-
公开(公告)号：CN117540104B
公开(公告)日：2024-08-02
申请号：CN202311762184.0
申请日：2023-12-20
Applicant: 暨南大学
IPC: G06F16/9535 , G06N3/0895 , G06N5/022 , G06Q50/20 , G06F16/906
Abstract: 本发明公开了一种基于图神经网络的学习群体差异评价方法与系统，包括：获取学习者做题的历史交互信息，对历史交互信息进行处理，得到知识点群体和知识点群体构成的潜在交互序列；根据知识点群体和知识点群体构成的潜在交互序列对学习者群体进行聚类，得到学习者群体；计算所述学习者群体之间的差异，得到群体差异量化结果；将群体差异量化结果输入循环神经网络模块进行训练，得到训练完毕的学习群体差异评价模型；将学习者做题的交互信息输入至模型，得到学习者学习能力评估结果。本申请与传统技术相比，能实现数据驱动的群体动态分组，精准评估群体学习情况，输出不同层次学习者群体的学习能力评价结果，以便制定更有效的后续教育计划。
-
公开(公告)号：CN118194357A
公开(公告)日：2024-06-14
申请号：CN202410605553.3
申请日：2024-05-16
Applicant: 暨南大学 , 深圳市方直科技股份有限公司 , 深圳市木愚科技有限公司
Abstract: 本发明提出了一种基于扩散去噪模型的隐私数据发布方法，包括：构建教育数据集，其中，所述教育数据集包括：隐私属性集和非隐私属性集；基于隐私预算，对所述隐私属性集进行PRAM预扰动；基于PRAM预扰动后的数据对预设的数据生成模型进行训练；基于训练后的数据生成模型进行采样，生成包含特定数量的数据记录作为合成数据集。本发明在可以在满足本地差分隐私定义的情况下，生成数据效用良好的教育类数据集，适用于各类教育数据应用场景。与一般的基于深度生成式模型的隐私数据发布方法相比，该方案可以实现更好的隐私‑效用权衡。
-
公开(公告)号：CN117272881B
公开(公告)日：2024-03-12
申请号：CN202311556851.X
申请日：2023-11-21
Applicant: 暨南大学
IPC: G06F30/32 , G06F30/337
Abstract: 本发明公开了一种基于标记句式决策图的电路简化方法及系统，包括以下步骤：S1、将电子电路转换为布尔逻辑表达式；S2、采用标记句式决策图表征布尔逻辑表达式；S3、对标记句式决策图进行约简；S4、根据约简后的标记句式决策图更新布尔逻辑表达式；S5、根据更新后的布尔逻辑表达式设计简化后的电子电路。本申请与传统技术相比，将电子电路转化为标记句式决策图，通过对标记句式决策图进行约简从而达成简化电子电路的目的，采用的复合规则的二元关系最小化方法能够避免决策图约简过程中出现的规模较大、定义冲突与内存冗余的问题，同时可以更加稳定高效地简化电路，具有良好的应用前景。
-
公开(公告)号：CN119005308A
公开(公告)日：2024-11-22
申请号：CN202411488220.3
申请日：2024-10-24
Applicant: 暨南大学 , 广东光大信息科技股份有限公司
IPC: G06N5/02 , G06N3/0442 , G06N3/0455 , G06F18/25
Abstract: 本发明公开了一种基于知识图谱的多模态习题表征方法，涉及多模态表征技术领域，包括：获取多模态信息的数学习题信息以及相关知识点，提取多模态习题涉及的所有元素；提取多模态习题的图像和文本特征；基于表层理解规则，明确习题文本和图片中各元素之间的空间关系，并构建表示表层信息的知识图谱；基于隐层理解的规则，将习题涉及的相关定理和公式转化为形式化语言，并构建表示隐层信息的知识图谱；将表示表层信息和表示隐层信息的知识图谱融合为表示完整的习题信息的知识图谱；基于表示不同习题信息的知识图谱节点和边，计算习题之间的相似度和困难度及文本知识图谱和图像知识图谱的匹配度；基于自动解题模型，获得习题的深度表征。
-
公开(公告)号：CN114038517B
公开(公告)日：2024-11-15
申请号：CN202110983302.5
申请日：2021-08-25
Applicant: 暨南大学
IPC: G16C20/70 , G16C20/20 , G06N3/042 , G06N3/0895 , G06N3/0464 , G06N3/0442
Abstract: 本发明涉及一种基于对比学习的自监督图神经网络预训练方法，步骤为：对公开数据库的化合物分子进行预处理，筛选出有机分子；对筛选出的有机分子进行结构分解并提取，将所得的子结构作为标识符，并构建子结构的语料库；将分解后的子结构看作超级节点并构建相应的子图数据，该子图数据与原分子图数据构成正样本对，随机选出若干个子图数据与原分子图数据组成负样本对；构建基于注意力机制的图卷积神经网络、基于多层次的门控循环单元和多层感知机模块，组成自监督学习模型；将所有正负样本对数据输入自监督学习模型进行预训练并保存，便于下游任务的微调。解决对缺乏标注的药物分子的场景时，进行深度学习模型训练所产生的泛化性能不足的问题。
-
Patent Agency Ranking
公开(公告)号：CN118171275B
公开(公告)日：2024-07-30
申请号：CN202410598914.6
申请日：2024-05-15
Applicant: 暨南大学 , 广州新科佳都科技有限公司 , 广州方纬智慧大脑研究开发有限公司
IPC: G06F21/56 , G06F18/241 , G06N3/0442 , G06N3/0455 , G06N3/048 , G06N3/0895 , G06F123/02
Abstract: 本发明公开了一种基于自监督箱型分类的智能交通车辆安全检测方法及系统，包括：采集智能交通数据集Car Hacking并进行数据预处理，提取时序特征数据，剔除不相关特征；基于LSTM自监督箱型分类模型和智能交通车辆入侵检测模型构建初始智能交通车辆安全检测模型；利用时序特征数据，对初始智能交通车辆安全检测模型进行训练，将达到预设训练精度的智能交通车辆安全检测模型进行测试，验证自监督箱型分类方法的有效性，并评估模型对于识别未知攻击类型的性能，构建获得基于自监督箱型分类的目标智能交通车辆安全检测模型来进行车辆安全监测，获得检测结果。本发明提高了安全检测的准确性和可靠性。
-
公开(公告)号：CN117273453A
公开(公告)日：2023-12-22
申请号：CN202311273132.7
申请日：2023-09-27
Applicant: 暨南大学
IPC: G06Q10/0635 , G06F18/24 , G06F18/214
Abstract: 本发明公开了一种智能网联汽车汽车风险评估方法及系统，包括以下步骤：S1、获取车辆的数据流向；S2、对车辆的数据流向进行整理分类，分析得到若干一阶风险，将一阶风险的子风险设定为二阶风险；S3、根据二阶风险的相对重要性指标，计算出各一阶风险内部的二阶风险之间的相对权重区间以及各一阶风险之间的相对权重区间，并对所得的相对权重区间进行调整拟合；S4、根据调整拟合后的相对权重区间计算汽车当前的风险等级。本方法与传统技术相比，将汽车风险的一阶风险进一步量化为二阶风险，大大提高了风险评估的准确性。
-
公开(公告)号：CN117272881A
公开(公告)日：2023-12-22
申请号：CN202311556851.X
申请日：2023-11-21
Applicant: 暨南大学
IPC: G06F30/32 , G06F30/337
Abstract: 本发明公开了一种基于标记句式决策图的电路简化方法及系统，包括以下步骤：S1、将电子电路转换为布尔逻辑表达式；S2、采用标记句式决策图表征布尔逻辑表达式；S3、对标记句式决策图进行约简；S4、根据约简后的标记句式决策图更新布尔逻辑表达式；S5、根据更新后的布尔逻辑表达式设计简化后的电子电路。本申请与传统技术相比，将电子电路转化为标记句式决策图，通过对标记句式决策图进行约简从而达成简化电子电路的目的，采用的复合规则的二元关系最小化方法能够避免决策图约简过程中出现的规模较大、定义冲突与内存冗余的问题，同时可以更加稳定高效地简化电路，具有良好的应用前景。
-
公开(公告)号：CN117035212A
公开(公告)日：2023-11-10
申请号：CN202311013539.6
申请日：2023-08-11
Applicant: 暨南大学
IPC: G06Q10/047 , G06F18/241 , G06F18/214 , G06N3/048
Abstract: 本发明公开了一种路径规划状态可达性智能预测方法及系统，包括以下步骤：读取路径规划域与路径规划问题的PDDL文件得到状态数据；对状态数据进行编码，得到该路径规划问题的状态数据模板；遍历该路径规划问题的所有可达状态，得到可达状态数据集；批量枚举生成状态，依次与所述可达状态数据集对比，选取其中路径不为可达状态且不重复的状态，得到不可达状态数据集；对预设的状态可达性智能分类模型进行训练，得到训练好的状态可达性智能分类模型；将状态数据输入至训练好的状态可达性智能分类模型，模型输出状态可达性结果。本方法与传统技术相比，使用机器学习分类方法训练路径规划状态可达性验证模型，大大提高了状态数据可达性验证和预测的速度。
-
公开(公告)号：CN120012825A
公开(公告)日：2025-05-16
申请号：CN202510110402.5
申请日：2025-01-23
Applicant: 人工智能与数字经济广东省实验室(广州) , 暨南大学
Abstract: 本发明公开了一种基于注意力机制嵌入和遗忘曲线集成的知识追踪方法及装置，涉及深度学习与智慧教育结合的技术，该方法包括获取问题及其知识概念，检索问题和知识概念的嵌入向量，使用注意力机制计算知识概念权重，利用遗忘曲线计算知识概念的间隔时间和遗忘率，并更新学生知识状态矩阵。通过特定学生的知识状态矩阵、问题嵌入向量、知识概念权重和项目反应理论模型计算预测结果，并根据问题回答情况进一步更新知识状态矩阵。本发明的目的是提升知识追踪模型的预测准确性和可解释性。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.023 seconds)
