-
公开(公告)号：CN116932765A
公开(公告)日：2023-10-24
申请号：CN202311187657.9
申请日：2023-09-15
申请人： 中汽信息科技(天津)有限公司 , 中汽知识产权(广州)有限公司
IPC分类号： G06F16/35 , G06N3/0442 , G06N5/02 , G06Q50/18 , G06F18/25
摘要： 本发明涉及一种基于图神经网络的专利文本多级分类方法和设备，涉及深度学习技术领域，从待分类专利文本中提取多个词语、多级分类号、企业特征，将标签向量输入到图卷积神经网络中，联合具有先验概率的层级邻接矩阵使用，得到具备层级关系的标签特征；采用特征提取模块对多个词语先提取词嵌入向量，得到全局关联特征；将所述全局关联特征和所述待分类专利的多级分类号特征与企业特征嵌入表示特征使用attention进行融合并结合图卷积神经网络进行分类，得到第一分类结果；将标签特征与全局关联特征融合并分类得到第二分类结果；融合第一分类结果和第二分类结果，从而实现了专利文本的自动分类且提高了分类准确性。
-
公开(公告)号：CN114332825A
公开(公告)日：2022-04-12
申请号：CN202210227949.X
申请日：2022-03-10
申请人： 中汽信息科技(天津)有限公司
IPC分类号： G06V20/58 , G06V10/77 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明实施例公开了一种基于深度学习的道路地形分布识别方法、设备和存储介质。其中，方法包括：获取机动车在一时间段内的行驶数据，以及用于区分不同道路地形的多个行驶状态；根据所述行驶数据，计算所述时间段内每个行驶状态的时间占比；将所述多个行驶状态的时间占比输入训练好的深度学习网络，预测所述时间段内所述机动车在每种道路地形的行驶里程占比；其中，所述深度学习网络包括：多头自注意力编码层、特征提取层、全连接层和归一化层。本实施例提高了识别准确度。
-
公开(公告)号：CN114332520A
公开(公告)日：2022-04-12
申请号：CN202210243693.1
申请日：2022-03-14
申请人： 中汽信息科技(天津)有限公司
IPC分类号： G06V10/762 , G06V10/774 , G06K9/62
摘要： 本发明实施例公开了一种基于深度学习的异常驾驶行为识别模型构建方法，包括：获取汽车在多个时刻的运行数据，所述运行数据反映驾驶员在所述多个时刻的驾驶行为；利用所述多个时刻的运行数据对待训练的自编码器进行训练；利用训练好的自编码器和聚类识别器，构建异常驾驶行为识别模型；其中，所述聚类识别器用于对所述训练好的自编码器的输出数据进行聚类，识别异常驾驶行为。本实施例兼顾每个维度的主要信息，能够提高识别准确度。
-
公开(公告)号：CN118364058A
公开(公告)日：2024-07-19
申请号：CN202410782588.4
申请日：2024-06-18
申请人： 中汽知识产权(广州)有限公司 , 中汽信息科技(天津)有限公司
IPC分类号： G06F16/33 , G06N3/0442 , G06N3/0455 , G06N3/082 , G06F16/36
摘要： 本发明涉及数据检索技术领域，公开了一种基于知识图谱的专利语义检索方法和设备。该方法获取用户输入的语句；根据所述语句中的实体和预先构建的知识图谱，确定与所述语句相关的至少一个三元组；针对同一头部实体向量的多个尾部实体向量，利用注意力机制将所述头部实体向量注意到每个尾部实体向量上得到每个尾部实体的第一特征向量；根据每个尾部实体的用户感兴趣程度将所述第一特征向量修正为第二特征向量；根据融合特征向量、语句的特征向量和专利库中每条专利的特征向量，得到语义检索结果，通过知识图谱和用户对尾部实体的感兴趣程度综合确定语义检索的专利结果，能够精准捕捉到用户的意图，提高检索效率。
-
公开(公告)号：CN116932765B
公开(公告)日：2023-12-08
申请号：CN202311187657.9
申请日：2023-09-15
申请人： 中汽信息科技(天津)有限公司 , 中汽知识产权(广州)有限公司
IPC分类号： G06F16/35 , G06N3/0442 , G06N5/02 , G06Q50/18 , G06F18/25
摘要： 本发明涉及一种基于图神经网络的专利文本多级分类方法和设备，涉及深度学习技术领域，从待分类专利文本中提取多个词语、多级分类号、企业特征，将标签向量输入到图卷积神经网络中，联合具有先验概率的层级邻接矩阵使用，得到具备层级关系的标签特征；采用特征提取模块对多个词语先提取词嵌入向量，得到全局关联特征；将所述全局关联特征和所述待分类专利的多级分类号特征与企业特征嵌入表示特征使用attention进行融合并结合图卷积神经网络进行分类，得到第一分类结果；将标签特征与全局关联特征融合并分类得到第二分类结果；融合第一分类结果和第二分类结果，从而实现了专利文本的自动分类且提高了分类准确性。
-
公开(公告)号：CN117112735A
公开(公告)日：2023-11-24
申请号：CN202311351864.3
申请日：2023-10-19
申请人： 中汽信息科技(天津)有限公司 , 中汽知识产权(广州)有限公司
IPC分类号： G06F16/33 , G06F40/30 , G06Q50/18 , G06F16/332
摘要： 本申请涉及一种专利数据库的构建方法和电子设备，涉及电数字处理技术领域，方法包括从全面专利数据库中检索目标企业的多个一层级专利；基于语义相似度模型，从所述全面专利数据库中筛选与各前一层级专利相似度大于阈值的专利，作为本层级专利；其中，本层级的阈值通过前一层级的专利价值与前一层级的阈值确定，前一层级的阈值大于等于本层级的阈值；以此类推得到多个层级专利，构建为目标企业的专利分析数据库。本申请凭借语义相似度模型和可变的阈值，实现渐进式的专利数量扩展，从而构建与企业技术紧密相关的、较全面的用于企业专利分析的数据库。
-
公开(公告)号：CN114840474B
公开(公告)日：2022-09-20
申请号：CN202210785305.2
申请日：2022-07-06
申请人： 中汽信息科技(天津)有限公司
摘要： 本发明公开了一种专利索引数据库的数据迁移方法和系统，涉及数据库间的数据同步技术领域。其中，方法包括：TRS数据库服务器将TRS文件发送至ES数据库服务器；ES数据库服务器从TRS文件解析出多条专利数据；如果目标专利数据的来源库存储有超过阈值的专利数据，则建立所述目标专利数据与所述来源库的库名的对应关系；将对应关系中的库名转换为分片路由Routing，将多条专利数据导入到对应Routing的数据分片中。本发明将专利数据从TRS数据库中批量迁移到ES数据库中，且保证迁移后各数据分片的均衡。
-
公开(公告)号：CN113434625B
公开(公告)日：2021-12-07
申请号：CN202110991498.2
申请日：2021-08-27
申请人： 中汽信息科技(天津)有限公司
发明人： 王铁 , 王军雷 , 季南 , 傅连学 , 冀然 , 王灿灿 , 吕惠 , 郭少杰 , 刘兰 , 王丹妮 , 郭宇宏 , 李健明 , 丁强 , 王静 , 辛明华 , 张昭昭 , 张娟 , 王亮亮 , 张海楠
IPC分类号： G06F16/31 , G06F16/332
摘要： 本发明实施例提供一种专利检索式的代码化方法、设备和存储介质，涉及计算机语言处理技术领域。方法包括：获取一专利检索式；通过解析Elasticsearch适用的布尔检索语句格式，确定抽象语法树的结构；按照抽象语法树的结构将所述专利检索式生成抽象语法树；将所述非叶子节点存储的逻辑运算符映射得到布尔逻辑运算符，将所述叶子节点存储的字段名、文本和操作符生成内部代码组，根据非叶子节点之间的级联关系，将所述布尔逻辑运算符生成代码嵌套格式；将内部代码组填充到代码嵌套格式中，得到布尔检索语句。本发明中用户只需要输入常规专利检索式，即可以自动生成抽象语法树，自动通过Elasticsearch进行高效地检索。
-
公开(公告)号：CN114996291A
公开(公告)日：2022-09-02
申请号：CN202210934896.5
申请日：2022-08-05
申请人： 中汽信息科技(天津)有限公司
摘要： 本发明公开了一种自适应优先级的多级数据更新方法，涉及数据更新技术领域。其中，方法包括：获取本地的企业树，所述企业树包括多个叶子节点和多个非叶子节点，每个节点至少存储有层级信息和对应企业信息；当每个更新周期到来时，按照所述第一当前优先级从高到低的顺序对多个节点进行排序，对前设定数量个节点的企业信息进行更新；对于任一非叶子节点，按照所述第二当前优先级从高到低的顺序对多个非叶子节点进行排序，并对前设定数量个非叶子节点及各级子节点的层级信息进行更新。本发明在更新周期的轮询中，能够拿以最小的代价对高优先级的节点快速准确地更新。
-
公开(公告)号：CN114509679B
公开(公告)日：2022-07-12
申请号：CN202210412889.9
申请日：2022-04-20
申请人： 中汽信息科技(天津)有限公司
IPC分类号： G01R31/367 , G01R31/392 , G06N3/04 , G06N3/08
摘要： 本发明实施例公开了一种基于深度学习的电池SOH预测模型构建方法，包括：获取电池在多次充电过程中的特征数据以及充电后的SOH；利用网格搜索法，选取每次充电过程中一连续时间片段的特征数据；以每个连续时间片段的特征数据为样本，对深度学习网络进行训练，使所述深度学习网络的输出逼近每次充电后的SOH；训练好的深度学习网络构成电池SOH预测模型；其中，所述深度学习网络包括：受限玻尔兹曼机模型和全连接层；所述受限玻尔兹曼机模型用于对每个连续时间片段的特征数据进行降维，所述全连接层用于对降维后的特征数据进行全连接计算，得到所述深度学习网络的输出。本实施例使模型的预测结果更符合电池的真实使用状态。
-
-
-
-
-
-
-
-
-
搜索结果
32 条记录 (耗时 0.08 秒)
