-
公开(公告)号：CN106228239A
公开(公告)日：2016-12-14
申请号：CN201610542428.8
申请日：2016-07-04
Applicant: 中国石油大学(华东)
IPC: G06N3/063
CPC classification number: G06N3/063
Abstract: 本发明提出了本发明提出了一种基于脉冲神经膜系统和匀质神经细胞的逻辑与门设计方法，基于脉冲累加信息编码方式，使用统一神经计算单元，辅以2类信息过滤单元，通过神经计算单元和信息过滤单元的级联实现了逻辑与门的计算过程。本发明基于脉冲神经膜系统和匀质神经细胞的逻辑与门设计方法，将构造逻辑与门使用的神经计算单元种类降至最少的1种，这有助于利用统一的神经计算单元实现神经电路；利用神经元的级联，实现信息的传递和并行处理，最终实现执行逻辑计算的功能，具有分布式并行的计算特性，可以为神经电路的实现提供可行的计算模型。
-
公开(公告)号：CN106228236A
公开(公告)日：2016-12-14
申请号：CN201610542427.3
申请日：2016-07-04
Applicant: 中国石油大学(华东)
IPC: G06N3/06
CPC classification number: G06N3/063
Abstract: 本发明提出了本发明提出了一种基于脉冲神经膜系统和匀质神经细胞的逻辑非门设计方法，基于脉冲累加信息编码方式，使用统一神经计算单元，辅以1类信息过滤单元，通过神经计算单元和信息过滤单元的级联实现了逻辑非门的计算过程。本发明基于脉冲神经膜系统和匀质神经细胞的逻辑非门设计方法，将构造逻辑非门使用的神经计算单元种类降至最少的1种，这有助于利用统一的神经计算单元实现神经电路；利用神经元的级联，实现信息的传递和并行处理，最终实现执行逻辑计算的功能，具有分布式并行的计算特性，可以为神经电路的实现提供可行的计算模型。
-
公开(公告)号：CN120014262A
公开(公告)日：2025-05-16
申请号：CN202510056567.9
申请日：2025-01-14
Applicant: 中国石油大学(华东)
IPC: G06V10/26 , G06V10/82 , G06V10/44 , G06V10/40 , G06V10/52 , G06V10/80 , G06V10/77 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 本发明属于图像分割技术领域，具体公开了一种基于SAM与提示器的医学图像分割方法。该方法首先对原始医学图像预处理并依次通过SAM图像编码器、特征增强块得到增强特征，再合并位置编码与级别编码，输入Transformer编码器生成提示符的多尺度特征，再经过Transformer解码器生成强化的提示符特征，再输入提示线性投影层后与多尺度特征组合成稀疏提示符；再与SAM图像编码器每一层产生的中间特征进行拼接，并输入SAM图像解码器得到掩码图像；最后训练模型并对待分割医疗图像分割，最终获得分割图像。该方法克服了SAM提示的类型、位置和数量会显著影响SAM生成结果的问题，具有训练时间短，训练正确率高，普适性强，操作便捷的优点。
-
公开(公告)号：CN119292891B
公开(公告)日：2025-04-22
申请号：CN202411822629.4
申请日：2024-12-12
Applicant: 中国石油大学(华东)
Abstract: 本发明涉及超级计算机技术领域，特别涉及新兴超级计算机用可解释DeePMD套件性能系统，包括：共享DP‑perf模型：用于分析每个DeePMD‑kit操作员的执行时间后计算每个DeePMD‑kit操作员的峰值性能；还包括分布式DP‑perf模型：用于分析跨MPI流程的通信时间，用于实现大规模仿真；还包括定制的DeePMD套件操作器：用于获得DeePMD套件性能模型模拟的总时间后预测DeePMD套件在没有实际运行的情况下可实现的性能，通过上述技术方案，本发明具有提高DeePMD套件的资源利用率的分析准确率和可以在没有实际运行的情况下预测DeePMD套件可实现的性能的优点。
-
公开(公告)号：CN119310625B
公开(公告)日：2025-03-18
申请号：CN202411803009.6
申请日：2024-12-10
Applicant: 中国石油大学(华东)
IPC: G01V1/30 , G06N3/06 , G06N3/0455 , G06N3/094 , G01V20/00
Abstract: 本发明属于地震反演技术领域，特别涉及一种用于全波形反演的多尺度傅里叶神经算子模型。该模型中的编码器部分提取各种尺度的特征，对地震数据进行详细分析，并保留从细粒度到粗粒度的关键空间和频域信息；解码器部分在编码过程中压缩和转换的信息，以重建速度模型，解码器确保从多尺度处理中恢复复杂的地质细节；特征融合部分将相应尺度的特征通过跳跃连接进行合并，采用密集跳跃连接来促进不同尺度之间的特征共享和集成，跳跃连接能够有效地桥接编码器和解码器之间的特征图，从而缩小不同尺度之间的语义差距。该模型能够解决地震反演过程中的频域信息不平衡和时空对应性弱的问题。
-
Patent Agency Ranking
公开(公告)号：CN118761416B
公开(公告)日：2025-01-21
申请号：CN202411251998.2
申请日：2024-09-09
Applicant: 中国石油大学(华东)
IPC: G06F40/295 , G06F40/30 , G06N3/045 , G06F18/232 , G06N7/01
Abstract: 本发明属于实体识别技术领域，特别涉及通过预训练BERT进行化学生产命名实体识别的方法。该方法包括S1、将需要识别的文本输送到预训练的LM嵌入模型ChemBERT中，从而获得语义表示向量和语义检索库；S2、将解码器应用到步骤S1的语义表示向量上；S3、使用解码标签和KNN聚类标签进行投票，投票的结果用作最终输出。该方法解决了现有的实体识别方法出现的数据集中存在长尾数据和小样本数据的问题。
-
公开(公告)号：CN118761416A
公开(公告)日：2024-10-11
申请号：CN202411251998.2
申请日：2024-09-09
Applicant: 中国石油大学(华东)
IPC: G06F40/295 , G06F40/30 , G06N3/045 , G06F18/232 , G06N7/01
Abstract: 本发明属于实体识别技术领域，特别涉及通过预训练BERT进行化学生产命名实体识别的方法。该方法包括S1、将需要识别的文本输送到预训练的LM嵌入模型ChemBERT中，从而获得语义表示向量和语义检索库；S2、将解码器应用到步骤S1的语义表示向量上；S3、使用解码标签和KNN聚类标签进行投票，投票的结果用作最终输出。该方法解决了现有的实体识别方法出现的数据集中存在长尾数据和小样本数据的问题。
-
公开(公告)号：CN118352095A
公开(公告)日：2024-07-16
申请号：CN202410303039.4
申请日：2024-03-18
Applicant: 中国石油大学(华东)
Abstract: 本研究致力于利用基于Paddle框架的多维特征编码器(AMDE)来预测药物间的相互作用(DDIs)。该AMDE模型构建于三大核心组件：一维序列特征编码器、二维图特征编码器和多维解码器。二维图特征编码器负责将SMILES转换为原子图，并运用消息传递注意网络(MPAN)提取图的高阶结构和语义关系，以全面揭示药物间复杂的相互作用机制。与此同时，一维序列特征编码器则将SMILES串细分为子结构，并借助Transformer技术对药物的序列特征进行编码，以有效捕获子结构之间的顺序关系。最终，多维特征解码器将药物的二维和一维特征相融合，并通过深度学习技术预测DDIs的发生情况。
-
公开(公告)号：CN117542413A
公开(公告)日：2024-02-09
申请号：CN202311506556.3
申请日：2023-11-13
Applicant: 中国石油大学(华东)
IPC: G16B20/30 , G06Q10/04 , G06N3/048 , G06N3/0442 , G06N3/08
Abstract: 本发明提供一种基于DNA序列与基因组信号特征的增强子‑启动子相互作用预测方法，包括如下步骤：1)数据预处理2)构建增强子‑启动子相互作用预测方法3)交叉验证。本发明属于生物信息学领域，本发明提供的基于DNA序列与基因组信号特征的增强子‑启动子相互作用预测方法，为基因转录组学领域由于输入不够丰富导致预测效果差、泛化性差的问题提供了解决方案。它以DNA序列与基因组信号特征同时输入到不同的通道中分别处理，最终完成预测任务。同时使用了交叉验证方法与独立测试集进行模型评估。这为增强子‑启动子相互作用研究领域提供了新的见解。
-
公开(公告)号：CN117524306A
公开(公告)日：2024-02-06
申请号：CN202311465828.X
申请日：2023-11-06
Applicant: 中国石油大学(华东)
IPC: G16B20/30 , G16B40/00 , G06N3/0442 , G06N3/096
Abstract: 本发明提供一种基于迁移学习的去磷酸化位点深度学习预测方法，包括如下步骤：1)数据预处理2)构建去磷酸化位点的深度学习预测算法3)使用迁移学习进行预训练与模型微调。本发明属于生物信息分析技术领域，本发明提供的基于迁移学习的去磷酸化位点深度学习预测方法，为蛋白质翻译后修饰领域去磷酸化位点数据集规模小、模型泛化性差的问题提供了解决方案，它以磷酸化数据集作为源域，学习蛋白质功能和调控机制。同时使用去磷酸化数据集作为目标域进行模型参数的微调，这样可以更加适应下游去磷酸化位点预测任务。这为深度学习应用于小样本数据集研究领域提供了新的见解。
-
-
-
-
-
-
-
-
-
Search Results
113
records
(took 0.036 seconds)
