-
公开(公告)号：CN112506058A
公开(公告)日：2021-03-16
申请号：CN202011406089.3
申请日：2020-12-03
Applicant: 华侨大学
IPC: G05B13/04
Abstract: 本发明涉及一种线性时变结构的工作模态参数识别方法几系统，方法包括：获取线性时变结构在设定时间内的振动响应信号的数据矩阵；将所述数据矩阵划分为多个设定时间长度的子矩阵；建立所述子矩阵的拉普拉斯特征映射；求解所述拉普拉斯特征映射获得所述子矩阵的模态响应矩阵；根据所述模态响应矩阵得到所述子矩阵的模态振型；求解所述模态响应矩阵的频域数据；将所述频域数据中最大值作为所述子矩阵的模态频率。本发明单独计算每个子矩阵的模态参数，能够降低模态参数的计算时间和空间复杂度，提高了模态参数的识别效率。
-
公开(公告)号：CN112466462A
公开(公告)日：2021-03-09
申请号：CN202011353177.1
申请日：2020-11-26
Applicant: 华侨大学
IPC: G16H50/20 , G16H50/70 , G16H10/20 , G06F40/289 , G06F40/30 , G06F40/242 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于图深度学习的EMR信息关联及演化方法，包括如下步骤：EMR数据预处理：获取EMR数据集，得到EMR的实体词典；EMR图构建：实体词典中的词转换为向量表示，并得到EMR图的向量矩阵以及EMR图的邻接矩阵，组合构成EMR图；EMR图深度学习模型构建：根据得到的EMR数据集对应的所有EMR图，构建出EMR图深度学习模型的输入图数据集，从而进一步获得图深度学习模型F；EMR信息关联及演化：将任意一条EMR数据，喂入图深度学习模型F，构建EMR图的演化序列。本发明提出一种基于图深度学习的EMR信息关联及其演化方法，采用图深度学习方法对电子病历数据进行建模，利用网络关系图可视化技术展示电子病历结构信息的演化过程，实现知识发现和可解释深度学习。
-
公开(公告)号：CN112337070A
公开(公告)日：2021-02-09
申请号：CN202011215262.1
申请日：2020-11-04
Applicant: 华侨大学
IPC: A63B69/00
Abstract: 本发明公开了一种身体反应灵敏度测试装置及测试方法，包括测试面板与驱动控制电路。所述测试面板上具有多个按键LED灯，排列成LED按键矩阵；所述驱动控制电路包括控制器以及LED矩阵驱动模块，所述LED矩阵驱动模块可用于控制LED按键矩阵的任一按键LED灯亮起和熄灭；所述控制器与所述LED矩阵驱动模块电连接，所述控制器与所述按键LED灯电连接以获取按键LED灯的被触摸信息。所述控制器包括处理器以及存储器，所述存储器内存储有计算机程序，处理器被配置为执行计算机程序以实现测试方法的步骤。本测试装置既可以起到测试身体反应灵敏度的作用，由于其采用随机亮起按键LED灯的模式，还可以作用长期的身体反应灵敏度训练装置。
-
公开(公告)号：CN108153254B
公开(公告)日：2019-05-24
申请号：CN201711212572.6
申请日：2017-11-28
Applicant: 华侨大学
IPC: G05B19/418
CPC classification number: Y02P90/02
Abstract: 本发明公开了一种基于萤火虫算法的零件群集成工艺路线规划方法，S1：为零件群中每个零件生成各自的柔性工艺路线集合；S2：从上述集合中随机选取每个零件中的各自一个工艺路线的集合作为一个萤火虫，初始化萤火虫种群X；S3：将每个萤火虫所对应的集成工艺路线采用整数编码方式进行编码；S4：计算萤火虫种群X中所有萤火虫的亮度；S5：计算出萤火虫Xm和萤火虫Xj的距离；S6：萤火虫Xm和萤火虫Xj按移动规则进行移动；S7：标记出最亮萤火虫；S8：返回S6或更新当前全局最优解；S9：返回S1或输出最优零件群的集成工艺路线；S10：生成最终的该零件群的集成工艺路线。本发明基于萤火虫算法的零件群集成工艺路线规划方法能有效解决工艺中离散问题的求解。
-
公开(公告)号：CN108153254A
公开(公告)日：2018-06-12
申请号：CN201711212572.6
申请日：2017-11-28
Applicant: 华侨大学
IPC: G05B19/418
CPC classification number: Y02P90/02 , G05B19/41885 , G05B2219/32339
Abstract: 本发明公开了一种基于萤火虫算法的零件群集成工艺路线规划方法，S1：为零件群中每个零件生成各自的柔性工艺路线集合；S2：从上述集合中随机选取每个零件中的各自一个工艺路线的集合作为一个萤火虫，初始化萤火虫种群X；S3：将每个萤火虫所对应的集成工艺路线采用整数编码方式进行编码；S4：计算萤火虫种群X中所有萤火虫的亮度；S5：计算出萤火虫Xm和萤火虫Xj的距离；S6：萤火虫Xm和萤火虫Xj按移动规则进行移动；S7：标记出最亮萤火虫；S8：返回S6或更新当前全局最优解；S9：返回S1或输出最优零件群的集成工艺路线；S10：生成最终的该零件群的集成工艺路线。本发明基于萤火虫算法的零件群集成工艺路线规划方法能有效解决工艺中离散问题的求解。
-
Patent Agency Ranking
公开(公告)号：CN107609677A
公开(公告)日：2018-01-19
申请号：CN201710706936.X
申请日：2017-08-17
Applicant: 华侨大学
Abstract: 本发明涉及交通线路规划的技术领域，公开了一种定制公交交通小区和上、下车站点的确定方法；一种基于已确定上、下车站点并且单站点对应单站点的定制公交线路规划方法；一种基于K-折交叉验证评价定制公交运行线路合理性的方法；一种基于出租车GPS数据的定制公交线路规划方法。本发明同现有技术相比，更大限度地利用了已有的出租车GPS大数据，提出了更好的交通小区划分方法、线路规划方法及线路评价方法，为定制公交的发展提供了更好的参考依据。
-
公开(公告)号：CN119357643A
公开(公告)日：2025-01-24
申请号：CN202411907318.8
申请日：2024-12-24
Applicant: 厦门禾众汇智科技有限公司 , 华侨大学
IPC: G06F18/213 , G06F18/214 , G06F18/22 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于对比学习的锂离子电池储能系统荷电状态的预测方法，包括：步骤S1，获取电流、电压和温度等系统运行数据；步骤S2，进行数据标准化；步骤S3，输入数据增强模块生成对比样本；步骤S4，利用多尺度编码器对样本进行卷积，获得多尺度表示向量；步骤S5，将表示向量输入多层感知器网络，计算相似度以训练对比学习模型；步骤S6，对待预测数据标准化后输入模型，输出表示向量；步骤S7，将表示向量与运行数据混合；步骤S8，将混合样本输入预测模型，获取荷电状态。
-
公开(公告)号：CN119025685A
公开(公告)日：2024-11-26
申请号：CN202411479256.5
申请日：2024-10-23
Applicant: 华侨大学
Abstract: 本发明提供的一种知识图谱关系预测方法、装置、设备及存储介质，涉及知识图谱关系预测技术领域，本发明通过从稀疏知识图谱中构建候选三元组，根据预设的提示模板得到三元组循证文本集；利用大语言模型组合决策法计算候选三元组的关系支持度；接着，融合关系支持度和BERT模型向量嵌入，获得知识图谱的所有候选三元组的实例等价性向量，即候选三元组向量与真实标准化向量；然后，基于欧式距离计算候选三元组与事实三元组的实例等价性得分；最后，根据实例等价性得分筛选出超过阈值的候选三元组作为预测三元组，实现知识图谱关系预测。本发明提高了知识图谱关系的预测精度、增强了预测结果的循证支撑力度，在适应稀疏知识图谱方面表现出色。
-
公开(公告)号：CN118036728A
公开(公告)日：2024-05-14
申请号：CN202410220176.1
申请日：2024-02-28
Applicant: 华侨大学
Abstract: 本发明提供的自监督学习的知识图谱实体对齐方法、装置、设备及介质，首先分别将两个异构的标准术语知识图谱连接后送入初始嵌入模块进行嵌入向量表达，获得实体初始嵌入向量和属性值初始嵌入向量；接着，将实体初始嵌入向量与属性值初始嵌入向量送入关系聚合嵌入模块与属性聚合嵌入模块进行嵌入更新,经图卷积网络后，获得实体图嵌入向量集合；最后，将实体图嵌入向量集合送入交互对比学习模块，生成正实体对集合，通过损失函数的迭代优化训练得到知识图谱实体对齐模型。本发明充分考虑知识图谱的多视图信息，在自监督的实体对齐框架中，充分利用与整合图结构信息进行高效融合，提高了知识图谱中实体对齐的准确度通用性，具有极高的应用价值。
-
公开(公告)号：CN117171353A
公开(公告)日：2023-12-05
申请号：CN202310891745.0
申请日：2023-07-20
Applicant: 华侨大学
IPC: G06F16/36 , G06N3/045 , G06N3/0464 , G06N3/0499 , G06N3/08 , G06N3/042 , G06F40/205
Abstract: 本发明提供了一种事件共指的消解方法、装置、设备及可读存储介质。以依存句法关系、事件元素信息为基础构建图结构数据，通过图注意力网络学习到句子中元素的相互依赖性。通过Pai rCNN模块提取事件对中事件句的上下文交互信息，该模型可以有效的解决事件共指消解问题。
-
-
-
-
-
-
-
-
-
Search Results
78
records
(took 0.024 seconds)
