-
公开(公告)号：CN110400002B
公开(公告)日：2021-10-22
申请号：CN201910540739.4
申请日：2019-06-21
Abstract: 本发明公开了一种多星成像任务规划方法，包括：建立任务模型，将所有点目标任务均使用任务模型表示；以轨道圈次为基准，以轨道圈次内的任务作为聚类图模型的节点，并基于聚类约束条件构建聚类图模型中各节点之间的无向边，得到成像任务聚类图模型；基于启发式规则将满足聚类约束条件的点目标任务聚合为聚类任务，并基于中位数定理计算聚类任务的侧摆角；构建并利用任务规划的约束条件和目标函数，构建与成像任务聚类图模型所对应的任务规划有向无环图模型；基于任务规划有向无环图模型，并采用最大最小蚁群算法进行任务规划，得到多星成像任务规划方案。在不同的数据规模下，本发明能够获得满意的任务规划结果且具有良好的稳定性。
-
公开(公告)号：CN110412869B
公开(公告)日：2020-06-09
申请号：CN201910540737.5
申请日：2019-06-21
IPC: G05B13/04
Abstract: 本发明公开了一种多星协同的空间动态目标实时跟踪方法，首先建立包括低轨卫星及凝视探测器模型、跟踪任务模型和可见时间窗模型；然后在对空间动态目标进行实时跟踪时引入滚动时域思想，通过前瞻固定时间长度T作为滚动时域，获取滚动时域内对弹道导弹的跟踪任务，并以单个滚动时域为基准建立单层的待跟踪任务集合，且在滚动时域内采用反向树形结构将每个待跟踪任务分解为若干原子任务，得到各原子任务对应的探测器资源集合；接着，基于资源调度的约束条件和目标函数构建适应度函数，进而通过采用交叉和变异操作的进化粒子群算法，并基于粒子个体的适应度值求解最优粒子个体，并按最优粒子个体对单层原子任务集合进行探测器资源优化调度。
-
公开(公告)号：CN110412869A
公开(公告)日：2019-11-05
申请号：CN201910540737.5
申请日：2019-06-21
IPC: G05B13/04
Abstract: 本发明公开了一种多星协同的空间动态目标实时跟踪方法，首先建立包括低轨卫星及凝视探测器模型、跟踪任务模型和可见时间窗模型；然后在对空间动态目标进行实时跟踪时引入滚动时域思想，通过前瞻固定时间长度T作为滚动时域，获取滚动时域内对弹道导弹的跟踪任务，并以单个滚动时域为基准建立单层的待跟踪任务集合，且在滚动时域内采用反向树形结构将每个待跟踪任务分解为若干原子任务，得到各原子任务对应的探测器资源集合；接着，基于资源调度的约束条件和目标函数构建适应度函数，进而通过采用交叉和变异操作的进化粒子群算法，并基于粒子个体的适应度值求解最优粒子个体，并按最优粒子个体对单层原子任务集合进行探测器资源优化调度。
-
公开(公告)号：CN110400002A
公开(公告)日：2019-11-01
申请号：CN201910540739.4
申请日：2019-06-21
Abstract: 本发明公开了一种多星成像任务规划方法，包括：建立任务模型，将所有点目标任务均使用任务模型表示；以轨道圈次为基准，以轨道圈次内的任务作为聚类图模型的节点，并基于聚类约束条件构建聚类图模型中各节点之间的无向边，得到成像任务聚类图模型；基于启发式规则将满足聚类约束条件的点目标任务聚合为聚类任务，并基于中位数定理计算聚类任务的侧摆角；构建并利用任务规划的约束条件和目标函数，构建与成像任务聚类图模型所对应的任务规划有向无环图模型；基于任务规划有向无环图模型，并采用最大最小蚁群算法进行任务规划，得到多星成像任务规划方案。在不同的数据规模下，本发明能够获得满意的任务规划结果且具有良好的稳定性。
-
公开(公告)号：CN120014087A
公开(公告)日：2025-05-16
申请号：CN202510084985.9
申请日：2025-01-20
Applicant: 中南大学 , 中国铁道科学研究院集团有限公司 , 中国国家铁路集团有限公司
IPC: G06T11/00 , G06V10/764 , G06V10/82 , G06N3/0475 , G06N3/098 , G06N3/084 , G06N3/0985 , G06N5/04 , G06F21/62
Abstract: 本发明公开了一种联邦学习背景下跨参与方图像重构方法、系统及介质，其中方法包括：根据客户端上传的目标梯度推断目标图像的标签；构建条件去噪扩散隐式模型，以隐变量和标签为输入，生成匹配图像；确定损失函数，损失函数中包括匹配梯度相对于目标梯度的损失与生成匹配图像的正则化损失，匹配梯度通过将匹配图像和标签一同放入联邦学习模型学习一轮得到；初始化隐变量，根据损失函数依次优化前隐变量n个时间步的隐变量，进而基于优化的隐变量和推断的标签，使用条件去噪扩散隐式模型得到重构图像。通过梯度匹配损失和正则化损失依次对条件去噪扩散隐式模型的前n个隐变量进行优化，提高了优化效率，重构图像更忠实于目标图像。
-
Patent Agency Ranking
公开(公告)号：CN119886256A
公开(公告)日：2025-04-25
申请号：CN202510386180.X
申请日：2025-03-31
Applicant: 中南大学
IPC: G06N3/08 , G16H50/00 , G06N3/0495 , G06F17/16
Abstract: 本发明涉及医疗具身机器人技术领域，具体涉及一种面向数字健康机器人的大模型微调方法、设备和介质，所述方法通过对具身大模型预训练的权重矩阵进行随机奇异值分解，并对随机高斯初始化矩阵进行重采样，实现数字健康机器人的具身大模型参数高效微调。本发明方法在微调数字健康机器人的具身大模型时引入了随机奇异值分解：随机奇异值分解通过引入随机采样来近似计算矩阵的主要成分，从而在保持计算效率的同时，尽可能保留矩阵的关键信息。
-
公开(公告)号：CN119474019B
公开(公告)日：2025-04-22
申请号：CN202510036163.3
申请日：2025-01-09
Applicant: 中南大学
IPC: G06F16/13 , G06N3/0464 , G06N3/084 , G06F18/241 , G06F18/25
Abstract: 本申请涉及了一种面向流数据的持续哈希学习检索方法和装置，本方法构建了哈希检索模型，哈希检索模型训练过程引入持续学习框架，首先通过残差网络基于自监督学习从无标签的训练流数据中提取出第一特征，卷积神经网络能够利用第一特征快速学习有标签的样本数据，并将学习到的第二特征反馈给残差网络，以巩固残差网络；训练流数据包括实时采集的第一实时流数据和数据库中的预存流数据，这样模型能够在不断学习新的实时流数据同时避免对旧的预存流数据知识的遗忘，而且持续学习框架还与哈希函数有效连接，利用残差网络和卷积神经网络持续学习进而提取的特征指导哈希函数的学习，不断提高生成的哈希码质量，进一步提升检索性能。
-
公开(公告)号：CN119830222A
公开(公告)日：2025-04-15
申请号：CN202510300843.1
申请日：2025-03-14
Applicant: 中南大学
IPC: G06F18/25 , G06N3/042 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/096 , G06F18/213 , G06F18/28
Abstract: 本申请公开了一种基于注意力机制的跨模态哈希检索方法，包括：获取第一多模态数据；将第一多模态数据输入检索与表示学习模型，得到目标融合离散哈希码，目标融合离散哈希码用于对第一多模态数据进行检索；其中，检索与表示学习模型通过以下步骤得到：获取多个训练样本，训练样本包括第二多模态数据和第一融合离散哈希码；基于损失函数，将多个训练样本输入初始检索与表示学习模型进行模型迭代训练，直至损失函数值达到预设的收敛值，得到检索与表示学习模型，其中，初始检索与表示学习模型基于卷积神经网络、词袋模型、Transformer编码器和/或跨模态注意力机制构建。
-
公开(公告)号：CN119722685A
公开(公告)日：2025-03-28
申请号：CN202510237750.9
申请日：2025-03-03
Applicant: 中南大学
Abstract: 本发明涉及智能医疗技术领域，具体涉及一种多模态医学信息处理方法、设备及介质，所述方法包括下列步骤：S1：构建医学信息处理模型，所述医学信息处理模型包括自适应调整编码器、多尺度自提示生成模块和特征金字塔网络；S2：采用交叉对比学习训练所述医学信息处理模型；S3：获取患者的医学信息，将医学信息输入训练后的医学信息处理模型，得到处理结果。本发明方法采用自适应调整编码器，在捕捉图像特征的同时，结合不同知识域的信息，增强了模型对多样化数据的适应性。
-
公开(公告)号：CN119129600B
公开(公告)日：2025-02-18
申请号：CN202411603699.0
申请日：2024-11-12
Applicant: 中南大学
IPC: G06F40/295 , G06F40/237 , G06F40/284 , G06N3/0442 , G06N3/0455 , G06N3/047 , G06N3/0895
Abstract: 本发明涉及自然语言处理技术领域，具体涉及一种基于空间关系感知的地名实体识别方法、介质和设备，所述方法包括如下步骤：通过网络中地名实体的自然语言句子以及处理地理数据集构造的伪句子构建语料库，利用伪句子和自然语言句子，采用对比学习和掩码语言建模学习进一步训练自然语言模型。本方法基于自然语言模型搭建一种中文命名实体识别模型：通过词向量转换学习字符级特征表示，自然语言模型学习词级特征表示，融合嵌入层整合字符级特征表示和词级特征表示生成新的特征表示，通过双向长短期记忆网络提取文本上下文语义特征，条件随机场获得全局最优的标签序列，实现地名实体识别。本发明方法提升了地名实体识别模型的整体性能。
-
-
-
-
-
-
-
-
-
Search Results
234
records
(took 0.061 seconds)
