-
公开(公告)号：CN117575111B
公开(公告)日：2024-04-12
申请号：CN202410061794.6
申请日：2024-01-16
Applicant: 安徽农业大学
IPC: G06Q10/04 , G06N3/0455 , G06N3/0464 , G06N3/096 , G06Q50/02 , G06V10/82 , G06V20/10
Abstract: 本发明属于农业遥感图像处理技术领域，具体是一种基于迁移学习的农业遥感图像时空序列预测方法，该方法包括：从农业遥感设备收集农作物产量相关的数据作为数据集；对数据集进行清洗和预处理；利用Transformer架构的自注意力机制来处理时空数据；进行迁移学习，利用之前预训练的模型权重作为初始权重进行训练；构建一个网络输出层，用于输出预测农作物产量的相关信息；根据具体的应用需求，对预测结果进行必要的后处理。本发明结合了迁移学习和Transformer自注意力机制，特别是利用了Transformer架构在处理时空序列数据上的优势，来预测农作物的产量，具有更快地训练模型并提高预测精度的优点。
-
公开(公告)号：CN117557787B
公开(公告)日：2024-04-05
申请号：CN202410043522.3
申请日：2024-01-11
Applicant: 安徽农业大学
IPC: G06V10/25 , G06V10/44 , G06V10/774 , G06V10/776 , G06N3/0464
Abstract: 本发明适用于目标检测领域，具体是一种基于改进yolov8的轻量化多环境番茄检测方法，包括：利用引入SimAM注意力机制的yolov8模型主干网络提取数据集图像的特征信息；采用轻量化检测结构Slim‑Neck改进yolov8模型中的neck检测模块，设置新的损失函数SIou，构建基于改进yolov8的目标检测模型；将划分的训练集放入改进的目标检测模型进行训练，得到改进模型，基于模型参数指标，对模型的每个模块进行消融实验，并与Faster‑RCNN、yolov8和yolov5模型进行对比实验，得到最终的番茄检测模型。本发明实现模型的轻量化，在保证了yolov8原本的检测速率的基础上，提高模型的泛化能力和多元环境下番茄检测的精度。
-
公开(公告)号：CN106054598A
公开(公告)日：2016-10-26
申请号：CN201610297395.5
申请日：2016-05-05
Applicant: 安徽农业大学
CPC classification number: G05B13/042 , G05B11/42 , G05D1/021
Abstract: 本发明公开了一种机器人自适应转向单神经元PID控制方法，首先建立机器人转向系统的转向模型，然后构建RBF神经网络，最后构建PID控制系统。本发明针对机器人转向系统的机械结构及数学模型的特点，设计了基于RBF在线辨识的机器人转向单神经元PID控制，将RBF神经网络与单神经元PID控制相结合应用于非线性的机器人转向系统，既充分利用了RBF神经网络最佳逼近性能的特点和单神经元适应性强的优点，也克服了PID控制中学习算法的不足。
-
公开(公告)号：CN105792253A
公开(公告)日：2016-07-20
申请号：CN201610103875.3
申请日：2016-02-25
Applicant: 安徽农业大学
CPC classification number: Y02D70/00 , H04W24/02 , H04W52/0209 , H04W74/085
Abstract: 本发明公开一种无线传感网介质访问控制优化方法，在网络形成期，传感器节点建立邻居表对邻居节点的调度信息进行记录。在进入竞争时期后，本发明根据邻居表中已有的参与竞争节点个数、邻居表中节点总数和预测上次参加竞争节点个数对参与下次竞争的节点个数进行精确的判断。为了使传感器节点能够适应网络负载的变化，本发明使用动态的竞争窗口策略。该策略根据网络中节点数目的变化自适应地调整本节点的竞争窗口大小，有效减少冲突发生概率和空闲侦听时间，避免由于冲突和长时间的空闲侦听造成的能量消耗，具有网络生存时间长、时延小、数据包时延抖动小的特点，适用于负载变化频繁的大规模无线传感器网络和时延敏感的传感器网络应用。
-
公开(公告)号：CN120046510A
公开(公告)日：2025-05-27
申请号：CN202510460946.4
申请日：2025-04-14
Applicant: 安徽农业大学
IPC: G06F30/27 , G06N3/042 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/082 , G06N3/084
Abstract: 本发明适用于时空数据预测领域，提供了融合动态时空剪枝与WOA算法的CNS模型土壤湿度预测方法，该方法中，基于多重卷积模块、BiLSTM模块和注意力机制模块构建初始CNS模型；将土壤时序数据作为初始CNS模型的输入，对初始CNS模型进行初步训练；采用动态时空剪枝策略对初步训练后模型的各个模块进行动态修剪；通过反向传播算法更新模型参数，得到用于土壤湿度预测的CNS模型。本发明的CNS模型融合了卷积神经网络CNN、时空图卷积网络STGCN、双向长短期记忆网络BiLSTM以及注意力机制层Attention，能够综合处理和分析来自不同数据源的多模态数据，CNS模型在土壤湿度预测任务中表现出更高的精度和鲁棒性；动态剪枝和WOA算法优化的结合，使得模型能保持稳定的预测性能。
-
Patent Agency Ranking
公开(公告)号：CN119028431B
公开(公告)日：2024-12-31
申请号：CN202411514743.0
申请日：2024-10-29
Applicant: 安徽农业大学
Abstract: 本发明适用于生物信息学领域，具体是一种基于深度学习和长读测序的SNP和INDEL检测方法，包括：对待检测数据进行第一预处理，生成第一叠加图像，将第一叠加图像作为SNP检测模型的输入，输出得到SNP的VCF文件；对待检测数据进行第二预处理，生成第二叠加图像，将第二叠加图像作为INDEL检测模型的输入，输出得到INDEL的VCF文件；利用基于R语言的VcfR数据处理工具，对所得到的VCF文件中的数据进行变异检测和处理，得到基因组上的变异检测结果；使用IGV输出显示基因组上的变异检测结果。本发明使用了深度学习技术和长读测序技术，能够解决传统方法在灵活性与泛化能力、计算效率上的低性能，以及面对复杂问题时短读测序存在的无法检测区域的问题。
-
公开(公告)号：CN119028431A
公开(公告)日：2024-11-26
申请号：CN202411514743.0
申请日：2024-10-29
Applicant: 安徽农业大学
Abstract: 本发明适用于生物信息学领域，具体是一种基于深度学习和长读测序的SNP和INDEL检测方法，包括：对待检测数据进行第一预处理，生成第一叠加图像，将第一叠加图像作为SNP检测模型的输入，输出得到SNP的VCF文件；对待检测数据进行第二预处理，生成第二叠加图像，将第二叠加图像作为INDEL检测模型的输入，输出得到INDEL的VCF文件；利用基于R语言的VcfR数据处理工具，对所得到的VCF文件中的数据进行变异检测和处理，得到基因组上的变异检测结果；使用IGV输出显示基因组上的变异检测结果。本发明使用了深度学习技术和长读测序技术，能够解决传统方法在灵活性与泛化能力、计算效率上的低性能，以及面对复杂问题时短读测序存在的无法检测区域的问题。
-
公开(公告)号：CN118015021B
公开(公告)日：2024-07-09
申请号：CN202410410453.5
申请日：2024-04-07
Applicant: 安徽农业大学
IPC: G06T7/11 , G06N3/0464 , G06T5/10 , G06T7/00 , G06V10/764
Abstract: 本发明适用于跨模态医学图像分割技术领域，提供了基于滑动窗口的主动域自适应跨模态医学图像分割方法，该方法在主动域适应任务中，利用一组带标签的源数据和未带标签的目标数据；训练一个分割网络，该分割网络能在目标域上实现良好的分割性能，只需少量注释预算；训练一个分割网络的步骤包括：S1：预训练与伪标签生成；S2：滑动窗口定义；S3：窗口不稳定性计算；S4：窗口获取策略；S5：类间距离优化策略；S6：模型训练。本发明的图像分割方法充分利用了标注预算，并采用了有效的采集策略，以实现显著的跨域分割性能。
-
公开(公告)号：CN117557787A
公开(公告)日：2024-02-13
申请号：CN202410043522.3
申请日：2024-01-11
Applicant: 安徽农业大学
IPC: G06V10/25 , G06V10/44 , G06V10/774 , G06V10/776 , G06N3/0464
Abstract: 本发明适用于目标检测领域，具体是一种基于改进yolov8的轻量化多环境番茄检测方法，包括：利用引入SimAM注意力机制的yolov8模型主干网络提取数据集图像的特征信息；采用轻量化检测结构Slim‑Neck改进yolov8模型中的neck检测模块，设置新的损失函数SIou，构建基于改进yolov8的目标检测模型；将划分的训练集放入改进的目标检测模型进行训练，得到改进模型，基于模型参数指标，对模型的每个模块进行消融实验，并与Faster‑RCNN、yolov8和yolov5模型进行对比实验，得到最终的番茄检测模型。本发明实现模型的轻量化，在保证了yolov8原本的检测速率的基础上，提高模型的泛化能力和多元环境下番茄检测的精度。
-
公开(公告)号：CN117076653B
公开(公告)日：2024-01-02
申请号：CN202311340689.8
申请日：2023-10-17
Applicant: 安徽农业大学
IPC: G06F16/332 , G06N5/04 , G06F16/33
Abstract: 本发明适用于知识库问答技术领域，提供了基于思维链及可视化提升上下文学习知识库问答方法，包括以下步骤：在知识库中检索与需查询问题相似的示例；对所述相似的示例和所述需查询问题一并利用思维链产生逻辑推理过程；利用CodeGeex2模型学习所述逻辑推理过程后，生成需查询问题的逻辑形式；获取所述用户勘误后的逻辑形式，在知识库中对需查询问题进行知识抽取、实体绑定与关系绑定，利用多数票策略来确定需查询问题的答案，并将答案输出给用户。本发明在模型生成逻辑形式前引入思考链，利用符号内存提高大语言模型的复杂问题多跳推理能力，先针对示例用思维链进行推理回答，再利用模型来生成逻辑形式的模板，能够提高答案推
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.023 seconds)
