-
公开(公告)号：CN115858838A
公开(公告)日：2023-03-28
申请号：CN202211630728.3
申请日：2022-12-19
申请人： 珠海高凌信息科技股份有限公司 , 上海大学
IPC分类号： G06F16/535 , G06V10/774 , G06V10/82 , G06N3/0499 , G06N3/084
摘要： 本申请公开了基于深度学习的质谱图搜索匹配方法、装置和存储介质，本申请将数据集分为训练集、验证集、测试集；对所述训练集、验证集、测试集进行数据增强；提取所述训练集的分子指纹，计算所述分子指纹的相似度分数，将所述相似度分数作为两个质谱图的真实相似度分数；将两个所述质谱图转化成质谱图向量，分别将两个质谱图向量输入到相同的前馈神经网络中，抽取质谱图的隐含特征，得到质谱图的高阶向量表示；将两个质谱图向量经过相似度计算层交互，得到两个质谱图的相似度预测分数。本申请基于在质谱谱数据库搜索引擎的结果中增强方法的能力，能够提升质谱图匹配的成功率的成份匹配的准确率。
-
公开(公告)号：CN115798626A
公开(公告)日：2023-03-14
申请号：CN202211630709.0
申请日：2022-12-19
申请人： 珠海高凌信息科技股份有限公司 , 上海大学
摘要： 本申请公开了基于深度学习的Vocs组分分子质谱图预测方法、装置和存储介质，本申请的方法包括根据NIST数据库中的分子和质谱图数据训练DeepVocsMass模型；向所述DeepVocsMass模型输入质谱图，得到相似度函数；根据所述相似度函数计算质谱图的相似度；输出相似度最高的质谱图。本申请通过深度学习技术对Vocs分子进行质谱图预测，通过训练深度神经网络模型，预测Vocs分子的质谱图，并通过与标准库进行对比，确定Vocs质谱图，实现对Vocs质谱监测结果的成份分析，对于大气环境Vocs治理和监测具有重要意义。
-
公开(公告)号：CN115810409A
公开(公告)日：2023-03-17
申请号：CN202211573587.6
申请日：2022-12-08
申请人： 珠海高凌信息科技股份有限公司 , 上海大学
摘要： 本申请公开了一种VOCs污染物分析方法及其装置、电子设备、存储介质，VOCs污染物分析方法包括：获取组分分析模型训练数据、超标VOCs组分数据和构建的企业污染源知识图谱；根据组分分析模型训练数据进行深度学习模型训练处理得到组分分析模型；根据超标VOCs组分数据和企业污染源知识图谱进行深度学习模型训练处理得到溯源追踪模型；根据组分分析模型和溯源追踪模型建立污染源溯源模型；采集环境中的VOCs数据；将VOCs数据输入污染源溯源模型进行溯源分析处理，得到VOCs组分信息和VOCs污染源头企业排序信息。本申请实施例能够通过污染源溯源模型对污染物进行溯源分析，有效地提高溯源分析效率和溯源分析准确性。
-
公开(公告)号：CN116798539A
公开(公告)日：2023-09-22
申请号：CN202310568650.5
申请日：2023-05-18
申请人： 珠海高凌信息科技股份有限公司 , 上海大学
IPC分类号： G16C20/30 , G16C20/70 , G06N3/0464 , G06N3/048 , G06N3/0499
摘要： 本发明公开了一种基于深度学习的VOCs组分分子毒性预测方法，包括：根据毒性预测标准，预处理VOCs组分分子数据；使用深度学习算法处理所述预处理后的VOCs组分分子数据，构建VOCs毒性预测模型；向所述VOCs毒性预测模型中输入VOCs物质的组分分子参数，得到所述VOCs物质的毒性预测结果。本发明利用深度学习技术手段实现VOCs挥发性有机物组分分子毒性预测，并与现有的VOCs毒性预测方法进行对比，结果表明基于深度学习的VOCs毒性预测方法表现效果明显优于当前基于相似度和基于特征的方法，且该方法简单易用，输入相应的参数即可得到测试结果，对测试人员更加友好。
-
公开(公告)号：CN116500118A
公开(公告)日：2023-07-28
申请号：CN202310233026.X
申请日：2023-03-10
申请人： 珠海高凌信息科技股份有限公司 , 上海大学
IPC分类号： G01N27/62 , G01N27/626 , G01B11/28 , G01B21/28 , G06N3/0464
摘要： 本发明提出了一种基于深度学习的Vocs质谱图离子碎片峰区域识别方法及装置，该方法包括：获取目标Vocs质谱图，将目标Vocs质谱图输入至训练好的目标DeepGCMSPeak模型，目标DeepGCMSPeak模型包括第一CNN网络和第二CNN网络；通过第一CNN网络从目标Vocs质谱图中识别出目标离子碎片峰区域；将目标离子碎片峰区域输入至第二CNN网络，通过第二CNN网络识别出目标离子碎片峰区域的目标区域面积；将目标离子碎片峰区域和目标区域面积确定为目标Vocs质谱图的目标识别结果。根据本发明实施例的技术方案，能够在通过目标DeepGCMSPeak模型的两个深度学习网络分别识别出目标离子碎片峰区域和目标区域面积，有效提高离子碎片峰区域的识别效率，为提高Vocs质谱图的分析效率提供数据基础。
-
公开(公告)号：CN115827615A
公开(公告)日：2023-03-21
申请号：CN202211570760.7
申请日：2022-12-08
申请人： 珠海高凌信息科技股份有限公司 , 上海大学
IPC分类号： G06F16/215
摘要： 本申请公开了一种数据质量检测方法、装置和存储介质，本申请的方法包括构建Vision Transformer预训练模型；通过所述Vision Transformer预训练模型对Vocs质谱监测数据进行调整，得到质谱图图片的特征信息；使所述Vocs质谱监测数据经过一个多层感知机和Softmax激活函数，得到预测正负类别的概率；根据所述正负类别的概率得到并输出对所述Vocs质谱监测数据的质量分析结果。本申请通过基于迁移学习的深度分类模型，解决Vocs监测数据质量监测问题，能够在数据质量监测方面取得良好的效果。
-
公开(公告)号：CN112351429B
公开(公告)日：2023-08-08
申请号：CN202011137247.X
申请日：2020-10-22
申请人： 珠海高凌信息科技股份有限公司
IPC分类号： H04W12/12 , G06F18/214 , G06N3/09 , G06N3/0442 , H04W12/128
摘要： 本发明公开了基于深度学习的有害信息检测方法及系统，该方法包括：S100，采集多个用户的CDR数据、XDR数据及信令数据，得到样本数据，对样本数据进行分解，提取样本特征，并存入数据集合；S200，从数据集合中提取通信节点统计及子图的相关属性和表征，并对相关属性及表征进行预处理，并划分训练集和测试集，使训练集和测试集包括一定数量的有害数据；S300，将训练集输入基于循环神经网络的深度学习模型，进行监督训练，并结合测试集对深度学习模型进行优化，得到评估模型；S400，根据评估模型进行有害信息的定位分析。本发明较大程度地提升了电话通信中的有害信息的分析实时性及准确性，并能对模型进行在线训练和持续提升。
-
公开(公告)号：CN113657453B
公开(公告)日：2023-08-01
申请号：CN202110830095.X
申请日：2021-07-22
申请人： 珠海高凌信息科技股份有限公司
IPC分类号： G06F18/214 , G06N3/0464 , G06F21/56 , G06F16/9535
摘要： 本发明涉及一种基于生成对抗网络和深度学习的有害网站的检测方法、装置及可读介质的技术方案，包括：通过爬虫获取若干包括有害网址的第一网站快照；将第一网站快照作为生成对抗网络的数据输入，得到多个模拟网站快照；将模拟网站快照与若干正常网站的第二网站快照进行组合，得到训练集；微调用于训练的卷积神经网络，将训练集通过卷积神经网络进行训练，得到用于有害网站的检测模型。本发明的有益效果为：所需的有标签的数据量大大减少，训练所需要的时间和计算资源也大大减少，且面对新的个性化小样本任务，本技术中提出的模型有更好的适应性，能在短时间内生成可靠的深度学习模型，提高了系统的实用价值。
-
公开(公告)号：CN116486830A
公开(公告)日：2023-07-25
申请号：CN202310392211.3
申请日：2023-04-12
申请人： 珠海高凌信息科技股份有限公司
摘要： 本发明提供一种环境声音描述方法、装置、电子设备及存储介质，该环境声音描述方法包括：响应于环境声音描述请求，获取第一目标环境声音，对第一目标环境声音执行预处理，得到第二目标环境声音；对第二目标环境声音采用环境声音描述模型进行识别处理，得到第一目标环境声音的描述结果；环境声音描述模型的训练包括：获取环境声音的音频数据集，对音频数据集执行音频剪辑处理，得到验证集及测试集；对验证集及测试集执行预处理，进而执行基于迁移学习处理，得到音频特征；对音频特征执行深度卷积神经网络训练处理，得到环境声音描述模型。本发明的有益效果为：提高了声源描述准确率和声源检测的扩展性。
-
公开(公告)号：CN116150320A
公开(公告)日：2023-05-23
申请号：CN202310026624.X
申请日：2023-01-09
申请人： 珠海高凌信息科技股份有限公司
IPC分类号： G06F16/33 , G06F16/25 , G06F40/216 , G06F16/215 , G06F18/23213
摘要： 本发明提供一种多模态数据集成管理方法、装置及介质，该多模态数据集成管理方法包括：对接入的第一多模态数据执行临时存储；对第一多模态数据执行预处理，得到第二多模态数据；对第二多模态数据执行提取，得到包括有数据特征、数据来源及存储位置的元数据；采用对应的数据存储方式对元数据执行存储。使用可定制算法来实现文本、声音及视觉数据的统一集成，通过使用本体模型/元模型的方式统一提取文本、声音和视觉数据的元数据，并通过对象存储辅以结构化存储方式，来实现多模态的统一存储，借助元数据和对象存储技术，实现多模态数据的高可靠、高性能访问的统一管理，使得多模态数据分析效率和准确性大大提升。
-
-
-
-
-
-
-
-
-
搜索结果
39 条记录 (耗时 0.056 秒)
