量调度问题的数学模型，调度目标是最大完工时间最小；2.作业车间批量调度问题的批量划分方案由遗传算法确定；3.将种群中的染色体进行交叉、变异操作；4.对染色体进行解码，得到工件的批量划分方案；将子批工序排序问题用析取图模型进行表示；5.利用图神经网络对析取图节点的特征信息进行表征学习，提取工序排序问题的特征状态；6.设计带有优先级经验回放的D3QN模型结构，并训练模型；7.判断是否满足终止条件。本发明采用分层迭代优化策略，利用训练好的D3QN模型为内层子批工序排序问题提供自适应调度策略，以实现完工时间的最小化，提高生产效率。
-
公开(公告)号：CN110071824B
公开(公告)日：2022-10-28
申请号：CN201910242788.X
申请日：2019-03-28
Applicant: 杭州电子科技大学
IPC: H04L41/12
Abstract: 本发明公开了一种配电网络拓扑自动构建和可视化方法。本发明利用配电智能终端的局部拓扑信息构建出完整的拓扑网络，并且通过图形化组件提供基于网络拓扑结构的配电监测；本发明涉及智能终端模块、数据采集模块、无线传输模块、拓扑构建模块、图形化模块。只需要将智能终端的上游终端设备编号和下游终端设备编号统一录入智能终端，待智能终端上电后由智能终端自动将其局部拓扑信息远程导入平台服务器。平台服务器将各个智能终端提供的局部拓扑信息以有向图的形式转化为完整的配电网络拓扑信息，最后通过图形化组件将完整的配电网络拓扑信息转化为可视化拓扑网络图，使得配电管理用户可通过可视化网络拓扑图对配电系统进行运行状态监测。
-
公开(公告)号：CN114647715A
公开(公告)日：2022-06-21
申请号：CN202210361634.4
申请日：2022-04-07
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于预训练语言模型的实体识别方法。本发明涉及深度学习，自然语言处理任务中的预训练语言模型和数据集成领域中的实体识别子任务。本发明添加了对于实体识别任务本身独特需求的关注，具体是提出一个关注相似片段和数字信息片段的联合实体识别模型，通过一个感知相似片段的编码器和一个感知数字片段的编码器，可以有效处理预训练语言模型在小训练集上注意力分散的问题，从而使模型能够更好的处理实体识别任务。本发明能够在小训练集上较现有最新方法有显著的提升，目前大部分方法都需要大量的训练数据，这就意味着需要大量人工参与标注数据，本发明可以有效节省人工标注的成本。
-
Patent Agency Ranking
公开(公告)号：CN114301667A
公开(公告)日：2022-04-08
申请号：CN202111617202.7
申请日：2021-12-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于WGAN动态惩罚的网络安全不平衡数据集分析方法，针对不平衡数据集中的少类样本构建WGAN模型。在判别器损失函数中添加一项惩罚项，约束损失函数的梯度范数，惩罚项在真实数据分布上叠加一个随机分布作为过渡分布，惩罚项的系数为真实分布与生成分布之间的均方距离。在模型训练过程中，两个数据分布之间的均方距离不断变化，即对判别器损失函数的惩罚是动态更新的，有助于提高模型训练的稳定性和效率。本发明提出的基于WGAN动态惩罚的网络安全不平衡数据集分析方法，通过生成大量少类样本，与原始样本融合，实现数据集的平衡。在基于浅层机器学习算法对数据分类时，实现对原始少类数据的高效正确检测。
-
公开(公告)号：CN114299512A
公开(公告)日：2022-04-08
申请号：CN202111617422.X
申请日：2021-12-27
Applicant: 杭州电子科技大学
IPC: G06V30/244 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于汉字字根结构的零样本小篆识别方法。本发明首先选取文字标签匹配的小篆与繁体字集图片作为训练集和测试集；然后构建小篆识别模型，该模型包括一个编码器和两个并行子网络分支；编码器将小篆图片解析为高维特征向量；两个并行子网络分支包括“小篆‑繁体转换生成网络”分支以及“基于注意力的汉字字根结构识别网络”分支；分支一包括两个解码器，根据高维特征向量得到对应的繁体字图片以及小篆图片；分支二根据高维特征向量得到小篆的汉字字根结构向量，从而识别小篆。本发明将“小篆识别问题”转化为字根结构更为规整的“繁体字识别问题”，降低了小篆识别难度，为零样本小篆识别任务提供新思路。
-
公开(公告)号：CN114299011A
公开(公告)日：2022-04-08
申请号：CN202111617324.6
申请日：2021-12-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于深度学习的遥感目标四边形框快速检测方法，本发明方法预测结果精准，对目标进行四边形框的回归，精准描述了目标的轮廓；对于图像特征的提取，使用了融合多层特征的深度神经网络，有利与小目标众多的遥感场景的目标检测；优化训练过程，在正负样本分配的过程中采用SimOTA策略，提高了模型对不同大小目标的均衡预测能力；对结果进行阈值过滤，筛选掉干扰目标，提高识别精度；检测速度快，达到了实时检测的水平，有实际应用的价值。
-
公开(公告)号：CN110602178B
公开(公告)日：2021-11-26
申请号：CN201910789611.1
申请日：2019-08-26
Applicant: 杭州电子科技大学
IPC: H04L29/08 , H04L29/06 , H03M7/30 , G06F16/2458 , G06F16/2455 , G06F9/50
Abstract: 本发明公开了一种基于边缘压缩计算处理温度传感器数据的方法。本发明将边缘计算引入到可视化平台系统中，应用在传感器数据采集端将数据进行压缩，再由发送接收模块转发到服务器；首先，在传感器数据采集端对数据进行处理，将集中式的大批量数据压缩计算，分割成小粒度的单模块压缩计算；其次，将压缩后的数据再通过发送接收模块进行发送，减小服务器端网络带宽的压力。本发明降低对消息队列对数据报文进行缓存的压力，大量的数据缓存和处理，容易发生队列的满载造成信息的丢失。数据在发送前进行压缩，可以提高数据的采集频率，使得到的数据信息更加准确，减少信息的丢失，在生产中提高数据的准确性。
-
公开(公告)号：CN113537313A
公开(公告)日：2021-10-22
申请号：CN202110736686.0
申请日：2021-06-30
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于WGAN训练收敛的不平衡数据集分析方法，针对不平衡数据集中的少类样本构建包含生成器和判别器的WGAN模型。生成器生成数据，再利用判别器对生成的新数据和原始数据进行判断，进而将判别结果以代价的形式反馈给生成器，使生成器生成与原始数据更相近的新数据。在WGAN模型训练过程中，生成器和判别器交替训练，每一轮以判别器的代价函数收敛作为生成器和判别器训练平衡的纳什均衡点，指导生成器和判别器的训练更替。本发明提出的基于WGAN训练收敛的不平衡数据集分析方法，可以通过生成大量少类样本，与原始样本融合，实现数据集的平衡，当基于浅层机器学习算法对数据分类时，实现对原始少类数据的高效正确检测。
-
-
-
-
-
-
-
-
-
Search Results
196
records
(took 0.04 seconds)
