-
公开(公告)号：CN118035568A
公开(公告)日：2024-05-14
申请号：CN202410437158.9
申请日：2024-04-12
Applicant: 暨南大学
IPC: G06F16/9535 , G06N3/0499 , G06Q50/20
Abstract: 本发明涉及习题推荐技术领域，特别是涉及一种感知知识掌握程度的教育习题智能推荐方法，包括：获取第一预设时间内用户的历史答题信息；将历史答题信息输入预设的感知预测模型中，输出第二预设时间内用户的推荐练习习题，其中，感知预测模型通过数据集训练，数据集包含习题序列，习题序列为第三预设时间内用户的历史答题信息按时间先后顺序组成，第三预设时间大于且不包含第一预设时间；感知预测模型包括感知模块和预测模块，感知模块用于对数据集中的习题序列进行处理，获取输出向量；预测模块用于对输出向量进行处理，输出推荐结果。本发明能够为用户进行精准、有效的习题推荐。
-
公开(公告)号：CN117876799A
公开(公告)日：2024-04-12
申请号：CN202410269658.6
申请日：2024-03-11
Applicant: 暨南大学
IPC: G06V10/764 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/00 , G06V10/82 , G01D21/02
Abstract: 本发明公开了一种物流供应链品控缺陷检测方法及系统，其中方法包括：采集有关物流供应链品控的训练数据，并提取训练数据的缺陷特征；基于特征缺陷，构建混合检测模型；优化检测模型，得到最终模型；利用最终模型，完成物流供应链上的品控缺陷检测。本发明通过融合形变检测和穿透性破损检测两个神经网络模块，实现了对物流供应链纸箱包装的综合检测。本发明能够同时兼顾形变检测和穿透性破损检测，解决了目前方法只能单一处理这两个方面的问题。这将会进一步提高物流供应链纸箱包裹运输过程中的安全性和效率，为物流行业带来更大的便利和效益。
-
公开(公告)号：CN112052886B
公开(公告)日：2022-06-03
申请号：CN202010847005.3
申请日：2020-08-21
Applicant: 暨南大学
IPC: G06V10/774 , G06V10/82 , G06V10/74 , G06V40/10 , G06V40/20 , G06K9/62 , G06N3/04 , G06N3/08 , G06T7/60
Abstract: 本发明属于深度学习计算机视觉领域，公开了一种基于卷积神经网络的人体动作姿态智能估计方法及装置，方法包括：将待进行动作姿态估计的人体图像输入到训练好的人体检测模型中进行处理，得人物个体检测结果，输入到训练好的全局估计模型中进行处理，得到不同尺度的人体关键点的第一特征图，输入到训练好的补充精调模型中进行处理，通过加强学习得到不同尺度的人体关键点的第二特征图；补充精调模型中包括多个特征提取分支，每个特征提取分支中设置数量不同的精调模块，通过各特征提取分支的精调模块加强学习；基于第二特征图，得到人体姿态估计结果。本发明有效解决了现有技术容易遗漏人体图像中难以分辨的关键点而导致人体姿态估计不准确的问题。
-
公开(公告)号：CN114038517A
公开(公告)日：2022-02-11
申请号：CN202110983302.5
申请日：2021-08-25
Applicant: 暨南大学
Abstract: 本发明涉及一种基于对比学习的自监督图神经网络预训练方法，步骤为：对公开数据库的化合物分子进行预处理，筛选出有机分子；对筛选出的有机分子进行结构分解并提取，将所得的子结构作为标识符，并构建子结构的语料库；将分解后的子结构看作超级节点并构建相应的子图数据，该子图数据与原分子图数据构成正样本对，随机选出若干个子图数据与原分子图数据组成负样本对；构建基于注意力机制的图卷积神经网络、基于多层次的门控循环单元和多层感知机模块，组成自监督学习模型；将所有正负样本对数据输入自监督学习模型进行预训练并保存，便于下游任务的微调。解决对缺乏标注的药物分子的场景时，进行深度学习模型训练所产生的泛化性能不足的问题。
-
公开(公告)号：CN119991375A
公开(公告)日：2025-05-13
申请号：CN202510436954.5
申请日：2025-04-09
Applicant: 暨南大学
IPC: G06Q50/20 , G06N3/0442 , G06F18/10 , G06F18/214 , G06F18/2415 , G06F18/25
Abstract: 本发明公开了一种基于长短期记忆神经网络的教育资源多样化推荐方法及系统，涉及教育资源推荐技术领域，其中方法包括：S1.获取学习者的历史学习资源信息，并将学习者进行划分；S2.基于划分的结果，进行学习者表征增强与知识点掌握建模；S3.基于学习者的知识点掌握程度，生成候选教育资源列表；S4.基于候选教育资源列表，计算教育资源相关性与多样性得分；S5.融合教育资源相关性与多样性得分，按最终分数从高到低为学习者推荐指定数量的教育资源。本发明提出了序列增强模块，通过结合不活跃学习者的历史学习行为和积极学习者的丰富历史数据，对不活跃学习者的学习表示进行增强。
-
Patent Agency Ranking
公开(公告)号：CN115101145B
公开(公告)日：2024-09-17
申请号：CN202210737270.5
申请日：2022-06-27
Applicant: 暨南大学
IPC: G16C20/50 , G06F18/241 , G06N3/0464 , G06N3/084 , G06N3/045 , G06N3/042 , G06N3/0895 , G16C20/70
Abstract: 本发明公开了一种基于自适应元学习的药物虚拟筛选方法及系统，包括以下步骤：S1、对公开数据库的药物分子数据进行预处理获得分子图数据并划分T个数据集；S2、构建基于元学习器的多任务神经网络模型；S3、利用上述数据集对神经网络模型进行预训练，得到药物虚拟筛选模型；S4、输入任务目标的数据到上述药物虚拟筛选模型，对任务的权重进行调整，添加目标任务相关的预测层，得到与目标任务强相关的药物虚拟筛选模型。本方法与基于深度学习的药物筛选方法相比，利用元学习器对模型进行任务权重上的调整，通过添加目标任务相关的预测层，能够自适应调整模型，使药物虚拟筛选模型达成更好的泛化性能，能够筛选出具有足够活性且符合要求的药物分子。
-
公开(公告)号：CN117540104B
公开(公告)日：2024-08-02
申请号：CN202311762184.0
申请日：2023-12-20
Applicant: 暨南大学
IPC: G06F16/9535 , G06N3/0895 , G06N5/022 , G06Q50/20 , G06F16/906
Abstract: 本发明公开了一种基于图神经网络的学习群体差异评价方法与系统，包括：获取学习者做题的历史交互信息，对历史交互信息进行处理，得到知识点群体和知识点群体构成的潜在交互序列；根据知识点群体和知识点群体构成的潜在交互序列对学习者群体进行聚类，得到学习者群体；计算所述学习者群体之间的差异，得到群体差异量化结果；将群体差异量化结果输入循环神经网络模块进行训练，得到训练完毕的学习群体差异评价模型；将学习者做题的交互信息输入至模型，得到学习者学习能力评估结果。本申请与传统技术相比，能实现数据驱动的群体动态分组，精准评估群体学习情况，输出不同层次学习者群体的学习能力评价结果，以便制定更有效的后续教育计划。
-
公开(公告)号：CN118194357A
公开(公告)日：2024-06-14
申请号：CN202410605553.3
申请日：2024-05-16
Applicant: 暨南大学 , 深圳市方直科技股份有限公司 , 深圳市木愚科技有限公司
Abstract: 本发明提出了一种基于扩散去噪模型的隐私数据发布方法，包括：构建教育数据集，其中，所述教育数据集包括：隐私属性集和非隐私属性集；基于隐私预算，对所述隐私属性集进行PRAM预扰动；基于PRAM预扰动后的数据对预设的数据生成模型进行训练；基于训练后的数据生成模型进行采样，生成包含特定数量的数据记录作为合成数据集。本发明在可以在满足本地差分隐私定义的情况下，生成数据效用良好的教育类数据集，适用于各类教育数据应用场景。与一般的基于深度生成式模型的隐私数据发布方法相比，该方案可以实现更好的隐私‑效用权衡。
-
公开(公告)号：CN117272881B
公开(公告)日：2024-03-12
申请号：CN202311556851.X
申请日：2023-11-21
Applicant: 暨南大学
IPC: G06F30/32 , G06F30/337
Abstract: 本发明公开了一种基于标记句式决策图的电路简化方法及系统，包括以下步骤：S1、将电子电路转换为布尔逻辑表达式；S2、采用标记句式决策图表征布尔逻辑表达式；S3、对标记句式决策图进行约简；S4、根据约简后的标记句式决策图更新布尔逻辑表达式；S5、根据更新后的布尔逻辑表达式设计简化后的电子电路。本申请与传统技术相比，将电子电路转化为标记句式决策图，通过对标记句式决策图进行约简从而达成简化电子电路的目的，采用的复合规则的二元关系最小化方法能够避免决策图约简过程中出现的规模较大、定义冲突与内存冗余的问题，同时可以更加稳定高效地简化电路，具有良好的应用前景。
-
公开(公告)号：CN118194357B
公开(公告)日：2024-08-09
申请号：CN202410605553.3
申请日：2024-05-16
Applicant: 暨南大学 , 深圳市方直科技股份有限公司 , 深圳市木愚科技有限公司
Abstract: 本发明提出了一种基于扩散去噪模型的隐私数据发布方法，包括：构建教育数据集，其中，所述教育数据集包括：隐私属性集和非隐私属性集；基于隐私预算，对所述隐私属性集进行PRAM预扰动；基于PRAM预扰动后的数据对预设的数据生成模型进行训练；基于训练后的数据生成模型进行采样，生成包含特定数量的数据记录作为合成数据集。本发明在可以在满足本地差分隐私定义的情况下，生成数据效用良好的教育类数据集，适用于各类教育数据应用场景。与一般的基于深度生成式模型的隐私数据发布方法相比，该方案可以实现更好的隐私‑效用权衡。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.03 seconds)
