-
公开(公告)号：CN118839767A
公开(公告)日：2024-10-25
申请号：CN202410844731.8
申请日：2024-06-27
Applicant: 北京理工大学 , 北京理工大学前沿技术研究院
Abstract: 本发明公开的一种用于资源受限异构设备的神经网络协同推理方法，属于边缘计算领域。本发明实现方法为：构建针对资源受限异构设备的推理时延预测器，采用贝叶斯优化拆分方法，拆分需要部署推理的原始神经网络模型得到多个适配资源受限异构设备计算性能和硬件资源约束的子模型；使用渐进增强蒸馏方法依次训练所有子模型，将训练好的所有子模型部署到对应的资源受限异构设备上，当接收到推理任务请求时，联合多个空闲的资源受限异构设备并行执行子模型的计算，计算结果通过资源受限设备间的局域网传输到中心节点进行汇聚后得到最终推理结果，节省多资源受限异构设备的计算开销和存储资源，降低多资源受限异构设备的推理时延和能量损耗。
-
公开(公告)号：CN118839766A
公开(公告)日：2024-10-25
申请号：CN202410844642.3
申请日：2024-06-27
Applicant: 北京理工大学 , 北京理工大学前沿技术研究院
IPC: G06N5/04 , G06N3/042 , G06N3/098 , G06N3/09 , G06N3/0455 , G06N3/0985 , G06F18/25 , G06F18/241
Abstract: 本发明公开的一种面向多边缘设备的Transformer模型协同推理方法，属于边缘计算领域。本发明实现方法为：将原数据集划分为多个标签类别数相等的子数据集，根据边缘设备计算性能和资源，切分原始模型为多个仅保留重要结构的子模型，通过子任务蒸馏方法帮助子模型学习原始模型特征，采用模型集成方法聚合所有子模型，提升集成模型的整体性能；将训练好的集成模型中的子模型，分别部署到对应边缘设备上。当边缘设备接收的推理任务请求时，所有边缘设备并行执行子模型的推理，中心节点使用特征融合模块融合所有中间结果得到最终推理结果，实现多边缘设备的模型协同推理，提高边缘设备执行推理任务的推理速度，降低边缘设备执行推理任务的推理能耗。
-
公开(公告)号：CN119782785A
公开(公告)日：2025-04-08
申请号：CN202510264965.X
申请日：2025-03-07
Applicant: 北京理工大学
IPC: G06F18/213 , H04W4/18 , H04W4/30 , G06F18/22 , G06N3/0455
Abstract: 本发明公开了一种基于解耦表征的人员感知无线信号生成方法，属于无线感知技术领域，包括转换输入无线信号的格式，将所有的真实的无线信号转换保存为光谱图得到原始数据集；将转换格式后的无线信号进行配对；将配对后的无线信号组输入神经网络的编码器得到特征向量；对特征向量进行解耦；对解耦后的特征向量进行修改得到目标的特征向量；将修改后的特征向量输入神经网络解码器得到生成的无线信号。本发明提供的一种基于解耦表征的人员感知无线信号生成方法，该方法能够有效地解决现有技术中未充分考虑信号中复杂的信息特征，难以将原始信号中不同目标的信息单独提取解耦开，无法生成与原有信号类别不同的新信号的问题。
-
公开(公告)号：CN118673928A
公开(公告)日：2024-09-20
申请号：CN202410639670.1
申请日：2024-05-22
Applicant: 北京理工大学
IPC: G06F40/30 , G06F40/284 , G06F16/35 , G06F18/231 , G06F18/24 , G06N3/0464 , G06N3/09
Abstract: 本发明公开的一种基于双曲图卷积网络和层次聚类的主题分类方法，属于自然语言处理中的文本主题分类技术领域。本发明实现方法为：对微博文本数据进行预处理，包括数据清洗、中文分词和去除停用词；使用TF‑IDF方法计算特征向量。将预处理后的文本数据映射到双曲空间，利用指数映射和对数映射在欧氏空间与双曲空间之间转换信息，同时保留双曲空间的层次结构特征。计算节点间的双曲距离并结合层次聚类算法，捕捉层次结构数据中的关系。相似或相关的节点能够在双曲图卷积网络的信息聚合过程中获得更高的权重，挖掘文本数据的层次结构，通过训练双曲图卷积神经网络捕捉微博文本数据的层次结构关系，利用训练好的双曲图卷积神经网络实现高质量的主题分类。
-
公开(公告)号：CN118607530A
公开(公告)日：2024-09-06
申请号：CN202410639788.4
申请日：2024-05-22
Applicant: 北京理工大学
Abstract: 本发明公开的一种基于Bert多层信息融合与双曲神经网络的情感分类方法，属于自然语言处理中的文本情感分析技术领域。本发明实现方法为：将预处理后的微博文本数据输入Bert嵌入层进行词嵌入，转变成向量的形式。将文本向量进入Bert多层信息特征提取层进行特征提取，进一步挖掘语义信息，通过注意力机制来将Bert中各个隐藏层中的CLS向量进行融合，将融合后的特征向量输入到双曲空间中挖掘深层层次信息，在双曲空间中完成特征聚合，实现高质量的情感分类。本发明特别适用于处理社会舆论网络等复杂网络的情感分类和公共舆论监控，解决传统方法在高维、非欧几里得结构数据空间中的分类难题，提高对网络数据中微博文本的表示和分类能力。
-
Patent Agency Ranking
公开(公告)号：CN118503358A
公开(公告)日：2024-08-16
申请号：CN202410621289.2
申请日：2024-05-20
Applicant: 北京理工大学
IPC: G06F16/33 , G06F40/30 , G06F40/268 , G06F18/22 , G06N7/01 , G06Q50/18 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/084
Abstract: 本发明公开的一种基于裁判文书结构和融合案件要素的类案匹配方法，属于自然语言处理领域。本发明利用裁判文书的固定结构进行分割，利用训练好的BERT‑BiLSTM‑CRF提取案件要素，形成融入案件要素的事实、事实‑推理、事实‑判决、依据四个部分。依据部分利用法条名称进行相似度计算。其余部分利用BERT模型进行编码，通过双向注意力机制形成原始文本、交互文本、文本差异度、文本相似度的融合高维语义。通过TextCNN‑BiLSTM‑Attention进行特征提取，计算余弦相似度之后和依据部分一起计算整体的相似度实现类案匹配的比较。本发明能够充分利用裁判文书结构且注重事实部分的重要性，且按照对应的部分对裁判文书进行匹配，显著提高类案匹配任务的精度。
-
公开(公告)号：CN118427306A
公开(公告)日：2024-08-02
申请号：CN202410621333.X
申请日：2024-05-20
Applicant: 北京理工大学
IPC: G06F16/33 , G06F40/289 , G06F40/30 , G06F40/216 , G06F18/214 , G06Q50/18 , G06N3/045 , G06N3/0442
Abstract: 本发明一种基于多层次匹配和预训练语言模型的法条推荐方法，属于自然语言处理领域。本发明使用BERT模型最后一层输出的向量经过BiLSTM提取上下文信息得到句级特征。利用法条对应的罪名特征和司法解释使用TF‑IDF技术对每一条法条提取关键词，利用交互注意力机制将法条关键词分别融入到事实和法条的文本向量中，采用最大池化保留最关键的特征得到关键词级别特征。利用BERT+CRF提取犯罪四要件，通过交互注意力机制将犯罪四要件分别融入到事实和法条的文本向量中，采用最大池化保留最关键特征得到犯罪四要件级别特征。综合句级、关键词级别、犯罪四要件特征多层次衡量事实与法条的相关性。本发明能实现法条多层次精准匹配推荐，辅助提高法条推荐任务的精度和效率。
-
公开(公告)号：CN118296144A
公开(公告)日：2024-07-05
申请号：CN202410400214.1
申请日：2024-04-03
Applicant: 北京理工大学 , 褚卫兵 , 浪潮软件科技有限公司
IPC: G06F16/35 , G06N3/0464 , G06N3/08 , G06Q50/00 , G06F16/9535
Abstract: 本发明公开的一种基于多模态双曲图神经网络的虚假新闻检测方法，属于虚假新闻检测领域。本发明实现方法为：计算每则新闻的TF‑IDF向量并得到特征向量矩阵，将关联性超过预设阈值的节点对用边连接，构建新闻关联图；使用预训练的XLNet模型提取新闻文本特征；使用预训练的ViT模型提取新闻图像特征；采用基于Transformer编码器架构的多模态特征融合模块对新闻的文本特征和图像特征进行融合，该多模态特征融合模块包括自注意力模块和交叉注意力模块。双曲图神经网络包括特征映射模块、特征转换模块、邻域聚合模块和非线性激活模块。将双曲图神经网络学到的多模态新闻节点特征输入到虚假新闻检测器中，输出得到每则多模态新闻的预测标签，实现虚假新闻检测。
-
公开(公告)号：CN116319355A
公开(公告)日：2023-06-23
申请号：CN202310193081.0
申请日：2023-02-23
Applicant: 北京理工大学
Abstract: 本发明公开一种基于深度强化学习的卫星网络拓扑生成方法，属于卫星网络领域。本发明利用深度强化学习和复杂环境交互并进行动作决策的能力，采用非骨干点与骨干点结合的方式，实现卫星网络拓扑生成以及卫星网络链路优化。本发明利用深度强化学习的决策规划能力，使卫星星座的网络拓扑得到更有效的优化，能够有效降低网络通信时延和跳数；本发明采用非骨干点与骨干点结合的方式，引进更多的通信质量指标，通过设置不同的权重，适用于不同场景，并对链路拓扑结构进行优化，保证有效通信质量；本发明使用专业的卫星星座数据搭建卫星星座模型，具有更强的适用性和推广性，能够用于大型低地球轨道卫星星座通信。
-
公开(公告)号：CN115511083A
公开(公告)日：2022-12-23
申请号：CN202211162055.3
申请日：2022-09-23
Applicant: 北京理工大学
Abstract: 本发明公开的一种基于核函数的神经网络模型推理时延预测方法，属于深度学习领域。本发明使用核函数信息来预测推理时延，通过收集神经网络模型推理时被分解出的核函数的各类参数，拟合核函数的参数随图形处理器资源分配量的变化曲线，通过拟合的曲线获取单个模型推理时延预测结果；并为每类神经网络模型构建共存推理时与时延增长程度有关的四维曲面，通过曲面获取其与其他模型共存推理时的时延预测结果。本发明解决多神经网络执行时因模型种类多，组合情况复杂导致的时延难以预测的问题，本发明预测准确率高，更轻量级，能够改善云端服务器的推理时延预测性能。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.024 seconds)
