-
公开(公告)号：CN119719339A
公开(公告)日：2025-03-28
申请号：CN202411794730.3
申请日：2024-12-09
Applicant: 河北工业大学
IPC: G06F16/334 , G06F16/35 , G06F40/30 , G06N3/0455 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明属于法律判决预测技术领域，具体是一种基于深度提取网络和文本结构分析的法律判决预测方法。采用的模型包括编码器、注意力层、深度提取网络和事实描述分离模块；事实描述和罪名定义经过编码，得到事实描述特征和罪名定义特征；事实描述特征和罪名定义特征经过上下文表示和注意力机制，得到融入法律知识的事实描述特征；融入法律知识的事实描述特征经过深度提取网络，得到事实描述的抽象表示，用于预测罪名；预测罪名经过编码，得到预测罪名特征；将预测罪名特征和事实描述的上下文表示经过事实描述分离模块，得到法条依据和刑期依据；法条依据经过另一个深度提取网络进行特征提取，得到法条依据语义特征，用于预测法条；预测法条经过编码，得到预测法条特征，用于预测刑期。通过深度提取网络提取事实描述中的显著特征和语义信息，充分提取事实描述中法条依据和刑期依据在文本结构上的依赖关系，提高了预测准确性。
-
公开(公告)号：CN119397248A
公开(公告)日：2025-02-07
申请号：CN202411614434.0
申请日：2024-11-13
Applicant: 河北工业大学
IPC: G06F18/213 , G06F18/22 , G06N3/0442 , G06N3/0464 , G06N3/0455 , G06N3/0985
Abstract: 本发明属于风电功率预测技术领域，具体是一种基于元学习和内容匹配的时空风电功率预测方法。首先获取由多个源域任务形成的源域数据集，以及获取目标域任务；然后，构建风电功率预测模型，包括周期性嵌入层、编码器、内容匹配存储网络和预测层；周期性嵌入层用于捕获风电功率数据的周期性信息，编码器分别提取时间特征和空间特征并进行融合，得到时空融合特征；内容匹配存储网络将编码器提取的时空融合特征与记忆力节点特征向量根据相似性进行匹配，得到匹配的节点特征向量；预测层利用匹配的节点特征向量和编码器提取的时空融合特征进行预测，输出风电功率预测结果；最后，利用源域数据集并基于元学习对风电功率预测模型进行训练，将源域训练后的风电功率预测模型迁移到目标域，用于目标域任务的预测。该方法充分考虑风电功率的时空相关性，模型具有良好的泛化能力和预测性能。
-
公开(公告)号：CN114169504B
公开(公告)日：2024-04-16
申请号：CN202111503170.8
申请日：2021-12-10
Applicant: 河北工业大学
IPC: G06N3/082 , G06N3/045 , G06N3/042 , G06N3/0464
Abstract: 本发明为基于自适应滤波的图卷积神经网络池化方法，该方法提出了自适应滤波图卷积神经网络SFGCN和自适应滤波图卷积神经网络的池化操作SFGPool，SFGCN具有低通滤波器、高通滤波器和带通滤波器，对池化操作的输入进行了增强，相比于传统的图卷积网络，补充了中频和高频信息，防止信息丢失从而增强了网络的拟合能力；自适应滤波图卷积神经网络引入两个可学习参数，能在训练过程中对滤波器的频率特性进行自适应调节，对于不同的图分类任务可通过可学习参数控制每个频段的贡献。
-
公开(公告)号：CN117029845A
公开(公告)日：2023-11-10
申请号：CN202310602447.5
申请日：2023-05-26
Applicant: 河北工业大学
IPC: G01C21/34
Abstract: 本发明公开一种基于贪心算法的改进双向RRT*路径规划方法，该方法采用一种基于贪心算法和自适应步长思想相结合的组合扩展策略，有效减少不必要冗余点的采样，提升路径规划的收敛性，提高了随机树的搜索效率，从而在路径规划过程中规划路径时间短，路径规划效率高，能快速规划出最优路径；并将规划的最优路径进行剪枝处理，减少了时间的消耗，减少了规划的路径长度，针对规划出的路径曲折不平滑问题，采用六次样条插值法使得规划的路径更加平稳与光滑，生成符合机器人动力学、起始状态、目标状态及曲率连续有界等约束的路径。本发明方法有效减少不必要冗余点的采样，提升路径规划的收敛性，加快路径规划速度。
-
公开(公告)号：CN109859063B
公开(公告)日：2023-05-05
申请号：CN201910049502.6
申请日：2019-01-18
Applicant: 河北工业大学
IPC: G06Q50/00
Abstract: 本发明实施例公开了一种社区发现方法、装置、存储介质及终端设备。所述社区发现方法包括：基于预设规则确定待分析网络中预设数量的目标网络节点，并基于所述目标网络节点构建约束点集合；根据所述约束点集合构建约束矩阵；根据所述约束矩阵对所述待分析网络进行社区结构划分。通过本发明实施例提供的技术方案，能够充分利用待分析网络中的约束信息，但又不会过分依赖先验知识，准确、高效地对待分析网络进行社区结构的划分，有利于进一步指导待分析网络的社区结构的挖掘。
-
Patent Agency Ranking
公开(公告)号：CN112884045B
公开(公告)日：2022-12-20
申请号：CN202110208919.X
申请日：2021-02-25
Applicant: 河北工业大学
Abstract: 本发明为基于多视角的随机删边嵌入模型的分类方法，该分类方法从两个视角分别是一阶邻居的编码和图扩散分布的各自的特殊通道和他们两个共享权重通道对其进行随机删边操作求和分别做KL散度，两个独特通道和共享权重通道再结合图注意力自适应权重嵌入可以实现最佳性能。基于随机删除边的思想对邻接矩阵和图扩散进行了节点增强，防止过拟合和过平滑增强模型的深度和嵌入能力，提高分类效果及分类速度。
-
公开(公告)号：CN112148931B
公开(公告)日：2022-11-04
申请号：CN202011045034.4
申请日：2020-09-29
Applicant: 河北工业大学
Abstract: 本发明公开了一种用于高阶异构图分类的元路径学习方法，包括以下步骤：步骤1、在多通道模式下构建多条元路径，得到第L层的邻接矩阵A(L)；步骤2、对元路径进行信息补全，得到邻接矩阵A(L2)；步骤3、将邻接矩阵A(L2)的每个通道分别进行GCN聚类运算得到优化目标Z，以此完成整个元路径的学习。本方法能够学习出潜在的元路径信息，也就是把原本比较零散短小的元路径数据，经过模型的学习得到信息丰富、路径更长的元路径；在得到中间邻接矩阵后，在中间邻接矩阵的每一片上进行分类运算，使得分类结果更加准确。
-
公开(公告)号：CN114386600A
公开(公告)日：2022-04-22
申请号：CN202210034393.2
申请日：2022-01-13
Applicant: 河北工业大学
Abstract: 本发明为基于自适应结构和位置编码的网络表征方法，首先提取原始网络图中节点的特征信息和结构信息，并从原始网络图中得到两个子网络图和对应的邻接矩阵；其次，采用随机游走方式对原始网络图的位置编码进行初始化；接着，原始网络图的特征矩阵和两个子网络图的邻接矩阵分别输入到两个结构编码器中，得到两个子网络图的节点级表征；然后，将初始化后的位置编码经过两次位置编码器，得到两个基于注意力的位置编码；最后，将两个子网络图对应的节点级表征和基于注意力的位置编码分别按照维度为1拼接在一起，再经过全连接层映射为原始网络图的网络表征。该方法将网络图的位置编码和结构编码融合，使得网络表征将既包含结构信息，又包含位置信息。
-
公开(公告)号：CN110149556B
公开(公告)日：2021-05-04
申请号：CN201910416747.8
申请日：2019-05-20
Applicant: 河北工业大学
IPC: H04N21/442 , H04N21/466 , H04N21/45
Abstract: 本发明公开了一种基于TDC‑LDA模型的IPTV用户行为模式挖掘方法，该方法首先用概率生成模型的思想来假设用户具体行为模式中的观看的节目、观看的时间点和观看时长的生成过程，建立TDC‑LDA模型；其次，用Gibbs采样的方式进行模型拟合，推导隐变量条件概率的采样公式以及用户‑行为模式矩阵、兴趣主题‑节目矩阵和时段‑时间点矩阵的计算公式；然后，根据TDC‑LDA模型的Gibbs采样过程，得到每一个用户的行为模式矩阵、兴趣主题‑节目矩阵和时段‑时间点矩阵；最后，通过用户的收视行为模式分布，给用户做出推荐。本发明提出了一种新的TDC‑LDA用户收视行为模式挖掘模型，在现有的cLDA模型的基础上加入了观看时长信息。
-
公开(公告)号：CN111340187A
公开(公告)日：2020-06-26
申请号：CN202010100316.3
申请日：2020-02-18
Applicant: 河北工业大学
Abstract: 本发明为基于对抗注意力机制的网络表征方法，该方法包括双映射函数的模型，第一个映射函数为将真实数据的节点属性信息以及网络拓扑信息通过图注意力网络为不同节点对分配不同的权重，将原始网络映射到低维空间得到更精确地真实数据的低维表达；第二个映射函数为通过将得到的真实数据的低维表达与扰动结合得到噪声，输入到生成器中映射成为噪声的节点属性信息以及网络拓扑信息；再将两个函数作为两个元组输入到判别器中进行判别，通过判别器给出的结果进行生成器以及编码器的优化，最终得到鲁棒性好以及能够完整保存原始网络信息的低维表达。该方法采用图注意力网络进行网络表征，考虑不同节点之间的相关程度，更加贴近现实情况，效果更好。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.031 seconds)
