-
公开(公告)号：CN108511594B
公开(公告)日：2021-06-29
申请号：CN201810553132.5
申请日：2018-06-01
Applicant: 济南大学
Abstract: 一种CuInSe2/CuInTe2热电复合材料的制备方法，采用熔融‑退火法制得Te缺位的CuInTe2‑x热电材料粉体，将该粉体进行渗硒处理，得到CuInSe2/CuInTe2热电复合材料粉体，将该复合材料粉体进行急速热压烧结，得最终产品。本发明避免了传统方法制备时第二相分布不均匀、容易偏聚等缺点，同时可以通过控制渗硒的工艺参数来实现第二相CuInSe2的精确控制，具有制备工艺简单、重复性好、可控性强、操作方便等优点，产业化前景良好，制备出的CuInSe2/CuInTe2热电复合材料热电优值ZT高，具有优良的热电性能，可大批量生产，适用于大规模生产。
-
公开(公告)号：CN109615010B
公开(公告)日：2020-11-10
申请号：CN201811525966.1
申请日：2018-12-13
Applicant: 济南大学
IPC: G06K9/62
Abstract: 本申请公开了基于双尺度卷积神经网络的中药材识别方法及系统，首先通过专门设计的图像采集装置进行双尺度图像的采集，将训练图像送入卷积神经网络进行训练，经过多层卷积池化的特征提取与选择，训练得到识别精度较高的卷积神经网络模型。将待测图像送入训练好的卷积神经网络模型中进行特征提取，基于提取的特征对中药材进行分类，输出分类识别结果。本发明有利于提高普通人对药材的识别能力，辅助药材领域专家更准确快速的辨别药材。
-
公开(公告)号：CN107445621B
公开(公告)日：2020-05-12
申请号：CN201710796075.9
申请日：2017-09-06
Applicant: 济南大学
IPC: C04B35/547 , C04B35/622
Abstract: 本发明属于热电材料技术领域，具体涉及一种Cu‑Te纳米晶/Cu2SnSe3热电复合材料及其制备方法，该复合材料中Cu‑Te纳米晶在复合材料中的体积比为0.2‑1.2%。本发明制备的Cu‑Te纳米晶/Cu2SnSe3型热电复合材料表现出较好的热电性能，大幅提升了Cu2SnSe3基体的ZT值；制备所需工艺操作简单、参数可控、适用于较大规模生产。
-
公开(公告)号：CN110929777A
公开(公告)日：2020-03-27
申请号：CN201911131122.3
申请日：2019-11-18
Applicant: 济南大学
Abstract: 一种基于迁移学习的数据核聚类方法，相较于普通的数据聚类技术，本基于迁移学习的数据核聚类方法使用映射的方法将在低维空间中线性不可分的数据映射到高维数据空间中，并使用核函数来代表这种映射，使得数据在高维空间可分。提高了数据聚类的效果并拓宽了可聚类数据的范围，而且使用了迁移学习技术，利用聚类效果优秀的数据的数据结构信息来协助目标域的数据聚类，相应的减少了在目标数据量稀少时会产生的聚类效果不佳的情况。
-
公开(公告)号：CN109468479A
公开(公告)日：2019-03-15
申请号：CN201811569325.6
申请日：2018-12-21
Applicant: 济南大学
Abstract: 本发明公开了一种铝-钽-碳中间合金及其制备方法和应用，中间合金由以下重量百分比的组分组成：钽1.0%-4.5%，碳0.3-3.0%，其余为铝。本发明采用铝、钽、碳三种成分组成中间合金，通过合金组分的选择和含量的控制，实现对中间合金性能的良好控制。本发明中间合金成分可精确控制，制备工艺简单方便，碳吸收率高、对铝硅合金具有较好细化变质效果、无颗粒团聚和毒化副作用，产业化前景好。
-
Patent Agency Ranking
公开(公告)号：CN119205281A
公开(公告)日：2024-12-27
申请号：CN202411718037.8
申请日：2024-11-28
Applicant: 济南大学
IPC: G06Q30/0601 , G06Q40/00 , G06N3/0464 , G06N3/045 , G06N3/049 , G06N3/08
Abstract: 本发明涉及时间序列预测技术领域，提供了一种基于半高斯采样的金融产品推荐方法、系统、设备及介质。基于半高斯采样的金融产品推荐方法包括，获取多种金融产品的历史属性数据和历史热度数据，并进行预处理，构建样本集，将样本集划分为训练集和测试集，将训练集中的样本序号映射到半高斯分布的x轴区间[μ‑3σ，μ]内，计算每个样本的权重，并将权重转化为概率值；多项式分布利用所述概率值进行有放回的抽取若干个样本；基于抽取的若干个样本和每个样本对应的真实值，对动态时间卷积网络进行训练，得到训练好的动态时间卷积网络，用于预测所有金融产品的排名，并加排名靠前的若干金融产品推荐给用户。本发明能够生成更加精准的推荐结果。
-
公开(公告)号：CN113656707B
公开(公告)日：2024-09-17
申请号：CN202111027573.X
申请日：2021-09-02
Applicant: 济南大学
IPC: G06F16/9535 , G06F16/958 , G06F18/214 , G06F18/2413 , G06F18/23213 , G06Q40/06 , G06N3/0455 , G06N3/084
Abstract: 本发明属于理财产品推荐领域，提供了一种理财产品推荐方法、系统、存储介质及设备。其中，该方法包括获取理财用户数据；基于理财用户数据和训练完成的自编码神经网络模型，得到推荐理财产品类型；其中，自编码神经网络模型的训练过程为：采用理财用户数据预训练自编码神经网络模型；将理财用户数据及其若干个最近邻数据拼接构成训练数据；以预训练的自编码神经网络模型中的参数为初始值，利用训练数据继续训练自编码神经网络模型，直至到达最大迭代次数或者损失误差小于停止阈值。
-
公开(公告)号：CN118585840A
公开(公告)日：2024-09-03
申请号：CN202410922820.X
申请日：2024-07-10
Applicant: 济南大学
IPC: G06F18/23 , G06F18/214 , G06F17/11 , G06F18/25 , G06N5/04
Abstract: 本发明属于数据挖掘技术领域，提供了基于多重填充及变分网络的不完全数据聚类方法及系统，包括获取待聚类的不完全数据集；对缺失数据进行多重推断，得到多个填充结果；将填充结果编码为潜在表示，融合潜在分布，得到共享潜在分布；从高斯混合模型中选择一个聚类，根据所选聚类产生共享潜在变量，利用高斯混合模型计算聚类分配概率；定义目标函数，计算前后两次迭代的目标函数值之间的差值，如果满足设定条件，则终止迭代，如果不满足则重复执行上述步骤。本发明解决了传统的不完全数据聚类方法填充与聚类部分分离、推断过程无法获得足够的信息来处理高维数据的问题。
-
公开(公告)号：CN117236287A
公开(公告)日：2023-12-15
申请号：CN202311243891.9
申请日：2023-09-26
Applicant: 济南大学
IPC: G06F40/14 , G06Q10/04 , G06Q50/12 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及文本数据处理领域，具体为一种基于树结构的菜谱优化方法、系统、存储介质及设备，包括以下步骤：获取菜谱中的文本信息转换为菜谱树并构建数据集，基于菜谱树构建约束规则集合，根据得到的约束规则集合基于菜谱生成模型得到新的菜谱；在生成的新菜谱中选取待优化的目标菜谱进行潜空间编码，根据数据集中所有菜谱的潜空间编码与目标菜谱潜空间编码之间距离，筛选出距离最小的多个菜谱，筛选出的多个菜谱和目标菜谱共同作为待优化的菜谱；获取待优化菜谱的评价结果作为初始解，得到推荐的潜空间向量并生成规则序列的菜谱树，继续获取对应菜谱的评价结果并经若干次循环后取评价结果最高分对应的菜谱树作为优化后的菜谱。
-
公开(公告)号：CN116991968B
公开(公告)日：2023-12-08
申请号：CN202311243302.7
申请日：2023-09-26
Applicant: 济南大学
IPC: G06F16/31 , G06F40/211 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及文本数据处理领域，具体为一种基于树结构的菜谱生成方法、系统、存储介质及设备，包括以下步骤：获取菜谱中的文本信息，经预处理后构建菜谱文本数据集；基于数据集中的菜谱文本，提取动作关键字和食材关键字，将关键字通过设置的根节点进行拼接，得到树结构形式的菜谱，即菜谱树；基于菜谱树构建约束规则集合，根据得到的约束规则集合转换成预训练嵌入编码值集合，嵌入编码值基于自编码器网络进行训练，训练后，约束规则在网络中对应的潜空间编码作为嵌入编码；在菜谱生成模型的潜空间中，经高斯分布进行采样并传递给菜谱生成模型的解码器部分，模型的输出为生成的新菜谱。
-
-
-
-
-
-
-
-
-
Search Results
80
records
(took 0.022 seconds)
