-
公开(公告)号：CN118675040A
公开(公告)日：2024-09-20
申请号：CN202410811156.1
申请日：2024-06-21
申请人： 桂林电子科技大学 , 桂林慧谷人工智能产业技术研究院
IPC分类号： G06V20/05 , G06V10/764 , G06V10/82 , G06V10/44 , G06V10/52 , G06V10/77 , G06N3/0464 , G06N3/096 , G06N3/084
摘要： 本发明公开了一种基于改进卷积神经网络VGG‑16的少量样本识别方法，其目标是提升水下物体识别的准确性，有效改进过度拟合的问题。传统的VGG‑16算法往往容易陷入过度拟合，因为模型的复杂度较高，VGG‑16在小数据集上容易过度拟合，需要大量的数据进行训练才能能获得良好的泛化性能。而本发明提出的改进的VGG‑16算法通过迁移学习中的权值参数共享，对经过改进的VGG‑16模型进行了训练和测试。这一方法旨在有效识别特定样本，为探测到的水下物体提供准确的分析和判定。本发明的算法可以广泛应用于其他各种实际场景，如探测积雪厚度和人群拥挤程度等，为解决复杂问题提供了一种有效的优化方案。
-
公开(公告)号：CN118658157A
公开(公告)日：2024-09-17
申请号：CN202410812728.8
申请日：2024-06-22
申请人： 桂林电子科技大学 , 桂林慧谷人工智能产业技术研究院
IPC分类号： G06V20/68 , G06V10/40 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/096 , G06N3/084
摘要： 本发明公开了一种基于知识蒸馏的TinyViT网络的虫草检测方法，旨在解决当前检测小目标的效果不准确，模型过大等问题。传统检测识别算法在解决小目标问题时面临着诸多挑战，而本文提出的基于知识蒸馏的TinyViT网络的虫草检测方法通过采用数据预处理，知识蒸馏等方法，有效提高了小目标检测准确性和缩小了最终模型大小，并且在增强全局搜索能力的同时，也显著增强了局部搜索精度。本发明的算法可以广泛应用于各种领域，如机器学习和小目标检测等，为解决复杂问题提供了一种有效的优化方案。
-
公开(公告)号：CN116307910A
公开(公告)日：2023-06-23
申请号：CN202310303583.4
申请日：2023-03-27
申请人： 桂林电子科技大学
IPC分类号： G06Q10/0639 , G06F17/16
摘要： 本发明公开了一种基于直觉模糊偏好关系的三支多属性供应商选择方法，专家评审小组给出直觉模糊决策矩阵后，利用得分函数将该矩阵进行归一化；接着利用属性权重向量求得方案的综合属性值，根据区间数的可能度公式得出供应方案的排序向量，由此获得方案间的直觉偏好关系矩阵；然后通过得到的偏好关系计算方案相似类，并求出对应的条件概率；并且依据直觉模糊数在决策理论粗糙集中的相对损失函数，得出不同决策对应的相对损失；最后，在三支决策规则下，获得决策结果，选出最佳供应商。本发明能够充分考虑供应方案之间的偏好关系，充分考虑信息的不确定性，基于现实数据的不确定性因素，在合理语境下选出最优供应商。
-
公开(公告)号：CN115658913A
公开(公告)日：2023-01-31
申请号：CN202211284698.5
申请日：2022-10-17
申请人： 桂林电子科技大学
摘要： 本发明公开了一种基于Handle标识解析的电力设备信息图谱构建方法，具体步骤如下：步骤S1：对于在二级节点运营商上进行标识注册的电力设备，获取其标识码；步骤S2：通过Handle标识解析系统，对这些电力设备的标识码进行标识解析；步骤S3：通过设定的规则，将标识解析后得到电力设备的相关信息转换成若干个三元组；步骤S4：将上述三元组进行整合，构建形成一个图谱化的设备信息知识库；步骤S5：建立数据管理平台与设备信息知识库的联系，用于电力设备信息的维护和查询。采用上述一种基于Handle标识解析的电力设备信息图谱构建方法，能够实现将标识解析后的数据进行图谱化，加强了电力设备信息的可视化数据管理。
-
公开(公告)号：CN110334221B
公开(公告)日：2022-12-09
申请号：CN201910649318.5
申请日：2019-07-18
申请人： 桂林电子科技大学
IPC分类号： G06F16/36 , G06F16/9535
摘要： 本发明公开一种基于知识图谱路径的可解释性推荐方法，该方法通过获取用户的交互历史，将交互历史作为知识图谱的种子集，从种子集中获取用户‑项的数据集，在得到种子集的前提下，对种子集进行对应知识图谱的三元组查询，并将这些三元组抽取出来，将三元组信息中的组合实体和关系的语义来生成路径表示，根据路径进行推理来推断用户偏好；确定一个三元组路径后，在限制路径长度为4的前提下，查询该路径头实体到尾实体其它的路径，用多个三元组表示；找到多条路径后，对每条路径进行池操作来区分不同路径对预测推荐的贡献；选择贡献分最大的路径对用户进行解释性推荐。该方法推荐精度高，并解决了推荐的不透明性问题。
-
公开(公告)号：CN112000867A
公开(公告)日：2020-11-27
申请号：CN202010824472.4
申请日：2020-08-17
申请人： 桂林电子科技大学
IPC分类号： G06F16/951 , G06F16/9536 , G06F16/33 , G06F16/35 , G06F40/289 , G06Q50/00
摘要： 本发明公开了一种基于社交媒体平台的文本分类方法，利用Python爬取社交媒体平台公开发布的信息，并对爬取数据进行预处理，通过词频统计按从大到小顺序排列并平均分为3个关键字列表，其分别对应于不同的权重，采用相似度函数计算输入的预分类文本中的单词与上述建立的关键字列表的相似度，进而基于相似度计算相关特征，将相关特征映射到模糊集上,从而输出具体的类别，解决了传统文本分类算法无法对较短文本和包含口语、缩略词的文本准确分类的问题。本方法利用模糊逻辑对文本内容非常好的描述能力，实现在具体应用中直接将文本内容转换为计算机和人工智能能够识别的适当数值，有利于提高包含复杂语义的文本和较短文本的分类准确性。
-
公开(公告)号：CN111831880A
公开(公告)日：2020-10-27
申请号：CN202010107153.1
申请日：2020-02-21
申请人： 桂林电子科技大学
IPC分类号： G06F16/951 , G06F16/215 , G06F16/28
摘要： 本发明公开了一种基于微酒店平台的智能问答方法，该方法利用Python爬取携程、途牛等网站公开发布的酒店信息，并对爬取数据进行预处理，构建知识图谱。在此基础上，对用户所提出的问题文本采用自然语言处理技术获取实体，使用word2vec词向量训练方法将该实体训练成词向量，并采用余弦相似度算法计算该实体节点对应的词向量与上述预处理数据建立的知识图谱之间的相似度，进而按相似度由高到低排序对用户问题进行答复，解决了传统问答算法答非所问，无法回答复杂语句的问题。本方法利用知识图谱对数据非常好的描述能力，实现本方法在具体应用中无需使用大量的质量高的问答语料，有利于提高包含复杂语义的自然语言问句的回答准确性。
-
公开(公告)号：CN110334221A
公开(公告)日：2019-10-15
申请号：CN201910649318.5
申请日：2019-07-18
申请人： 桂林电子科技大学
IPC分类号： G06F16/36 , G06F16/9535
摘要： 本发明公开一种基于知识图谱路径的可解释性推荐方法，该方法通过获取用户的交互历史，将交互历史作为知识图谱的种子集，从种子集中获取用户-项的数据集，在得到种子集的前提下，对种子集进行对应知识图谱的三元组查询，并将这些三元组抽取出来，将三元组信息中的组合实体和关系的语义来生成路径表示，根据路径进行推理来推断用户偏好；确定一个三元组路径后，在限制路径长度为4的前提下，查询该路径头实体到尾实体其它的路径，用多个三元组表示；找到多条路径后，对每条路径进行池操作来区分不同路径对预测推荐的贡献；选择贡献分最大的路径对用户进行解释性推荐。该方法推荐精度高，并解决了推荐的不透明性问题。
-
公开(公告)号：CN109670172A
公开(公告)日：2019-04-23
申请号：CN201811486378.1
申请日：2018-12-06
申请人： 桂林电子科技大学
摘要： 本发明公开了一种基于复合神经网络的景区异常事件抽取方法，该方法是对获取的事件原始文本语料进行数据预处理，事件句转换为词向量，将其序列传入到双向长短时记忆网络，利用双向长短时记忆网络来训练得到每个候选触发词的语义特征；再将以词向量表示的事件句序列传入到卷积神经网络中，利用卷积神经网络训练得到候选触发词所在事件句的全局特征；通过综合候选触发词的语义特征与候选触发词所在句子的全局特征，利用softmax作为分类器来对每个候选触发词进行分类，从而找出景区异常事件的触发词，并根据人工标注的触发词类型来将事件类型分类。本发明能够快速准确的抽取景区异常事件，处理繁复冗杂文本中的异常事件，效率高且泛用性佳。
-
公开(公告)号：CN109255033A
公开(公告)日：2019-01-22
申请号：CN201811308701.6
申请日：2018-11-05
申请人： 桂林电子科技大学
摘要： 本发明公开一种基于位置服务领域的知识图谱的推荐方法，抽取位置实体，得实体集作为知识图谱的种子集；将种子集与知识图谱中实体对应，构成实体对应表；将知识图谱中知识图谱三元组，通过Word2Vec模型将词汇嵌入n维空间中，生成对应的向量，得到位置或领域实体向量集E和关系向量集R，用TransE算法对实体向量集E和关系向量集R进行翻译，得到能够快速计算实体间的语义相似性的三元组向量集；根据位置或领域实体向量集E，分别计算搜索位置或领域间的语义相似性simA,B(A，B)，生成旅游位置的语义相似性矩阵；用语义相似性矩阵进行Top-k推荐列表，将推荐列表按机器学习聚类算法进行聚类，将类聚结果推荐给用户。该方法推荐精度高，解决冷启动和稀疏性问题。
-
-
-
-
-
-
-
-
-
搜索结果
48 条记录 (耗时 0.051 秒)
