新葡京娱乐场-大陆娱乐场开户注册

1、自然語(yǔ)言處理，文本信息提取算法。 2、政策知識(shí)圖譜、企業(yè)知識(shí)圖譜。

本發(fā)明公開(kāi)了一種閃存器件的軟信息提取方法，包括離線訓(xùn)練 與在線運(yùn)行兩部分，在離線狀態(tài)下，對(duì)目標(biāo)閃存器件進(jìn)行先驗(yàn)性實(shí)驗(yàn)， 實(shí)驗(yàn)測(cè)試內(nèi)容包括對(duì)閃存器件內(nèi)部物理塊的存儲(chǔ)單元進(jìn)行大量重復(fù)的 擦除、寫(xiě)入以及讀出操作，從而記錄閃存器件在其測(cè)試周期內(nèi)的外部 特征量；然后進(jìn)行數(shù)據(jù)集訓(xùn)練，建立閃存內(nèi)部存儲(chǔ)單元物理狀態(tài)與外 部特征量之間的關(guān)聯(lián)；在線運(yùn)行狀態(tài)下，對(duì)正在在線運(yùn)行的閃存物理 狀態(tài)進(jìn)行識(shí)別，并預(yù)估錯(cuò)誤率，并計(jì)算軟信息。本發(fā)明所提

本發(fā)明公開(kāi)了一種閃存器件的軟信息提取方法，包括離線訓(xùn)練 與在線運(yùn)行兩部分，在離線狀態(tài)下，對(duì)目標(biāo)閃存器件進(jìn)行先驗(yàn)性實(shí)驗(yàn)， 實(shí)驗(yàn)測(cè)試內(nèi)容包括對(duì)閃存器件內(nèi)部物理塊的存儲(chǔ)單元進(jìn)行大量重復(fù)的 擦除、寫(xiě)入以及讀出操作，從而記錄閃存器件在其測(cè)試周期內(nèi)的外部 特征量；然后進(jìn)行數(shù)據(jù)集訓(xùn)練，建立閃存內(nèi)部存儲(chǔ)單元物理狀態(tài)與外 部特征量之間的關(guān)聯(lián)；在線運(yùn)行狀態(tài)下，對(duì)正在在線運(yùn)行的閃存物理 狀態(tài)進(jìn)行識(shí)別，并預(yù)估錯(cuò)誤率，并計(jì)算軟信息。本發(fā)明所提出的方法 不僅不依賴于閃存內(nèi)部的特殊命令，而且可以方便地集成進(jìn)自主閃存 控制器中，與

一種基于矢量數(shù)據(jù)的 SAR 影像道路損毀信息提取方法，根據(jù)災(zāi)后的 SAR 影像的范圍，獲取對(duì)應(yīng)區(qū) 域的矢量數(shù)據(jù);將矢量數(shù)據(jù)投影到 SAR 影像的坐標(biāo)系之后，將矢量數(shù)據(jù)配準(zhǔn)到 SAR 影像上;提取 SAR 影像的疑似道路損毀區(qū)，包括利用道路檢測(cè)算子進(jìn)行線檢測(cè)，將道路寬度信息與道路矢量數(shù)據(jù)進(jìn)行形狀 水平集分割，融合得到疑似道路損毀區(qū);建立貝葉斯網(wǎng)絡(luò)模型對(duì)疑似道路損毀區(qū)進(jìn)行進(jìn)一步判斷，提取 出道路損毀信息。本發(fā)明利用矢量數(shù)據(jù)作為先驗(yàn)信息，輔助 SAR 影像道路變化檢測(cè)，檢測(cè)率高;提出 的線檢測(cè)與形狀水平集相結(jié)合的方法能夠很好的提取斷裂區(qū)，漏檢率低;建立的貝葉斯網(wǎng)絡(luò)模型能夠有 效的剔除干擾信息，減少道路損毀提取的虛警。

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種基于深度信息提取的多聚焦圖像融合方法，廣泛應(yīng)用于目 標(biāo)識(shí)別，顯微成像，軍事作戰(zhàn)，機(jī)器視覺(jué)等領(lǐng)域。本發(fā)明首先利用各向異性熱擴(kuò)散理論建模多聚焦圖像 的成像過(guò)程，獲取原始的多聚焦圖像的深度信息，根據(jù)圖像信息確定聚焦區(qū)域，得到多聚焦圖像融合模 板，最后根據(jù)平滑的多層次融合模板圖進(jìn)行多聚焦圖像的融合。本方法不僅能夠有效的提高融合圖像的 質(zhì)量，并且具有良好的實(shí)用性和廣泛的適用性。

成果描述：多屬性文本自適應(yīng)系 統(tǒng)主要實(shí)現(xiàn)對(duì)每個(gè)未 知屬性的通信實(shí)體進(jìn) 行屬性標(biāo)注的功能。 主要分為兩個(gè)過(guò)程， 即訓(xùn)練過(guò)程和預(yù)測(cè)過(guò) 程。 在訓(xùn)練過(guò)程中，系統(tǒng) 根據(jù)用戶提供的已經(jīng) 具有屬性的數(shù)據(jù)集、 用戶選擇的分類算法 所對(duì)應(yīng)的參數(shù)進(jìn)行訓(xùn) 練，得到訓(xùn)練模型。 在預(yù)測(cè)過(guò)程中，系統(tǒng) 根據(jù)用戶選擇的訓(xùn)練 模型對(duì)未知屬性的數(shù) 據(jù)集中的每個(gè)實(shí)體進(jìn) 行屬性標(biāo)注，并得到 標(biāo)注過(guò)屬性的數(shù)據(jù)集 。（注：在訓(xùn)練過(guò)程 中，用戶可以使用在 訓(xùn)練數(shù)據(jù)集上進(jìn)行交 叉驗(yàn)證的方法獲得在 固定參數(shù)和分類算法 下模型對(duì)未知樣本預(yù) 測(cè)的性能的大致估計(jì) 。）市場(chǎng)前景分析：隨著互聯(lián)網(wǎng)的迅速發(fā) 展，Web頁(yè)面上的信 息量呈指數(shù)級(jí)急劇增 長(zhǎng)，如何快速、準(zhǔn)確 地從海量數(shù)據(jù)中抽取 出用戶真正需要的信 息已經(jīng)成為互聯(lián)網(wǎng)對(duì) 科研工作者提出的嚴(yán) 峻挑戰(zhàn)。 屬性標(biāo)注能夠?qū)⒕W(wǎng)頁(yè) 非結(jié)構(gòu)化文本內(nèi)容轉(zhuǎn) 化為結(jié)構(gòu)化的屬性數(shù) 據(jù)，方便用戶查詢和 進(jìn)一步分析使用；其 作為信息抽取的關(guān)鍵 一步，對(duì)提高信息抽 取的性能方面也具有 重要意義。與同類成果相比的優(yōu)勢(shì)分析：包括訓(xùn)練和預(yù)測(cè)兩個(gè) 過(guò)程，實(shí)現(xiàn)對(duì)不同數(shù) 據(jù)集的自適應(yīng)性屬性 標(biāo)注； 特征選擇功能，可以 在訓(xùn)練模型時(shí)，選擇 出對(duì)區(qū)分?jǐn)?shù)據(jù)類別更 有用的特征詞，這樣 ，可以降低實(shí)體所對(duì) 應(yīng)屬性的維度，從而 ，減少占用的內(nèi)容空 間，提高計(jì)算效率； 交叉驗(yàn)證功能，幫助 我們?cè)谟?xùn)練階段，就 可以了解參數(shù)和算法 的選擇，對(duì)屬性標(biāo)注 時(shí)準(zhǔn)確性的影響； 生成報(bào)告功能，可以 在訓(xùn)練階段的交叉驗(yàn) 證結(jié)束后，產(chǎn)生一個(gè) 訓(xùn)練階段的報(bào)告，幫 助用戶更好地記錄實(shí) 驗(yàn)數(shù)據(jù)、參數(shù)、時(shí)間 和準(zhǔn)確性等信息； 評(píng)估功能，比較模型 標(biāo)注結(jié)果與樣本真實(shí) 標(biāo)簽的一致性、差異 性，以評(píng)價(jià)一個(gè)模型 的好壞。

多屬性文本自適應(yīng)系統(tǒng)主要實(shí)現(xiàn)對(duì)每個(gè)未知屬性的通信實(shí)體進(jìn)行屬性標(biāo)注的功能。 主要分為兩個(gè)過(guò)程， 即訓(xùn)練過(guò)程和預(yù)測(cè)過(guò) 程。 在訓(xùn)練過(guò)程中，系統(tǒng) 根據(jù)用戶提供的已經(jīng) 具有屬性的數(shù)據(jù)集、 用戶選擇的分類算法 所對(duì)應(yīng)的參數(shù)進(jìn)行訓(xùn) 練，得到訓(xùn)練模型。 在預(yù)測(cè)過(guò)程中，系統(tǒng) 根據(jù)用戶選擇的訓(xùn)練 模型對(duì)未知屬性的數(shù) 據(jù)集中的每個(gè)實(shí)體進(jìn) 行屬性標(biāo)注，并得到 標(biāo)注過(guò)屬性的數(shù)據(jù)集 。（注：在訓(xùn)練過(guò)程 中，用戶可以使用在 訓(xùn)練數(shù)據(jù)集上進(jìn)行交 叉驗(yàn)證的方法獲得在 固定參數(shù)和分類算法 下模型對(duì)未知樣本預(yù) 測(cè)的性能的大致估計(jì) 。）

本項(xiàng)目聚焦于鋰電池管理系統(tǒng)在智能化監(jiān)測(cè)與預(yù)測(cè)中的關(guān)鍵痛點(diǎn)，尤其擬面向電池容量衰減預(yù)測(cè)、SOC/SOH估計(jì)不準(zhǔn)、電池剩余時(shí)間不準(zhǔn)確、MAP/SOP估算等方面。通過(guò)引入人工智能算法，構(gòu)建融合機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的電池狀態(tài)預(yù)測(cè)模型，擬實(shí)現(xiàn)高精度SOC（荷電狀態(tài)）與SOH（健康狀態(tài)）估計(jì)的優(yōu)化，提升電池管理系統(tǒng)的智能水平與安全性。 解決方案方面，項(xiàng)目基于實(shí)地檢測(cè)磷酸鐵鋰電池充放電數(shù)據(jù)構(gòu)建訓(xùn)練集，采用輕量級(jí)線性回歸模型及改進(jìn)型人工神經(jīng)網(wǎng)絡(luò)進(jìn)行建模優(yōu)化，并結(jié)合特征工程技術(shù)提高預(yù)測(cè)精度。同時(shí)，設(shè)計(jì)適用于邊緣計(jì)算的部署方案，使模型可在BMS嵌入式硬件平臺(tái)實(shí)時(shí)運(yùn)行，降低對(duì)計(jì)算資源的依賴。 在競(jìng)爭(zhēng)優(yōu)勢(shì)方面，項(xiàng)目成果具備算法輕量化、部署便捷、預(yù)測(cè)準(zhǔn)確度高、兼容性強(qiáng)等特點(diǎn)，特別適用于電力儲(chǔ)能、電動(dòng)汽車(chē)等對(duì)安全性和可靠性要求高的場(chǎng)景。相比傳統(tǒng)BMS方案，該AI算法可顯著提升電池使用效率與壽命，精準(zhǔn)估算SOC/SOH，降低維護(hù)成本。 目前項(xiàng)目成果已在合作企業(yè)內(nèi)部?jī)?chǔ)能設(shè)備中開(kāi)展應(yīng)用測(cè)試，初步反饋表明荷電狀態(tài)預(yù)測(cè)準(zhǔn)確度提升40%左右，電池健康度準(zhǔn)確度提升40%左右，系統(tǒng)響應(yīng)及時(shí)，具備較高實(shí)用性和推廣價(jià)值。專家評(píng)審一致認(rèn)為，該項(xiàng)目在智能電池管理系統(tǒng)方向具有較強(qiáng)的創(chuàng)新性和實(shí)際應(yīng)用前景。

項(xiàng)目概況 該模塊提供了一個(gè)基于網(wǎng)絡(luò)的通過(guò)不同 CAD 系統(tǒng)導(dǎo)出零件模型信息并提取零件特征信 息的系統(tǒng)，融自動(dòng)識(shí)別、模糊匹配、通用性強(qiáng)于一體的、具有異地可操作性、多功能的實(shí)時(shí) 的科研開(kāi)發(fā)平臺(tái)及系統(tǒng)。 本項(xiàng)目處于國(guó)內(nèi)先進(jìn)水平，擁有自主知識(shí)產(chǎn)權(quán)。 18 主要特點(diǎn) 依據(jù)從 CAD 到 CAPP／CAM、從三維到二維的基本方法；采取基于網(wǎng)絡(luò)化可操作性手段， 以 CAD 系統(tǒng)導(dǎo)出的 STEP 文件為核心，實(shí)現(xiàn)了從三維 CAD 系統(tǒng)獲取產(chǎn)品零件加工特征，STEP 文件信息自動(dòng)識(shí)別準(zhǔn)確迅速，方便查詢，可實(shí)時(shí)修改和更新，基于網(wǎng)絡(luò)化的操作方法；有遍 歷的各項(xiàng)歷史記錄，通用性較強(qiáng)；特征識(shí)別通過(guò)模糊匹配，基本實(shí)現(xiàn)智能化判斷和匹配，實(shí) 現(xiàn)簡(jiǎn)單零件基本特征的提取；也可以根據(jù)具體的產(chǎn)品零件進(jìn)行定制開(kāi)發(fā)和提取，開(kāi)放性和靈 活性較強(qiáng)；也可以與實(shí)際的數(shù)控機(jī)床 NC 程序相結(jié)合進(jìn)行開(kāi)發(fā)；有通用或?qū)Ｓ媒涌冢蓮V泛 用于各個(gè)不同類型的企業(yè)和不同地域的虛擬企業(yè)。該系統(tǒng)具有許多獨(dú)到的功能（網(wǎng)絡(luò)化操作、 三維軟件不限制、零件類型不限制、智能故障診斷等） 技術(shù)指標(biāo) 基于網(wǎng)絡(luò)化操作、自動(dòng)信息識(shí)別、智能特征提取、實(shí)時(shí)故障診斷；實(shí)時(shí)修改和更新、查 詢操作方便、通用性強(qiáng)；遠(yuǎn)程數(shù)據(jù)發(fā)送，實(shí)現(xiàn)多企業(yè)和異地的共操作；有通用或?qū)Ｓ媒涌冢?開(kāi)放性好，可結(jié)合數(shù)控機(jī)床、企業(yè)實(shí)際情況等進(jìn)行定向開(kāi)發(fā)。一種基于網(wǎng)絡(luò)的通用的零件信 息提取科研開(kāi)發(fā)系統(tǒng)。 市場(chǎng)前景 近年來(lái)虛擬企業(yè)的迅猛增多和異地企業(yè)的合作增強(qiáng)，使得基于網(wǎng)絡(luò)化的零件特征提取具 有良好的市場(chǎng)前景，也使眾多一直需要解決的難題，因此受到廣大制造企業(yè)的青睞。 

成果描述：旨在為大規(guī)模代數(shù)系統(tǒng)設(shè)計(jì)新型高效的求解算法，并結(jié)合信息科學(xué)進(jìn)行交叉研究。在大規(guī)模代數(shù)系統(tǒng)新型Krylov子空間算法及其基礎(chǔ)理論、復(fù)雜電磁計(jì)算、圖像處理高性能數(shù)值方法、動(dòng)力系統(tǒng)與智能控制理論方面進(jìn)行了系統(tǒng)深入的研究，取得了具有創(chuàng)新性的成果，例如：解決了科學(xué)計(jì)算中的有關(guān)基礎(chǔ)或困難問(wèn)題；提出了Lanczos雙共軛A-標(biāo)準(zhǔn)正交短遞歸Krylov子空間迭代法BiCOR/CORS/BiCORSTAB方法、一種新的“二維雙連續(xù)投影(2D-DSPM)方法”等一系列高效算法；為求解復(fù)雜電磁問(wèn)題產(chǎn)生的復(fù)雜線性系統(tǒng)設(shè)計(jì)了高效算法與預(yù)條件技術(shù)；提出了一些新型高效的邊界處理、圖像復(fù)原方法，具有更快的計(jì)算速度和更好的復(fù)原質(zhì)量；將數(shù)值代數(shù)與特殊矩陣分析和神經(jīng)網(wǎng)絡(luò)交叉研究取得成果。市場(chǎng)前景分析：本成果隸屬于計(jì)算數(shù)學(xué)學(xué)科的數(shù)值代數(shù)領(lǐng)域，是數(shù)學(xué)基礎(chǔ)理論研究。本項(xiàng)目著眼于科學(xué)與工程問(wèn)題當(dāng)中的難于解決的數(shù)學(xué)問(wèn)題的快速算法及其理論研究，在國(guó)民經(jīng)濟(jì)和國(guó)防安全的若干大數(shù)據(jù)領(lǐng)域具有重要的學(xué)術(shù)和應(yīng)用價(jià)值。因此，本成果不涉及經(jīng)濟(jì)效益，亦不涉及直接應(yīng)用。與同類成果相比的優(yōu)勢(shì)分析：主要成果發(fā)表在國(guó)際權(quán)威期刊上，構(gòu)建的新方法新理論得到了權(quán)威專家的高度評(píng)價(jià)，相關(guān)工作引起了國(guó)內(nèi)外同行的廣泛關(guān)注與引用。通過(guò)國(guó)際合作，本項(xiàng)目提出的相關(guān)快速算法已通過(guò)國(guó)際合作研究被法國(guó)INRIA、法國(guó)LAPLACE國(guó)家實(shí)驗(yàn)室、荷蘭格羅寧根大學(xué)等國(guó)際知名研究機(jī)構(gòu)用于解決科學(xué)計(jì)算中的大規(guī)模代數(shù)方程組求解難題。