|
搜索
搜 索
高等教育领域数字化综合服务平台
教育部召开学习贯彻落实习近平总书记给中国国际大学生创新大赛参赛学生代表重要回信精神座谈会
11月13日，教育部召开学习贯彻落实习近平总书记给中国国际大学生创新大赛参赛学生代表重要回信精神座谈会。教育部党组书记、部长怀进鹏出席会议并讲话。
微言教育
2024-11-13
第四届教创赛专家报告集萃③ | 复旦大学外国语言文学学院院长高永伟：人工智能背景下外语教育与人才培养的创新探索
人工智能背景下外语教育与人才培养的创新探索——在全国高校教师教学创新系列活动-新文科教育创新学术活动的报告
中国高等教育博览会
2024-09-03
科技部党组认真传达学习贯彻党的二十大精神
2022年10月24日上午，科技部党组书记、部长王志刚主持召开党组会议，传达学习党的二十大精神，研究学习贯彻工作。部党组成员李萌、张广军、相里斌、高波、张碧涌、林新同志出席会议，并结合科技工作实际进行了交流发言。
科技部直属机关党委
2022-10-25
基于时空多尺度联合学习模型的能源需求预测技术
本项目提出了将时间维度与空间维度相结合的多尺度综合能源需求分析与预测模型，设计并实现了一种面向智慧城市的综合能源需求分析与预测的方法，提升能源供应规划和营销策略的优化与决策支持。
南开大学
2021-02-01
基于高性能计算集群机器学习的交通大数据分析系统
本平台实现交通数据的可视化、预测、关联性分析
中山大学
2021-04-10
基于深度学习的新冠病毒的早期检测筛查模型系统
西安电子科技大学计算机科学与技术学院智能软件与系统新技术研究所副教授张亮团队依托上海瑞金医院、西安交通大学第二附属医院等的新冠肺炎疑似、确诊患者肺部CT影像，通过综合分析新冠肺炎患者的肺部CT影像特点（磨玻璃、体积大小、位置等特征），张亮团队加快技术攻关，设计开发了基于深度学习的新型冠状病毒的早期检测筛查模型系统。
西安电子科技大学
2021-04-10
基于时空多尺度联合学习模型的能源需求预测技术
本项目提出了将时间维度与空间维度相结合的多尺度综合能源 需求分析与预测模型，设计并实现了一种面向智慧城市的综合能源需 求分析与预测的方法，提升能源供应规划和营销策略的优化与决策支 持。 项目特色： 面向综合能源时空数据的需求分析和预测可以根据历史数据， 结合地理区域的相互关系来预测给定时间范围和空间位置的 能源需求。 针对综合能源的特性，项目提出了联合学习和迁移学习的思想 对模型进行训练。同时优化不同区域中多种类型能源的联合预 测模型，将已有模型的结果迁移到训练集数据不足的模型中， 提高能源用量预测的准确率。 面向智慧城市的综合能源信息应用服务场景，并利用 GIS 技术 实现配电网分析和用户用电特性分析的可视化。
南开大学
2021-04-13
一种基于机器学习的空间数据匹配方法
本发明涉及一种基于机器学习的空间数据匹配方法，包括四个步骤:1)自动生成匹配训练样本，2) 通过机器学习建立分类器模型及其参数，3)应用分类器模型对输入空间数据进行目标匹配，4)顾及逻 辑和领域约束对匹配结果的过滤和改善。其中机器学习采用以空间目标的位置、大小、形状和方位等多 种指标作为特征提取。具有如下优点:可避免量纲标准化和多指标加权中的主观任意性，匹配精度较加 权平均方法更高;匹配模型基于样本数据学习建立，数据的自适应性较高;建立模型的典型样本数量少， 可大规模应用;利用空间数据的内在几何信息，无需额外属性信息，使用准入性低。
武汉大学
2021-04-13
基于机器学习的多模态医学影像信息处理与分析
多模态医学影像信息处理与分析，具有重大的应用背景，是国家和社会当 前高度重视的研究领域之一。 本项目拟基于机器学习方法，主要研究医学影像的特征描述、设备无关性 的特征评价与特征选择、基于内容的多模态医学影像检索、医学影像信息挖掘、 参考库建设与算法辅助研究平台的设计与开发等内容。研究目标为： （1）建立统一的特征描述模型，实现跨模态医学影像的统一特征描述； （2）提出有效解决特征提取层面上医学影像信息处理与分析算法的设备无 关性问题的通用框架； （3）在医学影像标注数据有限、数据库为海量等条件下，实现高效率单模 50 态影像检索，有效提高多模态、跨模态医学影像检索的精度，实现用户友好的 检索结果展示； （4）从结构复杂的多模态医学影像数据中，挖掘有用的知识，构建有效的 辅助诊断模型、实现个人疾病风险预警； （5）完成首期参考库建设与算法辅助研发平台的开发，为项目研究内容的 开展提供有效数据和环境支撑。本项目获得国家自然科学基金重点项目资助，项目执行期 2013.1-2017.12。
山东大学
2021-04-13
一种基于随机蕨的自举学习方法及其分类器
本发明提供了一种基于随机蕨的自举弱学习方法及其分类器，本发明属于计算机图形识别技术领域。图形识别通常采用弱分类器的加权、高斯概率分布的均值距离来判别正负样本。或采用分类树作为弱学习器，用误差测度减少最大化的划分准则划分节点，然后将这些弱分类器提升为强分类器。但是，这些弱学习方法要么收敛速度慢，要么准确率不够高，要么计算效率低。本发明选择图像特征和构造随机蕨、基于随机蕨的弱学习方法、基于随机蕨的弱学习方法、构建弱分类器、结果分类器等步骤可以很好地解决成像环境复杂且对运算量要求严格的图像模式识别，实现快速收敛和高效的自举弱学习方法，得到实时处理且准确率高的分类器。主要用于各种模式识别场合。
西南交通大学
2016-10-20