-
公开(公告)号：CN111814450B
公开(公告)日：2023-08-11
申请号：CN202010664010.0
申请日：2020-07-10
Applicant: 重庆大学
IPC: G06F16/35 , G06F40/205 , G06F40/279 , G06N3/0464 , G06N3/0455 , G06N3/047 , G06N3/048
Abstract: 本发明公开了一种基于残差注意力的方面级情感分析方法，方法包括以下步骤：对输入的语句和所有的方面目标信息进行编码，得到文本编码；对待预测的方面目标在文本中的位置信息进行编码，并与得到的文本编码进行融合；对待预测的方面目标信息和融入位置编码的文本编码进行处理；将得到的编码与融入位置信息的文本编码进行结合；提取其余方面目标中的信息，与得到的文本编码进行交互处理，然后从得到的文本编码中过滤；对过滤后的文本编码进行处理，得到最终结果。本发明提出了一种将残差网络引入到注意力机制的方法，能够显著的提高文本方面级别情感分析的准确率，并且模型具有较好的鲁棒性和通用性，分析的效率也有了一定的提升。
-
公开(公告)号：CN111814883A
公开(公告)日：2020-10-23
申请号：CN202010663993.6
申请日：2020-07-10
Applicant: 重庆大学
Abstract: 本发明提出了一种基于异质集成的标签噪声纠正方法，在本发明的方法中，数据集D经过P轮K折分层交叉划分，M种异质分类器预测，两轮多数投票集成预测结果，对数据集D中的每个样本均进行了类别标签的更新，实现噪声标签纠正的更新。本发明适用于具有分布不平衡特点的数据集中的标签噪声处理，适用于各种类型的分类器，具有较好的通用性；可独立完成类别标签纠正过程；循环了P轮分层交叉划分，保证每个交叉划分子集具有和原始样本集相同的不平衡程度，且减少了数据集单次交叉划分的偶然性对分类器的影响；通过异质集成方式更新样本的类别标签，可以减轻某种分类器会受数据类型的负面影响。
-
公开(公告)号：CN111814450A
公开(公告)日：2020-10-23
申请号：CN202010664010.0
申请日：2020-07-10
Applicant: 重庆大学
IPC: G06F40/205 , G06F40/279 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明公开了一种基于残差注意力的方面级情感分析方法，方法包括以下步骤：对输入的语句和所有的方面目标信息进行编码，得到文本编码；对待预测的方面目标在文本中的位置信息进行编码，并与得到的文本编码进行融合；对待预测的方面目标信息和融入位置编码的文本编码进行处理；将得到的编码与融入位置信息的文本编码进行结合；提取其余方面目标中的信息，与得到的文本编码进行交互处理，然后从得到的文本编码中过滤；对过滤后的文本编码进行处理，得到最终结果。本发明提出了一种将残差网络引入到注意力机制的方法，能够显著的提高文本方面级别情感分析的准确率，并且模型具有较好的鲁棒性和通用性，分析的效率也有了一定的提升。
-
公开(公告)号：CN111814454B
公开(公告)日：2023-08-11
申请号：CN202010662871.5
申请日：2020-07-10
Applicant: 重庆大学
IPC: G06F40/30 , G06F40/216 , G06N3/0442 , G06N3/0455 , G06N3/08 , G06Q50/00
Abstract: 本发明公开了一种社交网络上的多模态网络欺凌检测模型，包括针对多模态数据的编码和针对模态数据的解码，还包括：对数据进行预处理；对视频和/或图像数据进行处理，对每一个视频和/或图像进行打分评价，构成评价标签；针对帖子文本内容，通过双向长短期记忆网络(Bi‑LSTM)和自注意力机制进行训练；针对帖子评论集数据进行双向的GRU分层注意力机制学习；针对图像和/或视频，通过one‑hot编码的方式，然后利用多层感知机进行特征提取；针对不同学习到的向量，通过多层感知机分别进行特征提取，然后将其串联起来整体进行特征提取；本发明将评论数据集的对话形式、具有视觉信息的图像和视频信息进行整合，能够显著提升网络中网络欺凌检测准确度。
-
公开(公告)号：CN113052302B
公开(公告)日：2023-05-02
申请号：CN202110365412.5
申请日：2021-04-02
Applicant: 重庆大学
IPC: G06F18/2415 , G06F18/2433 , G06F18/211 , G06F18/231 , G06N3/0442 , G06N3/088 , G06N7/01
Abstract: 本发明适用于机械设备监控技术领域，提供了一种基于循环神经网络的机器健康监控方法、装置及终端设备，方法包括基于目标设备的离线机器数据提取多域特征生成原始特征集；通过层次聚类算法对原始特征集进行聚类分析，并根据聚类分析结果在原始特征集中选择满足预设距离范围的特征作为待训练特征子集；在离线监控和在线监控分别使用不同的机器数据训练隐马尔可夫模型进行异常时刻识别，以及训练堆叠双向长短期记忆神经网络模型对目标设备的剩余使用寿命进行预测。通过本发明可以准确捕捉目标设备的异常时刻，并准确地对目标设备的剩余使用寿命进行预测。
-
Patent Agency Ranking
公开(公告)号：CN111813084A
公开(公告)日：2020-10-23
申请号：CN202010662863.0
申请日：2020-07-10
Applicant: 重庆大学
Abstract: 本发明公开了一种基于深度学习的机械装备故障诊断方法，具体包括以下步骤：步骤S1：对机械设备的主要数据源和次要数据源进行数据采集并进行预处理，得到数据集；步骤S2：采用5折交叉验证方法，将数据集分为训练集、验证集和测试集；步骤S3：基于CNN和BD-LSTM建立故障诊断模型，将训练集输入故障诊断模型中提取隐藏特征后进行训练，并输出诊断结果。本发明采用BD-LSTM进行平滑跟踪和预测结果，处理了由于操作和环境干扰引起的不确定性；传感器监测数据采用CNN和BD-LSTM并行提取隐藏特征，两条没有相关性的路径输出都会影响预测，且可根据预测的误差校正网络中的每个参数。
-
公开(公告)号：CN113052302A
公开(公告)日：2021-06-29
申请号：CN202110365412.5
申请日：2021-04-02
Applicant: 重庆大学
Abstract: 本发明适用于机械设备监控技术领域，提供了一种基于循环神经网络的机器健康监控方法、装置及终端设备，方法包括基于目标设备的离线机器数据提取多域特征生成原始特征集；通过层次聚类算法对原始特征集进行聚类分析，并根据聚类分析结果在原始特征集中选择满足预设距离范围的特征作为待训练特征子集；在离线监控和在线监控分别使用不同的机器数据训练隐马尔可夫模型进行异常时刻识别，以及训练堆叠双向长短期记忆神经网络模型对目标设备的剩余使用寿命进行预测。通过本发明可以准确捕捉目标设备的异常时刻，并准确地对目标设备的剩余使用寿命进行预测。
-
公开(公告)号：CN112751940A
公开(公告)日：2021-05-04
申请号：CN202110002952.7
申请日：2021-01-04
Applicant: 重庆大学
Abstract: 本发明公开了一种典型工业设备检测及监测云服务平台架构，其特征在于，包括多个设置在不同区域的相互通信连接的服务节点，每个服务节点均包括流数据应用接口网关、事务数据应用接口网关、智能服务管理中心单元、存储库、事务数据服务模块及流数据服务模块。与现有技术相比，本发明基于微服务架构实现数据的分布式处理及存储，能够避免所有数据的集中处理，在保证云服务平台正常运行的前提下，降低了对服务器设备的硬件要求；通过智能服务管理中心，能够动态的调成不同区域的不同服务的服务能力，在保证服务质量的情况下，降低服务成本。
-
公开(公告)号：CN111814454A
公开(公告)日：2020-10-23
申请号：CN202010662871.5
申请日：2020-07-10
Applicant: 重庆大学
IPC: G06F40/216 , G06N3/04 , G06N3/08 , G06Q50/00
Abstract: 本发明公开了一种社交网络上的多模态网络欺凌检测模型，包括针对多模态数据的编码和针对模态数据的解码，还包括：对数据进行预处理；对视频和/或图像数据进行处理，对每一个视频和/或图像进行打分评价，构成评价标签；针对帖子文本内容，通过双向长短期记忆网络(Bi-LSTM)和自注意力机制进行训练；针对帖子评论集数据进行双向的GRU分层注意力机制学习；针对图像和/或视频，通过one-hot编码的方式，然后利用多层感知机进行特征提取；针对不同学习到的向量，通过多层感知机分别进行特征提取，然后将其串联起来整体进行特征提取；本发明将评论数据集的对话形式、具有视觉信息的图像和视频信息进行整合，能够显著提升网络中网络欺凌检测准确度。
-
公开(公告)号：CN111813084B
公开(公告)日：2022-10-28
申请号：CN202010662863.0
申请日：2020-07-10
Applicant: 重庆大学
Abstract: 本发明公开了一种基于深度学习的机械装备故障诊断方法，具体包括以下步骤：步骤S1：对机械设备的主要数据源和次要数据源进行数据采集并进行预处理，得到数据集；步骤S2：采用5折交叉验证方法，将数据集分为训练集、验证集和测试集；步骤S3：基于CNN和BD‑LSTM建立故障诊断模型，将训练集输入故障诊断模型中提取隐藏特征后进行训练，并输出诊断结果。本发明采用BD‑LSTM进行平滑跟踪和预测结果，处理了由于操作和环境干扰引起的不确定性；传感器监测数据采用CNN和BD‑LSTM并行提取隐藏特征，两条没有相关性的路径输出都会影响预测，且可根据预测的误差校正网络中的每个参数。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.017 seconds)
