-
公开(公告)号：CN117951610A
公开(公告)日：2024-04-30
申请号：CN202410350983.5
申请日：2024-03-26
Applicant: 华南理工大学
IPC: G06F18/243 , G06F18/213 , G06N5/01
Abstract: 本发明公开了基于特征数据分析的通信信号识别分类方法，步骤包括：采集各类通信信号；提取信号的特征，包括样本均值、放大器输出信号泰勒多项式系数、频谱图像特征：综合考虑样本均值、放大器输出信号泰勒多项式系数、频谱图像特征，将输入信号进行分类，基于决策树对信号分类；对信号分类结果进一步进行模糊判决；输出信号分类的最终结果。本发明综合频谱特征和频谱图像特征对信号进行分类，并采用模糊评判方法对分类结果进一步进行可靠度判断，可有效地将未知信号进行分类。
-
公开(公告)号：CN115618154B
公开(公告)日：2023-03-10
申请号：CN202211632718.3
申请日：2022-12-19
Applicant: 华南理工大学
IPC: G06F16/958
Abstract: 本发明公开了一种表格的标记语言标签与单元格锚框鲁棒对齐方法，方法包括：解析HTML结构字符串，得到td标签的行号、列号、跨行数目以及跨列数目；基于单元格的Bbox的竖直方向的坐标位置关系，为每个Bbox分配行号，并根据水平方向的坐标位置关系将Bbox从左至右进行排序；进行匹配行的各Bbox标签的分配；基于匹配行，根据水平方向的坐标位置关系，对所有未匹配行中的Bbox的列号进行投票，投票数最多的列号作为Bbox列号的预测结果，基于列号将Bbox与同行的td标签进行对齐，进行未匹配行的各Bbox标签的分配；由此得到整个表格各Bbox的行号、列号、跨行数目以及跨列数目的分配结果。
-
公开(公告)号：CN118314583B
公开(公告)日：2025-01-21
申请号：CN202410337361.9
申请日：2024-03-23
Applicant: 华南理工大学
IPC: G06V30/19 , G06V30/244 , G06V30/18 , G06V10/82
Abstract: 本发明公开了一种语义增强的零样本甲骨文字符识别方法，包括：根据域和字符类别为甲骨文图像构造可学习的提示信息；引入对比式语言‑图像预训练模型，并通过平衡采样策略采样数据，对可学习的提示信息进行优化，以实现从甲骨文拓片和字模图像中挖掘出语义信息；去除域提示信息来得到域无关的提示信息，进而通过语义编码器编码得到域无关的字符语义；通过类内共享特征学习分支和类间差异特征学习分支对视觉编码器进行监督训练；采用训练好的视觉编码器，实现零样本甲骨文字符识别。
-
公开(公告)号：CN117743652B
公开(公告)日：2025-01-10
申请号：CN202311732260.3
申请日：2023-12-16
Applicant: 华南理工大学
IPC: G06F16/9032 , G06F16/242 , G06F16/2452 , G06F16/2455 , G06F16/28 , G06F16/901 , G06F40/279 , G06F40/253 , G06F40/30 , G06N3/0895 , G06N5/02 , G06N5/04
Abstract: 本发明公开了基于深度学习的弱监督时序图谱问答方法，包括以下步骤：步骤1，获得时序图谱数据集；步骤2，利用时序图谱数据集通过模板填充与有效性验证生成对应的数据库查询语句；步骤3，利用生成的数据库查询语句训练自然语言转数据库查询语句模型；步骤4，通过自然语言转数据库查询语句模型推理获得数据库查询语句，并根据该数据库查询语句进行数据库查询获得最终答案；使本发明的答案在维持较高的可解释性的同时，极大地降低了模型训练过程中对数据的标注要求。
-
公开(公告)号：CN117951313B
公开(公告)日：2024-07-12
申请号：CN202410297786.1
申请日：2024-03-15
Applicant: 华南理工大学
Inventor： 黄森
IPC: G06F16/36 , G06F40/216 , G06F16/35
Abstract: 本发明公开了基于实体关系统计关联的文档关系抽取方法，所述方法包括：构建关系抽取模型，包括预训练语言模型和关系预测层；使用预训练语言模型编码文档，获得文档特征以及实体特征；对每个实体计算统计关系向量；把每对实体的实体特征和统计关系向量输入关系预测层，获得实体对的关系概率分布；计算关系分类损失函数，优化关系分类损失函数，训练关系抽取模型；使用关系抽取模型进行关系抽取。本发明发现对于文档关系抽取，其天然存在着很强的统计先验知识，本发明创新性地对每个实体与每种关系的统计关联进行计算，并作为先验知识引入深度学习模型中，提升模型性能。
-
Patent Agency Ranking
公开(公告)号：CN117951610B
公开(公告)日：2024-06-07
申请号：CN202410350983.5
申请日：2024-03-26
Applicant: 华南理工大学
IPC: G06F18/243 , G06F18/213 , G06N5/01
Abstract: 本发明公开了基于特征数据分析的通信信号识别分类方法，步骤包括：采集各类通信信号；提取信号的特征，包括样本均值、放大器输出信号泰勒多项式系数、频谱图像特征：综合考虑样本均值、放大器输出信号泰勒多项式系数、频谱图像特征，将输入信号进行分类，基于决策树对信号分类；对信号分类结果进一步进行模糊判决；输出信号分类的最终结果。本发明综合频谱特征和频谱图像特征对信号进行分类，并采用模糊评判方法对分类结果进一步进行可靠度判断，可有效地将未知信号进行分类。
-
公开(公告)号：CN117951313A
公开(公告)日：2024-04-30
申请号：CN202410297786.1
申请日：2024-03-15
Applicant: 华南理工大学
IPC: G06F16/36 , G06F40/216 , G06F16/35
Abstract: 本发明公开了基于实体关系统计关联的文档关系抽取方法，所述方法包括：构建关系抽取模型，包括预训练语言模型和关系预测层；使用预训练语言模型编码文档，获得文档特征以及实体特征；对每个实体计算统计关系向量；把每对实体的实体特征和统计关系向量输入关系预测层，获得实体对的关系概率分布；计算关系分类损失函数，优化关系分类损失函数，训练关系抽取模型；使用关系抽取模型进行关系抽取。本发明发现对于文档关系抽取，其天然存在着很强的统计先验知识，本发明创新性地对每个实体与每种关系的统计关联进行计算，并作为先验知识引入深度学习模型中，提升模型性能。
-
公开(公告)号：CN118093956B
公开(公告)日：2024-12-13
申请号：CN202311732230.2
申请日：2023-12-16
Applicant: 华南理工大学
IPC: G06F16/9032 , G06F16/901 , G06F16/28 , G06F16/2455 , G06F16/2458 , G06F16/903 , G06F40/279 , G06F40/216 , G06N3/0442 , G06N5/02 , G06N5/04
Abstract: 本发明公开了一种用于多粒度时序知识图谱的问答方法，包括以下步骤：步骤1，对数据集进行预处理得到实体、关系、事件实体和时间；步骤2，利用数据集训练实体抽取模型和关系抽取模型得到更精准的实体和关系；步骤3，利用得到的实体、关系、事件实体和时间进行图谱查询得到最终的候选答案集；本发明中用于多粒度时序知识图谱的问答方法适应动态环境下的多粒度时序知识图谱问答场景，在多粒度时间和多时序约束下具有高精度问答性能，且该方法保证了推理效率，具有良好的泛化性，对不同类型的问题均有良好的性能。
-
公开(公告)号：CN118314583A
公开(公告)日：2024-07-09
申请号：CN202410337361.9
申请日：2024-03-23
Applicant: 华南理工大学
IPC: G06V30/19 , G06V30/244 , G06V30/18 , G06V10/82
Abstract: 本发明公开了一种语义增强的零样本甲骨文字符识别方法，包括：根据域和字符类别为甲骨文图像构造可学习的提示信息；引入对比式语言‑图像预训练模型，并通过平衡采样策略采样数据，对可学习的提示信息进行优化，以实现从甲骨文拓片和字模图像中挖掘出语义信息；去除域提示信息来得到域无关的提示信息，进而通过语义编码器编码得到域无关的字符语义；通过类内共享特征学习分支和类间差异特征学习分支对视觉编码器进行监督训练；采用训练好的视觉编码器，实现零样本甲骨文字符识别。
-
公开(公告)号：CN118093846B
公开(公告)日：2024-07-05
申请号：CN202410512955.9
申请日：2024-04-26
Applicant: 华南理工大学
Inventor： 黄森
IPC: G06F16/332 , G06F40/216 , G06F16/33 , G06F16/36 , G06F18/213 , G06F18/22 , G06N3/084 , G06Q50/18
Abstract: 本发明公开了一种基于关联建模的知识检索问答方法，所述方法包括：构建专利特征提取模型，包括节点单一特征提取模块，节点层级特征提取模块；利用专利特征提取模型可以提取出每个权利要求的层级特征；把各个权利要求输入大语言模型，得到对应的查询，并把查询输入查询特征提取模型，得到权利要求的查询特征；对权利要求的层级特征和查询特征计算损失函数；利用损失函数训练专利特征提取模型和查询特征提取模型；利用训练好的专利特征提取模型和查询特征提取模型进行专利检索问答。本发明通过显式建模专利的权利要求的依赖关系，实现权利要求的有效特征表示，通过对自然语言查询特征和权利要求的层级特征的匹配，实现专利权利要求的检索问答。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.025 seconds)
