-
公开(公告)号：CN114678095B
公开(公告)日：2025-04-29
申请号：CN202210399534.0
申请日：2022-04-15
Applicant: 杭州电子科技大学
IPC: G16H10/60 , G16H50/20 , G06F16/334 , G06F16/3329 , G06F16/335 , G06F16/338 , G06F40/289 , G10L15/06 , G10L15/26
Abstract: 本发明公开了一种基于深度语言模型和模板定制的医学语料扩充方法，针对医疗领域语料中疾病、药品、器械的专业名词比其他场景多等问题，本发明采用模板定制的方法，提高了医疗专业名词在生成语料中出现的概率。针对不同种类疾病、不同科室之间，名词术语差异性大，而分别针对不同疾病、不同科室进行手工制作大规模模板是不现实的问题，本发明采用深度语言模型从相近或相关的域外文本数据集中自动的生成大量的、多样的医疗模板句子，从而有效地扩充医疗语料库，降低了人工采集数据花费的时间与经济成本。
-
公开(公告)号：CN114821432B
公开(公告)日：2022-12-02
申请号：CN202210481562.7
申请日：2022-05-05
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于离散余弦变换的视频目标分割对抗攻击方法。本发明方法在预训练的视频目标分割模型卷积层获得视频语义特征，由离散余弦变换将语义特征变为频域语义特征；通过视频目标运动感知模块获得运动向量，由语义权重量化模块获得语义权重；最后根据语义权重对频域语义特征的频域值筛选去除，由反离散余弦变换还原获得对抗性语义特征，通过去除语义特征实现对视频目标分割模型的攻击，即获得性能差的分割掩膜。本发明方法将视频的时序关系融入对抗攻击中，使其聚焦于视频中的运动目标，破坏时序关系；通过语义权重并对视频帧语义特征进行筛选去除，在视频语义特征上生成对抗样本来实现对抗攻击，降低了视频目标分割精度并提升了攻击效果。
-
公开(公告)号：CN115327437A
公开(公告)日：2022-11-11
申请号：CN202210995920.6
申请日：2022-08-19
Applicant: 国网江苏省电力有限公司无锡供电分公司 , 杭州电子科技大学
Abstract: 本发明公开了一种基于CNN的交直流混联电网交流传输线短路故障的诊断方法，包括如下步骤：S1、采集不同工况下的交直流混联电网交流传输线上的短路故障录波数据，经过数据处理后将其汇总成故障样本集；S2、建立CNN模型，将故障样本集中的部分样本数据用于CNN模型的训练，其余数据用于对模型泛化性的测试；S3、用训练后的CNN模型对故障数据进行诊断，判断对应的故障类型。采用上述技术方案，利用CNN模型对交直流混联电网交流传输线的多种短路故障进行故障诊断并得出故障类型，一方面能在较短时间内完成故障诊断，另一方面该方法具有极高的准确率。
-
公开(公告)号：CN114494297A
公开(公告)日：2022-05-13
申请号：CN202210105882.2
申请日：2022-01-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了处理多种先验知识的自适应视频目标分割方法。本发明方法首先对含目标掩膜及描述语句的视频进行采样，并利用时空编码器获得时空视觉特征图；然后构建目标先验自适应编码器，将不同形式的先验知识统一编码为目标卷积核；再通过级联目标过滤器使用目标卷积核将时空视觉特征图中的目标与背景相分离，得到目标的概率张量；最后利用Adam算法优化分割网络模型，对包含先验知识的新视频依次通过上述步骤获得目标的预测掩膜。本发明方法提供了端到端的训练模型，既能自适应处理给定的目标掩膜或描述语句等先验知识，还能有效刻画目标先验知识与视频帧外观特征之间的时空关系，有利于更为准确高效地分割视频的重要目标。
-
公开(公告)号：CN110009528A
公开(公告)日：2019-07-12
申请号：CN201910294727.8
申请日：2019-04-12
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于最优结构多维泰勒网的参数自适应更新方法，本发明大体包括三部分内容。第一部分针对具备噪声干扰的非线性时变系统进行系统建模；第二部分，用卡尔曼滤波的参数更新算法对多维泰勒网的连接权值进行参数更新；第三部分，结合剪枝算法来优化网络结构，建立一种具备最优结构和最佳泛化能力的多维泰勒网络。在负荷电荷的预测中，基于多维泰勒网的卡尔曼滤波参数更新算法相比于带有遗忘因子的递归最小二乘算法，在每一步的更新估计中增加了噪声，卡尔曼滤波算法使用新的量测值和估计值进行融合可以更好的估计参数精度。
-
Patent Agency Ranking
公开(公告)号：CN104819769A
公开(公告)日：2015-08-05
申请号：CN201510218229.7
申请日：2015-04-30
Applicant: 杭州电子科技大学
IPC: G01H9/00
Abstract: 本发明涉及一种基于偏振奇点光束激光散斑的振动测量装置。现有无法实现振动信息无损遥测。本发明基于偏振奇点光束激发激光散斑原理，结合矢量光场相干技术，偏振奇点光束经过分光器件后，照射到被检测区域，被检测区域发生奇点光束激光散射效应，激光散斑经过离焦光学成像系统进行传输；分光后另一偏振奇点光束经过两个波片，进行横向偏振态分布调控后通过反射元件反射后，与激光散斑光场存在重叠区域，形成干涉光场，光电传感器检测到干涉光场信息，经过信息处理得到振动信息。本发明具有无接触检测、无损检测、可以实现遥测、性能可调控、高灵敏度、可靠性高、抗干扰能力强、频率响应特性宽、信息量高、系统易于构建、使用便利、应用范围广等特点。
-
公开(公告)号：CN101015777A
公开(公告)日：2007-08-15
申请号：CN200610121163.0
申请日：2005-03-08
Applicant: 杭州电子科技大学
IPC: B01F11/02
Abstract: 本发明公开了一种循环式多级超声波分散方法。它采用不同功率、不同频率的多级超声波分散装置依次串联在一起，通过泵将贮液槽的混合液体连续不断地抽出送入第一级超声波分散装置入口处，依靠泵提供的压力将第一级超声波分散装置分散后的混合液体再依次送入第二级超声波分散装置、第三级超声波分散装置进行分散，如此循环进行多级超声波分散，直至达到预定的分散要求才停止分散工作。本发明能粉碎燃料油中的淤渣，且完全均质化，即达到精密级所定的精度水平；由于采用了高效的循环式多级超声波分散机，可减少能量消耗；设备小型化，占地面积小，维护保养简单；分散效率极高。
-
公开(公告)号：CN1692973A
公开(公告)日：2005-11-09
申请号：CN200510049305.2
申请日：2005-03-08
Applicant: 杭州电子科技大学
IPC: B01F11/02
Abstract: 本发明公开了一种循环式多级超声波分散机及其分散方法。它采用不同功率、不同频率的多级超声波分散装置依次串联在一起，通过泵将贮液槽的混合液体连续不断地抽出送入第一级超声波分散装置入口处，依靠泵提供的压力将第一级超声波分散装置分散后的混合液体再依次送入第二级超声波分散装置、第三级超声波分散装置进行分散，如此循环进行多级超声波分散，直至达到预定的分散要求才停止分散工作。本发明能粉碎燃料油中的淤渣，且完全均质化，即达到精密级所定的精度水平；由于采用了高效的循环式多级超声波分散机，可减少能量消耗；设备小型化，占地面积小，维护保养简单；分散效率极高。
-
公开(公告)号：CN114494297B
公开(公告)日：2022-12-06
申请号：CN202210105882.2
申请日：2022-01-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了处理多种先验知识的自适应视频目标分割方法。本发明方法首先对含目标掩膜及描述语句的视频进行采样，并利用时空编码器获得时空视觉特征图；然后构建目标先验自适应编码器，将不同形式的先验知识统一编码为目标卷积核；再通过级联目标过滤器使用目标卷积核将时空视觉特征图中的目标与背景相分离，得到目标的概率张量；最后利用Adam算法优化分割网络模型，对包含先验知识的新视频依次通过上述步骤获得目标的预测掩膜。本发明方法提供了端到端的训练模型，既能自适应处理给定的目标掩膜或描述语句等先验知识，还能有效刻画目标先验知识与视频帧外观特征之间的时空关系，有利于更为准确高效地分割视频的重要目标。
-
公开(公告)号：CN113139966A
公开(公告)日：2021-07-20
申请号：CN202110297438.0
申请日：2021-03-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于贝叶斯记忆的层次级联视频目标分割方法。本发明方法首先对视频数据做帧采样并用残差卷积网络提取特征；然后分别构建层次级联网络、基于贝叶斯模型的目标记忆模块、掩膜恢复网络，并分别得到对应的层次级联特征、预测粗糙掩膜、预测精细掩膜；接着利用交叉熵损失函数对模型进行迭代优化，获得最终的目标分割网络，并将新视频序列及首帧掩膜输入该网络得到目标分割结果。本发明方法不仅利用不同层次的特征信息有效识别不同尺寸物体，还能够捕捉视频中前景目标在时序上的变化并充分考虑前景目标在运动过程中的短期相关和长期依赖关系，并通过贝叶斯模型指导精细掩膜的生成，提升了视频目标分割的准确度。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.033 seconds)
