-
公开(公告)号：CN114491025B
公开(公告)日：2024-07-26
申请号：CN202210032486.1
申请日：2022-01-12
Applicant: 三峡大学
IPC: G06F16/35 , G06F40/211 , G06F40/284 , G06N3/045 , G06N3/0442 , G06N3/084 , G06N3/048
Abstract: 本发明提供一种基于写作风格的多任务谣言检测方法、装置及设备，该方法包括：获取待检测文本，并确定对应的内容特征以及写作风格特征；在多任务检测模型中，将内容特征输入至基于内容的谣言检测任务模块，得到谣言检测结果；将写作风格特征输入至基于写作风格的谣言检测任务模块，得到谣言检测结果；其中，在训练过程中，基于内容的谣言检测任务模块和基于写作风格的谣言检测任务模块通过共享层进行信息交互。本发明采用基于内容和写作风格相结合的多任务谣言检测方法，用以解决现有多任务谣言检测方法两个任务数据结果差异较大以及未能充分利用数据本身数据，导致模型预测性能差的缺陷，提升了模型的谣言检测性能。
-
公开(公告)号：CN118194085A
公开(公告)日：2024-06-14
申请号：CN202410287611.2
申请日：2024-03-13
Applicant: 三峡大学
IPC: G06F18/24 , G06N3/049 , G06N3/042 , G06N3/0464 , G06N3/045 , G06F18/213 , G06F18/25 , G06N3/048 , G06N3/047 , G06N3/08
Abstract: 本发明提供一种基于事件融合的时间超图神经网络谣言检测方法及模型，包括以下步骤：利用每个推文的转发用户来构建传播关系图；利用卷积神经网络，构建基于内容‑社会背景信息的特征提取模块，获得基于内容和社会信息的文本特征；利用谣言的传播结构信息，来构建基于时间的超图，并利用基于事件融合的图神经网络模块，获得基于时间的超图的传播关系特征；将基于内容和社会信息的文本特征以及传播关系特征，通过信息融合模块进行融合；将信息融合后的特征集输入到谣言分类器中进行分类预测。本发明通过融合多种信息、利用全局传播信息和考虑事件间传播关系，解决了谣言检测中的信息融合问题、传播关系问题，提高了谣言检测的准确性和鲁棒性。
-
公开(公告)号：CN118053584A
公开(公告)日：2024-05-17
申请号：CN202410114693.0
申请日：2024-01-25
Applicant: 三峡大学
Abstract: 本发明提供一种基于双向多模态注意力网络的肝性脑病预测模型及方法，包括数据特征提取模块、图像特征提取模块、双向多模态注意力模块、自注意力模块和预测模块。本发明提出一种能够综合利用样本信息、又能够提升检测效果的基于双向多模态注意力网络的肝性脑病预测模型及方法，可以有效的模型的收敛速度，减轻噪声带来的影响，提高模型的性能表现，克服现有肝性脑病预测方法预测准确率不高、以及未能综合利用脑部图像和临床数据信息的缺陷。
-
公开(公告)号：CN118411295A
公开(公告)日：2024-07-30
申请号：CN202410493267.2
申请日：2024-04-23
Applicant: 三峡大学
IPC: G06T5/50 , G06T3/4038 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/084
Abstract: 本发明所要解决的技术问题是提供一种基于差分视野融合与协同感知的建筑变化检测方法，使用孪生网络作为编码器，设计一种差分视野融合模块，旨在更加全面捕捉建筑物变化信息的同时减轻尺度变换引起的图片信息损失，更加有效处理边界信息模糊；同时，还应用了设计的协同感知模块，捕捉高维图像的长依赖关系和位置信息，对像素之间的上下文建模，有效解决变化对象的整体性问题。在这两个模块的基础上，在解码器中应用差分技术，以便于提高模型的图像分割能力，得到更好的检测效果。
-
公开(公告)号：CN117786475A
公开(公告)日：2024-03-29
申请号：CN202311556251.3
申请日：2023-11-21
Applicant: 三峡大学
IPC: G06F18/241 , G06N3/0442 , G06N3/045 , G06N3/042 , G06N3/084 , G06F9/54
Abstract: 本发明提出一种既能捕获动态信息，又能提升检测效果的基于动态网络的多任务谣言检测模型及方法，本发明将捕获的随时间变化的动态空间特征、时序文本特征，通过时间步为基本共享单位来进行有机结合，并使用注意力机制更新输出特征，从而形成了一种基于动态网络的多任务谣言检测模型及方法。首先，构建不同时刻的谣言事件传播图，利用动态图卷积网络对不同时刻的传播图进行建模，捕获谣言事件的动态结构特征；再以时序共享层作为共享网络对在每个相同的时间步的事件动态结构特征和时序文本特征进行特征交互，最后使用注意力机制重点关注不同任务、不同时刻间有重要影响的信息，作为分类器的输入，进行预测。
-
Patent Agency Ranking
公开(公告)号：CN112070139B
公开(公告)日：2023-12-26
申请号：CN202010898906.5
申请日：2020-08-31
Applicant: 三峡大学
IPC: G06F16/35 , G06F40/211 , G06F40/289 , G06F18/213 , G06N3/0442 , G06N3/0455 , G06N3/08 , G06N3/048
Abstract: 本发明属于文本识别领域，公开了基于BERT与改进LSTM的文本分类方法，包括：对输入的文本数据进行预处理；将预处理后的文本数据输入BERT模型进行处理，得到词向量序列；利用改进的LSTM网络对向量序列进行深度编码，得到特征向量；利用全连接层对特征向量降维；使用分类器对降维的特征向量进行分类。本发明通过改进的LSTM区分文本中的字词的重要性，从而提高了神经元的学习质量和效率，文本分类模型拟合速度快，分类效果好；文本分类模型的BERT捕捉上下文信息，便于识别多义字词，对特征提取奠定了良好基础，有助于提高文本分类精度。
-
公开(公告)号：CN117198523A
公开(公告)日：2023-12-08
申请号：CN202310918611.3
申请日：2023-07-25
Applicant: 三峡大学
IPC: G16H50/30 , G06N3/0464 , G06N3/084
Abstract: 基于数据增强的多尺度的神经网络的肝性脑病预测模型及建模方法，该预测模型包括：特征选取模块，数据增强模块，深度卷积模块，多尺度卷积模块。特征选取模块包含：特征向量f1～fn，特征向量f(child_pugh)，特征向量f(child_pugh_grade)，特征向量f(MELD)，特征向量f(MELD_grade)。数据增强模块包含：数据X11～X1n,数据X21～X2n,数据X1i,数据X1j,数据XSi,数据X2i,数据X2j。深度卷积模块包含：数据Xi,数据集XS。多尺度卷积模块包含：数据集XS。本发明使用自注意力机制(Self‑attention)来注意那些对肝性脑病预测更重要的特征上，加快了模型的收敛速度，减轻了噪声带来的影响，克服了现有疾病预测方法预测准确率不高、以及未能充分利用数据本身特征的缺陷。
-
公开(公告)号：CN119066348A
公开(公告)日：2024-12-03
申请号：CN202411012080.2
申请日：2024-07-25
Applicant: 三峡大学
IPC: G06F18/15 , G06F18/2131 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/049 , G06N3/084 , G06N3/09 , G06N3/0985
Abstract: 本发明提供一种基于多尺度时序卷积神经网络的水华预测模型及方法，包括小波数据预处理模块、特征嵌入模块、多尺度时序卷积模块和预测模块，多尺度时序卷积模块包括时频特征增强模块、二维卷积特征提取模块和自适应周期性分析模块。模块构成一种基于多尺度时序卷积神经网络预测方法，本发明综合利用监测到的气象与水文时间序列数据，通过结合小波变换方法，可以有效减轻数据噪声带来的影响，利用多种嵌入方式组合提取特征，多尺度地高效提取和学习数据特征，克服现有水华预测方法预测准确率不够高、以及未能充分利用时间序列数据中特征信息的缺陷。
-
公开(公告)号：CN114491025A
公开(公告)日：2022-05-13
申请号：CN202210032486.1
申请日：2022-01-12
Applicant: 三峡大学
IPC: G06F16/35 , G06F40/211 , G06F40/284 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于写作风格的多任务谣言检测方法、装置及设备，该方法包括：获取待检测文本，并确定对应的内容特征以及写作风格特征；在多任务检测模型中，将内容特征输入至基于内容的谣言检测任务模块，得到谣言检测结果；将写作风格特征输入至基于写作风格的谣言检测任务模块，得到谣言检测结果；其中，在训练过程中，基于内容的谣言检测任务模块和基于写作风格的谣言检测任务模块通过共享层进行信息交互。本发明采用基于内容和写作风格相结合的多任务谣言检测方法，用以解决现有多任务谣言检测方法两个任务数据结果差异较大以及未能充分利用数据本身数据，导致模型预测性能差的缺陷，提升了模型的谣言检测性能。
-
公开(公告)号：CN112070139A
公开(公告)日：2020-12-11
申请号：CN202010898906.5
申请日：2020-08-31
Applicant: 三峡大学
IPC: G06K9/62 , G06F40/211 , G06F40/289 , G06N3/04 , G06N3/08
Abstract: 本发明属于文本识别领域，公开了基于BERT与改进LSTM的文本分类方法，包括：对输入的文本数据进行预处理；将预处理后的文本数据输入BERT模型进行处理，得到词向量序列；利用改进的LSTM网络对向量序列进行深度编码，得到特征向量；利用全连接层对特征向量降维；使用分类器对降维的特征向量进行分类。本发明通过改进的LSTM区分文本中的字词的重要性，从而提高了神经元的学习质量和效率，文本分类模型拟合速度快，分类效果好；文本分类模型的BERT捕捉上下文信息，便于识别多义字词，对特征提取奠定了良好基础，有助于提高文本分类精度。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.018 seconds)
