-
公开(公告)号：CN113836260A
公开(公告)日：2021-12-24
申请号：CN202110992754.X
申请日：2021-08-27
Applicant: 北京工业大学
IPC: G06F16/33 , G06F16/36 , G06F16/951 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于知识增强的深度学习的总氮含量预测方法，该方法通过分析百度百科关于水质污染参数的信息和水质参数文献，构建了水质知识图谱，得到水质参数之间的知识级信息，并提取出反映水质参数的知识级特征信息，并将其和数据级特征信息结合作为先验知识去解决水质预测问题。另一方面，通过将对抗学习和深度神经网络水质预测模型结合，以提高了模型的鲁棒性和泛化性。最后，将带有知识级和数据级的特征信息输入到水质预测模型中，预测河流总氮的浓度。实验结果表明，该方法将知识级信息和数据级信息结合，融入到基于对抗学习的神经网络水质预测模型中，提高了水质参数的预测精度。
-
公开(公告)号：CN113095502A
公开(公告)日：2021-07-09
申请号：CN202110277914.2
申请日：2021-03-15
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于Data‑Brain模型驱动的系统化认知实验设计方法，该方法设计脑认知研究相关的主实验类型和辅助实验类型，其中辅助实验类型包括相似实验类型、平行实验类型、深度实验类型、启发实验类型、缺失实验类型和子过程实验类型；同时设计各实验类型之间的推理规则以构成系统化实验模板图；其次根据认知假设设计实验范式类别和实验显性刺激，由此推理主实验任务并填充到图中；接着从脑知识库中采样新实验任务，结合Data‑Brain模型和推理规则识别其所属的辅助实验类型，将匹配得到的实验任务填充到图中，直到所有实验类型被设计完成。本发明实现对认知假设的多侧面实验任务设计，促进脑认知的多侧面可解释性和透明度。
-
公开(公告)号：CN112623056A
公开(公告)日：2021-04-09
申请号：CN202110026432.X
申请日：2021-01-08
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于非万向轮实现的全方位移动装置，该全方位移动装置的基础设施包括至少两个双轮主动轮组和若干个从轮轮组。双轮主动轮组用于改变结构体移动及旋转方向；从动轮组用于支撑结构体以保持平衡位移。每个双轮主动轮组至少包括两个驱动电机和至少两个轮体，两个驱动电机分别独立驱动两个轮子顺时针或逆时针旋转。旋转角度经过控制单元处理后，调整驱动电机的旋转方向和旋转角度。本发明基于普通轮体而非万向轮，实现全方位移动功能，在满足使用效果的同时，降低成本；普通轮体接触面积大，抓地性好，对于全方位移动的控制精度高，可适用于不同场合的使用需求，便于推广应用。
-
公开(公告)号：CN116110582A
公开(公告)日：2023-05-12
申请号：CN202310119327.X
申请日：2023-02-15
Applicant: 北京工业大学
IPC: G16H50/30 , G16H50/70 , G16H10/60 , G06F18/241 , G06F18/214 , G06N3/045
Abstract: 本发明公开了一种基于预训练和多任务双向调节机制的健康风险评估方法，本发明涉及智慧医疗和深度学习相关技术，应用大量的被抛弃的单次体检数据，融合预训练模型来学习文本的表示，减少了对大型训练数据集的需要，并开发了一个具有双向调节机制的多任务学习框架，融合预训练和微调，缓解模型预训练参数遗忘导致的上下游差距。本研究使用海南省某医疗机构的数据进行训练测试，实验表明，该模型能够有效提升健康风险评估的准确率。
-
公开(公告)号：CN114649077A
公开(公告)日：2022-06-21
申请号：CN202210268171.7
申请日：2022-03-17
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于知识增强和预训练的慢性病用药推荐方法，获取诊断数据集、症状数据集和药物数据集，对数据进行预处理；根据诊断编码ICD‑10和国家药物编码的编码规则进行树构造，对症状分词进行词典嵌入表示；将诊断编码ICD‑10、国家药品编码本体嵌入和症状分词词典嵌入输入到预训练模型；将多次就诊记录中的诊断编码嵌入、症状编码嵌入和药物编码嵌入的平均值及最后一次诊断编码和症状编码的就诊嵌入进行连接，输入到预测模型中，预测推荐的药物编码。利用改进的BERT建立基于EMR单次访问数据的预训练访问模型，以扩展数据规模，实现了基于有限纵向EMR数据的慢性病用药推荐。
-
Patent Agency Ranking
公开(公告)号：CN109567756B
公开(公告)日：2021-07-23
申请号：CN201811634325.X
申请日：2018-12-29
Applicant: 北京工业大学
IPC: A61B5/00 , A61B5/0205
Abstract: 本发明涉及一种基于人工智能床垫的睡眠状态检测方法，基于床垫、微动传感器，以及采集处理模块，微动传感器置于距离床头40～60cm处，且和心脏位置平齐，微动传感器实时获取被监测对象睡眠中的振动数据，并发送至采集处理模块进行自适应分段处理，之后通过数据处理实时获取被监测对象的睡眠状态参数，所述的数据处理方法分为三个阶段，即体动识别、呼吸和心率状态识别、最终实现用户睡眠状态的识别。本发明具有操作流程简单，无需专业人员的辅助与监督，不影响人的正常睡眠，非常适合居家或大规模应用。
-
公开(公告)号：CN106886792B
公开(公告)日：2020-01-17
申请号：CN201710053891.0
申请日：2017-01-22
Applicant: 北京工业大学
Abstract: 本发明涉及一种基于分层机制构建多分类器融合模型的脑电情感识别方法，收集多导情感脑电数据，并对其进行分析处理，包括脑电预处理、特征提取及基于权重度量的通道选择，以构建情感脑电特征矩阵。将情感脑电特征矩阵按照电极位置进行通道划分，并针对每个通道执行最优化特征选择集成，构建多个单一情感分类模型。以各分类模型在针对同一个情感识别问题时获得的差异性和精确度作为评估准则，选择每个通道的最优单一情感分类模型，得到待融合的分类器集。利用各个最优单一情感分类模型的分类误差作为权重，并基于加权投票法构建情感识别融合模型。本发明利用多分类器融合解决了脑电样本空间上难以获得较高情感识别率的问题。
-
公开(公告)号：CN106960025B
公开(公告)日：2019-09-27
申请号：CN201710163216.3
申请日：2017-03-19
Applicant: 北京工业大学
IPC: G06F16/335 , G06F16/35
Abstract: 一种基于领域知识图谱的个性化文献推荐方法，涉及文献推荐技术领域。采用LDA模型构建知识图谱，并在此基础上，分别构建用户兴趣模型与文献模型，解决了词频统计方法不精确的问题；在建模的过程引入时间遗忘曲线函数，解决了用户兴趣变迁的问题；同时在建模过程中引入了激活扩散技术，解决了数据稀疏性的问题；在计算相似性的过程中采用基于知识距离的方法，有效的避免了元素个数匹配的强制性问题。将兴趣保持模型应用在文献推荐系统的用户建模中，考虑时间对用户短期兴趣变迁的影响，准确地量化用户当前兴趣。在用户建模与文献建模过程中引入激活扩散技术，有效的解决了数据的稀疏性问题。
-
公开(公告)号：CN109730658A
公开(公告)日：2019-05-10
申请号：CN201811634315.6
申请日：2018-12-29
Applicant: 北京工业大学
IPC: A61B5/0205 , A61B5/11 , G16H50/30 , A61M21/02
Abstract: 本发明涉及一种人工智能床垫系统，基于床垫、微动传感器，以及采集处理模块，微动传感器实时获取被监测对象睡眠中的振动数据，并通过数据处理实时获取被监测对象的睡眠状态，还设置了用户睡眠状态评价模块、手机和云端服务器；用户睡眠状态评价模块用于在获得被监测对象睡眠状态的基础上进行睡眠状态评价，采集处理模块将睡眠状态评价数据传至云端服务器；用户通过手机应用程序填充用户个人信息，形成用户个性化信息节点；服务器中的应用程序将睡眠状态评价数据与所述用户的个性化信息节点相关联，记录各个时间段用户的睡眠状态评价数据；根据用户当前睡眠状态评价数据推荐对应的助眠模式。
-
公开(公告)号：CN109492098A
公开(公告)日：2019-03-19
申请号：CN201811239578.7
申请日：2018-10-24
Applicant: 北京工业大学
IPC: G06F16/35
Abstract: 基于主动学习和语义密度的目标语料库构建方法属于文本挖掘技术领域。命名实体识别是面向生物医学文献的文本挖掘技术中至关重要的一环，深度学习和其他学习算法在实体识别的能力很大程度上取决于目标语料库构建的性能。而主动学习则是通过未标记的数据进行筛选，可以利用少量的数据取得较高的学习准确度。提出了基于密度聚类的主动学习方法来构建目标语料库，密度聚类选择具有一定高密度的区域划分为簇，可以去除掉具有噪音的数据，再由主动学习方法来选取信息最丰富的样本，使用较少的训练样本来获得性能较好的目标语料库，最终我们通过上下文相似度曲线来观察目标语料库的性能。该方法可以有效减少训练时间的同时也能提高目标语料库的性能。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.033 seconds)
