-
公开(公告)号：CN116259422B
公开(公告)日：2024-02-06
申请号：CN202310233482.4
申请日：2023-03-13
申请人： 暨南大学
IPC分类号： G16H70/20 , G16H50/50 , G16H50/70 , G16H50/20 , G16H15/00 , G06F16/35 , G06F16/335 , G06F40/242 , G06F40/216 , G06F40/284 , G06N3/08 , G06N3/0455 , G06N3/0475
摘要： 本发明公开了一种基于虚拟数据增强的眼科疾病诊疗意见生成方法、系统、介质和设备，该方法的步骤包括：获取医疗文本数据并进行预处理；构建语料库，基于语料库预训练BERT模型；基于BERT模型进行多标签文本分类，输出对应的疾病分类；将医疗文本数据训练集根据不同的疾病种类进行划分，得到训练子集；采用Seq2seq结构构建眼科疾病的诊疗意见生成模型；基于训练子集训练诊疗意见生成模型；构建并训练双塔结构的眼科疾病诊疗意见生成模型；将医疗文本数据输入至训练后的双塔结构的眼科疾病诊疗意见生成模型，输出眼科疾病诊疗意见。本发明能够(56)对比文件CN 115392259 A,2022.11.25CN 114530223 A,2022.05.24CN 112608925 A,2021.04.06CN 112164446 A,2021.01.01CN 113257410 A,2021.08.13CN 112185564 A,2021.01.05康莉.基于知识图谱的心血管病问答系统的研究与实现《.中国优秀硕士学位论文全文数据库医药卫生科技辑》.2021,(第02期),第E062-22页.汪晨等.基于深度学习和遥感影像的松材线虫病疫松树目标检测《.南京师大学报》.2021,第44卷(第03期),第84-89页.
-
公开(公告)号：CN117439615A
公开(公告)日：2024-01-23
申请号：CN202311722881.3
申请日：2023-12-15
申请人： 暨南大学
IPC分类号： H03M7/30
摘要： 本发明公开了一种基于加速的贪心块稀疏Kaczmarz算法的稀疏信号恢复方法及系统，涉及通信信号处理技术领域，本发明与传统稀疏Kaczmarz算法不同的是，加速的贪心块稀疏Kaczmarz算法在每轮迭代中能够尽可能地选择一组具有较大残差的方程来同时更新其对应的变量，从而显著加快算法收敛速率。此外，该算法还引入了Polyak的重球动量技术，减小迭代过程中的震荡，从而更快地逼近于真实信号，特别适用于存在噪声或振荡的情况。最重要的是，该算法能够在没有稀疏性先验信息的情况下进行稀疏信号重构，增强算法的适用性和鲁棒性。这些特点使本发明采用的mGBSK算法成为一种高效的稀疏信号恢复工具，可用于多种应用领域。
-
公开(公告)号：CN115021759B
公开(公告)日：2024-09-17
申请号：CN202210561794.3
申请日：2022-05-23
申请人： 暨南大学
IPC分类号： H03M7/30
摘要： 本发明公开了一种基于二值最小二乘法的二值稀疏信号恢复方法及系统，该方法步骤包括：基于BLS算法进行二值稀疏信号恢复，输入噪声观测向量和感知矩阵；初始化数据，包括初始化迭代次数、估计支集、估计稀疏信号、残差向量和预计算常数；设置迭代停止条件，在BLS算法每次迭代中，找到感知矩阵中与上一迭代得到的残差向量最相关的一列，记为索引sk，通过减去感知矩阵对应索引为sk的列向量更新残差向量，直到迭代停止，输出估计稀疏信号；本发明提高了稀疏信号恢复效率，并设置了恢复稀疏信号的充分条件，解决了稀疏信号恢复质量不高的问题，提高了稀疏信号的恢复性能。
-
公开(公告)号：CN117370736A
公开(公告)日：2024-01-09
申请号：CN202311674985.1
申请日：2023-12-08
申请人： 暨南大学
IPC分类号： G06F18/10 , G06N3/0455 , G06N3/0499 , G06N3/08 , G06F18/213 , G06F18/214
摘要： 本发明公开了一种细粒度情感识别方法、电子设备及存储介质，该方法包括获取影评文本数据并进行数据预处理，确认影评方面词并为其添加情感倾向标签，将标签添加的数据制作为数据集；采用方面词替换算法来对所述数据集进行数据增强，以扩充所述数据集；以BLOOM预训练语言模型作为基础网络，并采用扩充后的数据集来进行训练，得到训练好的细粒度情感分析模型；使用训练好的细粒度情感分析模型,对影评文本进行细粒度情感分析。扩充数据集的数量，令模型在学习中获得丰富的特征，提高下游情感分析任务的准确性。使用BLOOM模型结构并引入预训练模型，模型因经历了大规模预料预训练而蕴含丰富的语义特征，有利于提高情感分析任务的效果。
-
公开(公告)号：CN116975517B
公开(公告)日：2024-01-05
申请号：CN202311218518.8
申请日：2023-09-21
申请人： 暨南大学
IPC分类号： G06F17/16 , G06F16/174 , G06F17/18 , G06F18/10
摘要： 本发明公开一种部分加权随机选取策略的稀疏恢复方法及系统，该方法包括以下步骤：S1，以欠定线性系统为目标，模拟生成大规模的稀疏信号和对应的感知矩阵，从稀疏信号中随机选取预设个数的元素保留原始值，并将其他元素的值归零，根据稀疏信号和感知矩阵计算观测信号；S2，采用部分加权随机选取策略代替OMP算法中原始选取索引的贪婪方法，计算得到稀疏信号估计值。本发明的有益效果是：通过采用部分加权随机选取策略减少迭代过程中因计算相关性而导致的大量计算消耗，利用随机方法寻找次优解，同时保证了算法的可靠性，并且能够实现加速压缩感知中稀疏信号恢复算法的目的。(56)对比文件Zhe Wang et.al.Compressed SensingMethod for Health Monitoring of PipelinesBased on Guided Wave Inspection《.IEEETRANSACTIONS ON INSTRUMENTATION ANDMEASUREMENT》.2020,第4722-4732页.
-
公开(公告)号：CN117076836A
公开(公告)日：2023-11-17
申请号：CN202310886031.0
申请日：2023-07-18
申请人： 暨南大学
摘要： 本发明公开了一种基于块Gauss‑Seidel算法的信号恢复方法、系统、介质及设备，该方法包括下述步骤：获取噪声观测向量和感知矩阵；初始化迭代次数、估计信号、残差向量和超参数；设置迭代相对误差，计算感知矩阵的列向量与本次迭代得到的估计向量的内积，计算残差向量，选出最大均质残差；确定目标块的控制索引集；从系数矩阵中随机抽取出对应的工作列得到子矩阵；将子矩阵的目标块代入无伪逆计算的块Gauss‑Seidel算法的迭代公式中，得到下一次迭代的估计值，重复循环迭代直到满足阈值条件停止迭代；输出最后一次迭代中获得的估计稀疏信号。本发明提高了信号恢复的收敛速率与恢复效果，提高了稀疏信号的恢复性能。
-
公开(公告)号：CN116975517A
公开(公告)日：2023-10-31
申请号：CN202311218518.8
申请日：2023-09-21
申请人： 暨南大学
IPC分类号： G06F17/16 , G06F16/174 , G06F17/18 , G06F18/10
摘要： 本发明公开一种部分加权随机选取策略的稀疏恢复方法及系统，该方法包括以下步骤：S1，以欠定线性系统为目标，模拟生成大规模的稀疏信号和对应的感知矩阵，从稀疏信号中随机选取预设个数的元素保留原始值，并将其他元素的值归零，根据稀疏信号和感知矩阵计算观测信号；S2，采用部分加权随机选取策略代替OMP算法中原始选取索引的贪婪方法，计算得到稀疏信号估计值。本发明的有益效果是：通过采用部分加权随机选取策略减少迭代过程中因计算相关性而导致的大量计算消耗，利用随机方法寻找次优解，同时保证了算法的可靠性，并且能够实现加速压缩感知中稀疏信号恢复算法的目的。
-
公开(公告)号：CN114826364B
公开(公告)日：2023-09-15
申请号：CN202210433379.X
申请日：2022-04-24
申请人： 暨南大学
摘要： 本发明公开了一种智能反射面辅助的分布式主被动互惠传输方法，该方法包括下述步骤：对智能反射面的反射单元分组；配置分组后的反射相位，基站采用M进制的相位调制或幅相调制将主动信息调制成符号s并发射出去，智能反射面将被动信息调制成被动用户接收天线索引m；主动用户采用最大似然检测算法解调出主动信息，被动用户采用非相干的贪婪检测算法解调出被动信息；同时进行主动传输和被动传输，主动传输采用相位或幅相调制通过基站，每次将主动信息传输至主动用户，被动传输共用主动传输的电磁波并利用被动用户的多根天线索引，每次将被动信息传输至被动用户。本发明能满足将主被动信息传输至不同接收机的需求。
-
公开(公告)号：CN110730011B
公开(公告)日：2023-03-31
申请号：CN201910921448.X
申请日：2019-09-27
申请人： 暨南大学
摘要： 本发明公开的一种基于部分叠加的递归分组马尔可夫叠加编码方法，以码长为n，信息为长度k的码C[n,k]作为基本码，将长度为kL的信息序列u编码成长度为n(L+T)的码字c，其中,L为耦合长度，代表长度为k的等长分组的数量，T为结尾长度；L,T为取值为非负的整数；编码方法包括以下步骤：将长度为kL的信息序列u划分为L个等长分组u＝(u(0),u(1),…,u(L‑1))，每个分组长度为k；对于时刻t＝‑1,‑2,…,‑m，把长度为n的序列w(t)初始化设置为全零序列；在t＝0,1,…,L‑1时刻，将长度为k的序列送入基本码的编码器ENC进行编码，得到长度为n的编码序列并结合序列w(t‑1)，w(t‑2)，…，w(t‑m)计算码字c的第t个子序列c(t)；本发明具有编码简单、译码复杂度低、构造灵活、可逼近信道容量等优点，与传统的分组马尔可夫叠加编码方法相比，适用于性能较好的基本码，拥有更低的编译码复杂度。
-
公开(公告)号：CN111858932A
公开(公告)日：2020-10-30
申请号：CN202010659948.3
申请日：2020-07-10
申请人： 暨南大学
IPC分类号： G06F16/35 , G06F40/151 , G06F40/242 , G06N3/04
摘要： 本发明公开了一种基于Transformer的多重特征中英文情感分类方法及系统，该方法步骤包括：对给定的文本数据进行预处理，包括划分文本、构造词典、获取数字形式的文本表示；建立模型的编码器网络：将预处理后的文本数据输入模型编码器部分的神经网络，依次经过嵌入层、多重自我注意力层、前馈层，提取并输出每个词语基于多重自我注意力机制的向量表示；建立模型的解码器网络：以编码器网络的输出作为值项和键项的输入，以文本序列的上下文向量作为查询项的唯一输入，经过解码器的多重自我注意力层和前馈层，输出文本基于自我注意力机制的向量表示。本发明以Transformer模型为基础架构，丰富了模型的特征输入中包含的信息，挖掘模型在原先应用领域之外的潜能。
-
-
-
-
-
-
-
-
-
搜索结果
35 条记录 (耗时 0.031 秒)
