-
公开(公告)号：CN102968330A
公开(公告)日：2013-03-13
申请号：CN201210489305.4
申请日：2012-11-27
Applicant: 武汉大学
IPC: G06F9/45
Abstract: 本发明涉及一种固件代码反汇编中端模式差异的处理方法。首先初始化机器码；然后由检测模块进行机器码检测，检测机器码的长度L，保证L是N的整数倍，若不足则补零，将数组C转换成数组D。其中N是依据不同硬件情况决定，若硬件的存储单元大小为Mbit，则N=M/2；再由局部逆置模块将数组D中的元素以每N个为一个单元U，单元内部对半调换；最后由全局逆置模块将单元U编号为0、1、……、n-1，分别将编号之和为n-1的两个单元的内容进行逆置。利用本发明可以有效解决各种微处理器的反汇编机器码的正确性问题，在反汇编之前对智能电能表内部MCU芯片提取的机器码的顺序加以调整，提高最终生成的高级语言的精确度。
-
公开(公告)号：CN112597353B
公开(公告)日：2024-03-08
申请号：CN202011507003.6
申请日：2020-12-18
Applicant: 武汉大学
IPC: G06F16/903 , G06F16/907 , G06F16/9038 , G06F16/11
-
公开(公告)号：CN111061843B
公开(公告)日：2023-08-25
申请号：CN201911369712.X
申请日：2019-12-26
Applicant: 武汉大学
IPC: G06F16/33 , G06F16/35 , G06F16/36 , G06F40/205 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种知识图谱引导的假新闻检测方法，包括：步骤1、基于假新闻检测数据集，构建知识图谱作为假新闻检测的背景知识，并预训练知识图谱嵌入模型；步骤2、抽取待检测新闻文本中的实体，并连接到知识图谱；步骤3、基于新闻文本与实体，获取新闻文本的词级别增强表示，并基于注意力机制提取新闻文本词级别特征；步骤4、获取新闻文本字级别表示，基于注意力机制抽取新闻文本字级别特征；步骤5、基于实体注意力模型，抽取新闻文本中的实体特征；步骤6、融合待检测新闻文本的词级别特征、字级别特征、实体特征，对待检测新闻文本进行真实性检测。本发明引入知识图谱来引导深度学习模型进行假新闻检测，提高了模型识别准确率与泛化性能。
-
公开(公告)号：CN109858034B
公开(公告)日：2023-02-03
申请号：CN201910136963.7
申请日：2019-02-25
Applicant: 武汉大学
IPC: G06F40/30 , G06F40/247 , G06F18/23213 , G06F18/24
Abstract: 本发明公开了一种基于注意力模型和情感词典的文本情感分类方法，首先获取需要进行情感分类的目标文本数据集，一部分用作训练集，另一部分作为测试集；并对目标文本数据集进行预处理，生成情感词典；然后基于情感词典，获取对文本数据具有情感表达作用的情感特征；接着获取文本中各词语的词向量，基于词向量和情感特征，计算目标文本的情感特征向量E1；最后基于注意力模型，通过目标文本的情感特征向量获取情感分类结果。本发明通过构建注意力模型，结合情感词典，能进行快速准确的文本情感分类。
-
公开(公告)号：CN109598052B
公开(公告)日：2022-07-05
申请号：CN201811440265.8
申请日：2018-11-29
Applicant: 武汉大学
IPC: G06F30/00
Abstract: 本发明提供了一种基于相关系数分析的智能电表寿命周期预测方法及装置，通过基于相关系数分析的智能电表寿命周期预测方法根据单位影响因数、制造厂商影响因数以及故障类型影响因数为主要参数，并以神经网络算法作为参数训练辅助。该方法流程如下：首先，计算验证单位、电表厂商、故障原因三个因素的周期相关性；然后得到电表的预测更换周期的预测模型，初始化模型中出现的各项的值；之后采用启发式方法迭代搜索确定权重，使用基于神经网络算法的更新权重方式进行修正；最后设计预警模型。实现了对智能电表的寿命周期的准确预测以及更换预警的技术效果。
-
Patent Agency Ranking
公开(公告)号：CN114398039A
公开(公告)日：2022-04-26
申请号：CN202111464906.5
申请日：2021-12-03
Applicant: 武汉大学
Abstract: 本发明提供了一种自动细粒度的两级并行翻译方法，首先通过ANTLR解析源C代码，自动生成EBNF语法描述，并生成相应的词法和语法分析器。然后分析从解析器中提取的循环信息，如果找到流依赖关系，则包含这些依赖关系的循环语句不可并行化。如果找到数据之间的反依赖关系和输出依赖关系，进行依赖关系的消除。如果没有数据依赖关系，则这种循环语句是可并行化的。再将可并行化的循环结构映射到适合CUDA和CPU多线程执行的结构，然后生成相应的CUDA代码和CPU多线程代码，本发明可以节约计算资源，提高计算效率。
-
公开(公告)号：CN107103093B
公开(公告)日：2020-03-10
申请号：CN201710345317.2
申请日：2017-05-16
Applicant: 武汉大学
IPC: G06F40/30 , G06F16/335 , G06F16/33
Abstract: 本发明涉及一种短文本推荐方法及装置，属于信息处理技术领域，具体涉及一种基于用户行为和情感分析的短文本推荐方法及装置。本发明结合用户历史行为以及用户历史短文本情感，通过情感负相关性分析，匹配相关类别的短文本和用户，推荐相关短文本。
-
公开(公告)号：CN108038240A
公开(公告)日：2018-05-15
申请号：CN201711453302.4
申请日：2017-12-26
Applicant: 武汉大学
Abstract: 本发明提供一种基于内容、用户多因素分析的社交网络谣言检测方法，包括：步骤a，获取文本信息例，并获取文本信息例的文本信息和用户信息；步骤b，根据文本信息，建文本信息例的文本内容特征模型，文本内容特征模型包括关键词匹配模型、情感倾向模型、情感波动模型、主题聚类匹配模型和内容影响力评价模型；步骤c，根据用户信息，构建所述文本信息例的用户特征模型，用户特征模型包括内容一致性评判模型和用户影响力评价模型。步骤d，根据文本内容特征模型和用户特征模型，构建特征向量，训练分类器，将特征向量输入分类器并输出结果，以完成识别社交网络谣言。本发明不依靠单一特征进行检测，避免谣言的误查，提高检测精度。
-
公开(公告)号：CN106991638A
公开(公告)日：2017-07-28
申请号：CN201710204294.3
申请日：2017-03-30
Applicant: 武汉大学
Abstract: 本发明涉及一种基于序列影像Harris‑DOG特征提取的多粒度并行优化的方法，首先进行相应的任务划分，主机端（CPU）采用多线程方式处理，读入影像并上传至GPU全局存储器。然后进行Harris特征提取时，CPU初始化相关的参数，并上传参数值至GPU；进行DOG特征提取时，CPU计算高斯模板并绑定到GPU常量存储器。设备端（GPU）采用CUDA并行方式处理，Harris‑DOG算子特征提取算法针对同样的原始图像输入，分别运用Harris算子和DOG算子进行特征点提取，并回传计算结果至CPU。最后主机端进行特征点集合构建和合并。本发明可以有效地对序列影像Harris‑DOG特征提取进行加速优化。
-
公开(公告)号：CN106991011A
公开(公告)日：2017-07-28
申请号：CN201710204293.9
申请日：2017-03-30
Applicant: 武汉大学
IPC: G06F9/50
CPC classification number: G06F9/5027 , G06F9/5066
Abstract: 本发明涉及一种针对大数据任务处理的基于CPU多线程与GPU多粒度并行及协同优化的方法，首先创建主线程，根据已知参数计算CPU_GPU最佳任务划分。启动n个线程，其中1个负责调度GPU，其余负责执行CPU计算任务。然后采用内存池技术降低数据从磁盘读入内存的通信开销；采用哈希表和信息摘要解决多线程访存中资源竞争的问题；采用流水线技术隐藏数据从内存读入CPU的通信时间。在主机端，CPU采用多核多线程方式执行分配到的任务；在设备端，GPU采用CUDA并行方式执行分配到的任务。全部任务完成后，主线程收回控制权直至退出。本发明可以在大数据任务处理中取得明显的加速效果，降低任务总的处理时间，提高处理效率。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.027 seconds)
