-
公开(公告)号：CN119763718A
公开(公告)日：2025-04-04
申请号：CN202411891443.4
申请日：2024-12-20
Applicant: 东北林业大学
Abstract: 基于知识提示的多模态药物分子预测方法，本发明属于人工智能辅助药物研发领域，具体涉及多模态药物分子预测方法。本发明的目的是为了解决现有的多模态分子预测方法往往难以捕捉分子图结构和文本之间的复杂关系，且在下游任务上的预测准确率低的问题。基于知识提示的多模态药物分子预测方法具体过程为：构建MolPrompt模型；对MolPrompt模型进行预训练，获得预训练好的MolPrompt模型；基于下游任务类型，对预训练好的MolPrompt模型进行微调，获得微调后的MolPrompt模型；基于微调后的MolPrompt模型对下游任务进行预测。
-
公开(公告)号：CN119479906A
公开(公告)日：2025-02-18
申请号：CN202411539556.8
申请日：2024-10-31
Applicant: 东北林业大学
IPC: G16C20/70 , G16C20/50 , G16C20/30 , G06N3/042 , G06N3/0895
Abstract: 基于提示学习的多模态细粒度分子预训练模型的分子结构预测系统，本发明涉及分子结构预测领域，特别涉及分子结构预测系统。本发明的目的是为了解决现有方法因数据稀缺和任务适用性不足导致在处理复杂分子数据时存在准确性和效率低，以及分子间相互作用预测准确性低的问题。系统包括：数据获取模块用于获取多模态分子预训练数据集内的样本数据以及下游任务数据集内的样本数据；处理模块用于建立基于提示学习的多模态细粒度分子预训练模型，并获取训练好的基于提示学习的多模态细粒度分子预训练模型；预测模块用于基于训练好的提示学习的多模态细粒度分子预训练模型对待测分子结构进行属性和药物相互作用关系的预测，获得预测结果。
-
公开(公告)号：CN116504331A
公开(公告)日：2023-07-28
申请号：CN202310479801.X
申请日：2023-04-28
Applicant: 东北林业大学
Abstract: 基于多模态和多任务的药物副作用的频率分数预测方法，本发明涉及深度学习技术预测药物副作用的频率分数方法。本发明的目的是为了解决现有的计算方法对药物和副作用关联关系判别准确率低，以及对药物和副作用的频率分数预测准确率低的问题。过程为：一、获得药物分子的化学结构语义特征、药物分子的化学序列语义特征、药物的生物医学文本特征和副作用的生物医学文本特征；得到药物副作用对；二、计算药物的相似性信息和副作用的相似性信息；得到药物副作用对；三、将学习到的药物副作用对串联送入多层感知机进行预测，预测药物和副作用间是否存在关联并且存在关联时药物和副作用的频率分数。本发明属于药物与副作用之间的频率预测技术领域。
-
公开(公告)号：CN115758159B
公开(公告)日：2023-07-21
申请号：CN202211517007.1
申请日：2022-11-29
Applicant: 东北林业大学
IPC: G06F18/214 , G06F18/21 , G06N3/0475 , G06N3/094
Abstract: 基于混合对比学习和生成式数据增强的零样本文本立场检测方法，本发明涉及零样本文本立场检测方法。本发明的目的是为了解决在结构化数据生成文本上，现有模型对表格数据进行建模时，没有考虑数据之间的内在隐含关系，导致文本生成准确率低的问题。过程为：一、获取可见类样本数据和不可见类样本数据；可见类样本数据和不可见类样本数据均为带标签数据；可见类样本数据和不可见类样本数据的目标不同；可见类样本数据作为训练集；不可见类样本数据作为测试集；训练集和测试集包括目标、立场、真实文本；二、建立GDA‑CL模型，模型包括：文本生成层、对比学习层、立场分类层。本发明用于人工智能、自然语言处理、文本生成技术领域。
-
公开(公告)号：CN115758159A
公开(公告)日：2023-03-07
申请号：CN202211517007.1
申请日：2022-11-29
Applicant: 东北林业大学
IPC: G06F18/214 , G06F18/21 , G06N3/0475 , G06N3/094
Abstract: 基于混合对比学习和生成式数据增强的零样本文本立场检测方法，本发明涉及零样本文本立场检测方法。本发明的目的是为了解决在结构化数据生成文本上，现有模型对表格数据进行建模时，没有考虑数据之间的内在隐含关系，导致文本生成准确率低的问题。过程为：一、获取可见类样本数据和不可见类样本数据；可见类样本数据和不可见类样本数据均为带标签数据；可见类样本数据和不可见类样本数据的目标不同；可见类样本数据作为训练集；不可见类样本数据作为测试集；训练集和测试集包括目标、立场、真实文本；二、建立GDA‑CL模型，模型包括：文本生成层、对比学习层、立场分类层。本发明用于人工智能、自然语言处理、文本生成技术领域。
-
Patent Agency Ranking
公开(公告)号：CN113673254B
公开(公告)日：2022-06-07
申请号：CN202110970107.9
申请日：2021-08-23
Applicant: 东北林业大学
Abstract: 基于相似度保持的知识蒸馏的立场检测方法，属于文本情感检测技术领域。为了解决现有的立场检测方法存在计算资源和计算时间开销大的问题，以及现有的方法存在识别准确率有待于提高的问题。本发明利用Text‑CNN网络模型对待检测立场文本进行立场检测；基于知识蒸馏的方式确定Text‑CNN网络，即使用BERT模型作为教师模型，将从教师模型中学习到的隐性知识引入到学生模型文本中；并在传统的知识蒸馏方式的基础上提出了基于相似度保持的损失函数，进一步提高基于知识蒸馏方式得到学生模型的性能。主要用于文本的立场检测。
-
公开(公告)号：CN112863693B
公开(公告)日：2021-09-28
申请号：CN202110154690.6
申请日：2021-02-04
Applicant: 东北林业大学
Abstract: 基于多通道图卷积网络的药物靶标相互作用预测方法，它属于药物与靶标关系预测技术领域。本发明解决了现有方法依赖于手工所提取的特征不准确，导致的对药物靶标相互作用预测的准确性差的问题。本发明根据获得的药物特征矩阵和蛋白质特征矩阵构建药物蛋白对网络，并采用多通道图卷积网络对药物蛋白对网络中药物蛋白对之间的拓扑关系和药物蛋白对特征之间的邻近关系进行特征提取，得到拓扑关系嵌入和特征邻近关系嵌入，再对拓扑关系嵌入和特征邻近关系嵌入进行处理得到共同嵌入，最后使用注意力机制将拓扑关系嵌入、特征邻近关系嵌入和共同嵌入融合，将融合结果输入多层感知机对药物靶标关系进行预测。本发明可以应用于药物与靶标关系的预测。
-
公开(公告)号：CN203706484U
公开(公告)日：2014-07-09
申请号：CN201420086018.3
申请日：2014-02-27
Applicant: 东北林业大学
IPC: G09B9/04
Abstract: 本实用新型涉及一种自动化制动管路波动负载发生系统的教学装置。目前对ABS的液压系统的设计分析，忽略制动系统中管路对压力波动的影响，以产品化为目的的完善控制算法必须考虑可能引起系统不稳定的因素。一种自动化制动管路波动负载发生系统的教学装置，其组成包括：波动负载发生系统（1），波动负载发生系统通过其内部的数据采集终端（4）连接接操作台（5）底部线盒（6），线盒、数据调整模块（7）、模数转换模块（8）、数据输出模块（9）与工控机（10）依次连接；操作台下方安装支座（11），操作台上方具有两块立板（12），立板之间安装一组横梁（13），横梁之间滑动安装一组容纳箱（14）。本实用新型应用于汽车制动教学装置。
-
公开(公告)号：CN213263349U
公开(公告)日：2021-05-25
申请号：CN202022111299.1
申请日：2020-09-23
Applicant: 东北林业大学
Abstract: 一种可楼梯行走的变容式便携物流周转箱，它涉及末端物流配送领域。本实用新型解决了现有的物流周转箱未充分考虑末端配送从业人员需求，存在周转箱容积不可变，整体不便于携带，且劳动强度大，影响端物流配送工作效率的问题。本实用新型的两个行星轮组设置在主体支架底部两侧后方；底座置于矩形框架上部，底座通过箱体定位滑轨与矩形框架连接，下箱体竖直设置在底座上，上箱体套设在下箱体外部，上箱体和下箱体之间通过四个导轨机构连接，箱盖置于上箱体上部，两个伸缩杆竖直相对设置在矩形框架一侧，两个伸缩杆的底部分别与两个横向立杆的端部固接，握把的两端分别与两个伸缩杆的顶端固接。本实用新型用于末端物流配送环节。
-
公开(公告)号：CN207443576U
公开(公告)日：2018-06-05
申请号：CN201721300515.9
申请日：2017-10-11
Applicant: 东北林业大学
IPC: A01G5/00
Abstract: 本实用新型公开了一种玫瑰打刺剪枝剪，包括大剪柄、小剪柄、大剪扇、小剪扇、螺栓，大剪柄的上部的内侧焊接有连接杆，连接杆的一端焊接有枝条支撑器；小剪柄的上部设有螺丝孔，螺丝杆与螺丝孔相配合，螺丝杆的一端焊接有压枝器；枝条支撑器和压枝器为圆弧形。本实用新型通过调节螺丝杆的进与出的程度，使压枝器的圆弧与枝条支撑器的圆弧夹紧玫瑰枝条进行打刺，适用于粗细不同的玫瑰花枝，打刺效果好。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.036 seconds)
