-
公开(公告)号：CN111078833B
公开(公告)日：2022-05-20
申请号：CN201911223541.X
申请日：2019-12-03
Applicant: 哈尔滨工程大学
IPC: G06F16/33 , G06F16/35 , G06F40/30 , G06F40/284 , G06F40/289 , G06N3/04
Abstract: 本发明属于文本分类技术领域，具体涉及一种基于神经网络的文本分类方法。了解决传统文本分类方法不能同时有效的利用文本的语义信息和结构信息的问题，本发明可以提取文本的不同层次的语义信息和结构信息，包括单词级语义信息、单词级结构信息、短语级语义信息、短语级结构信息。为了得到文本的最终表示，本发明又提出两种融合方法来融合四种信息，分别是静态融合和基于注意力机制的动态融合。本发明基于神经网络，综合利用文本不同层次的语义信息和结构信息，提高了文本分类的准确率。
-
公开(公告)号：CN112836062A
公开(公告)日：2021-05-25
申请号：CN202110039879.0
申请日：2021-01-13
Applicant: 哈尔滨工程大学 , 中电科大数据研究院有限公司
IPC: G06F16/36 , G06F40/295 , G06N3/04 , G06N3/08
Abstract: 本发明属于关系抽取技术领域，具体涉及一种文本语料库的关系抽取方法。本发明解决了传统关系分类模型不能很好的利用句子中重要的信息对关系进行建模，并且一些神经网络模型往往需要使用NLP工具来提取额外的特征的问题，提出了基于注意力机制的分段循环神经网络。本发明所提出模型可以突出考虑句子中的关键部分，而且能够利用句子的其他部分对关键部分进行补充，然后利用潜在关系向量和注意力机制得到句子的关系表示向量，在这个过程中不需要任何手工设计的特征或者NLP工具。本发明通过依存句法分析发现关系类型，并提出了一种用来构建训练语料的弱监督方法。实验结果显示提出的关系抽取模型在弱监督获取的训练数据集上达到了较高的性能。
-
公开(公告)号：CN111046665A
公开(公告)日：2020-04-21
申请号：CN201911222879.3
申请日：2019-12-03
Applicant: 哈尔滨工程大学
IPC: G06F40/289 , G06F40/30
Abstract: 本发明属于文本语义提取技术领域，具体涉及一种领域术语语义漂移抽取方法。只要该专业领域的术语语义具有鲜明的时间地域特性(比如社会保险领域中的法律法规和政策等)，都可以利用本方法来抽取四元组(领域术语，时间，地域，语义)，并以此来刻画领域术语的语义漂移。
-
公开(公告)号：CN117593699B
公开(公告)日：2025-04-04
申请号：CN202311655232.6
申请日：2023-12-05
Applicant: 哈尔滨工程大学 , 黑龙江省农垦科学院 , 黑龙江生态工程职业学院(中共黑龙江省森林工业总局委员会党校)
Abstract: 一种昆虫密度估计系统，它属于人工智能领域。本发明解决了现有昆虫密度估计方法需要耗费大量的人力物力，且估计结果的准确性差的问题。本发明的系统包括监控设备和服务器，且服务器上部署有昆虫密度估计模型，昆虫密度估计模型包括目标检测模块和密度估计模块；所述监控设备用于捕捉环境图像，并将捕捉的环境图像发送至服务器；所述目标检测模块用于对捕捉的环境图像进行目标检测，密度估计模块用于根据目标检测结果进行昆虫密度估计。本发明可以应用于昆虫密度估计。
-
公开(公告)号：CN119445328A
公开(公告)日：2025-02-14
申请号：CN202411489414.5
申请日：2024-10-24
Applicant: 哈尔滨工程大学
IPC: G06V10/82 , G06V10/764 , G06V10/42 , G06V10/74 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明公开了一种跨生成器生成图像检测模型的构建方法和图像检测方法，所述生成图像检测模型的构建方法包括：构建初始图像特征提取器；获取全局嵌入向量，利用所述全局嵌入向量对所述初始图像特征提取器进行训练，获得预训练特征提取器；基于所述预训练特征提取器，设计生成器与其进行对抗训练；基于对抗结果，使用对抗后的特征提取器，并结合设计的分类器进行训练，从而获得最终的生成图像检测模型。本发明不仅显著提升了检测精度，还极大地增强了模型的鲁棒性，使其能够灵活应对未来生成器技术的持续演进与变革，确保了检测系统的前瞻性与适应性。
-
Patent Agency Ranking
公开(公告)号：CN112784576A
公开(公告)日：2021-05-11
申请号：CN202110039887.5
申请日：2021-01-13
Applicant: 哈尔滨工程大学 , 中电科大数据研究院有限公司
IPC: G06F40/211 , G06F40/289 , G06N3/04 , G06N3/08
Abstract: 本发明属于依存句法分析技术领域，具体涉及一种文本依存句法分析方法。依存句法树是关系提取工作所需的重要依据，依存句法分析的目的是构建依存句法树，依存句法分析的准确性直接影响着关系提取等上层工作的精度，为了提高依存句法分析的准确性，本发明提出了基于Pointer‑Net与TreeLSTM相结合的神经网络模型的一种文本依存句法分析方法，该方法可以在依存分析的过程中兼顾上下文的语义特征，在每一步的决策过程中都会考虑到已生成的依存子树，进而提高依存句法分析的精度。
-
公开(公告)号：CN111604911A
公开(公告)日：2020-09-01
申请号：CN202010596403.2
申请日：2020-06-28
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种辅助机械手臂，包括手臂底座、旋转座、机械臂和机械爪，以及控制器和与控制器连接的传感器芯片、控制开关、第一舵机、第二舵机、第三舵机；旋转座可转动设置在手臂底座上，在第一舵机带动下水平转动；机械臂采用机械连杆机构，其一端与旋转座上端通过销轴连接，在第二舵机带动下实现伸缩；机械爪设置在机械臂末端，在第三舵机带动下实现开合。传感器芯片实时采集用户手臂运动参数，并将采集结果信息传送至控制器；控制器控制第一舵机和第二舵机启停，并接收控制开关指令以控制第三舵机启停。还公开一种辅助机器人。本发明将用户小浮动手臂运动同步放大转换成机械臂的运动，结合机械爪开合，辅助行动不便人群完成所想完成的动作。
-
公开(公告)号：CN111079377A
公开(公告)日：2020-04-28
申请号：CN201911223532.0
申请日：2019-12-03
Applicant: 哈尔滨工程大学
IPC: G06F40/117 , G06F40/289 , G06F40/295 , G06F40/279 , G06N3/04
Abstract: 本发明属于医学文本标注技术领域，具体涉及一种面向中文医疗文本命名实体识别的方法。本发明通过自定义多个实体类别并依此构建医疗术语标注词典实现了对原始医疗文本中实体的自动标注，在此基础上提出了一种多粒度特征融合的模型，首次将汉字的部首作为实体识别和分类的特征应用到医疗实体识别的任务中，通过对医疗文本中的词、字、字的部首三个不同粒度上的特征进行提取、表示和融合，并利用ID-CNN-CRF算法训练模型，以实现对各类医疗文本中医疗实体的识别工作。该方法的优势在于能应用在电子病历、医学期刊等各类医疗文本中，同时能较好地解决医疗领域中不同实体之间长度差异较大的问题，并且对于未登录实体的识别有着很好的效果。
-
公开(公告)号：CN111078833A
公开(公告)日：2020-04-28
申请号：CN201911223541.X
申请日：2019-12-03
Applicant: 哈尔滨工程大学
IPC: G06F16/33 , G06F16/35 , G06F40/30 , G06F40/284 , G06F40/289 , G06N3/04
Abstract: 本发明属于文本分类技术领域，具体涉及一种基于神经网络的文本分类方法。了解决传统文本分类方法不能同时有效的利用文本的语义信息和结构信息的问题，本发明可以提取文本的不同层次的语义信息和结构信息，包括单词级语义信息、单词级结构信息、短语级语义信息、短语级结构信息。为了得到文本的最终表示，本发明又提出两种融合方法来融合四种信息，分别是静态融合和基于注意力机制的动态融合。本发明基于神经网络，综合利用文本不同层次的语义信息和结构信息，提高了文本分类的准确率。
-
公开(公告)号：CN111046179A
公开(公告)日：2020-04-21
申请号：CN201911222868.5
申请日：2019-12-03
Applicant: 哈尔滨工程大学
Abstract: 本发明属于文本分类处理技术领域，具体涉及一种面向特定领域开放网络问句的文本分类方法。本发明克服了在执行一些特定领域的网络开放文本分类任务的情况下，缺乏足够可用的带类别标记的语料集，且网络文本信息量低、噪音大的问题，并为该领域的开放网络问句的层次分类提供了新方法。本发明利用了特定领域的开放网络问句及书面文本使领域的词嵌入表示更符合领域知识特征，同时，使用半监督方法加速分类模型训练并减少所需的标记样本。此外，还结合了条件概率实现了在多粒度层级的类别划分。本发明可以在问答系统、情感分析、领域知识库等领域辅助数据的提取、判别和构建。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.023 seconds)
