<thead id="3jag6"><rt id="3jag6"><noscript id="3jag6"></noscript></rt></thead>
  • <s id="3jag6"><track id="3jag6"><menuitem id="3jag6"></menuitem></track></s>
       
        

        <sub id="3jag6"><p id="3jag6"></p></sub>
          <style id="3jag6"></style>
          
国产精品久久久久久久网,人人妻人人澡人人爽国产,亚洲中文字幕无码爆乳APP,免费大片黄国产在线观看,无码抽搐高潮喷水流白浆,国产久免费热视频在线观看,国产亚洲精品成人aa片新蒲金,久久久97丨国产人妻熟女































          
    
          

        
       



    
          

          






    
    
    
    Document
    




          
    
          
        
          
            
        
          
        
          
            
        
          
    
          
    
          
        
          
            拖動(dòng)滑塊完成拼圖
        
          
        
          
    
          
    
          
        
          
        
          
    
          

          














          
    
    
          
        首頁
        專利交易
        IP管家助手
        科技果

        科技人才

        科技服務(wù)
        國際服務(wù)
        商標(biāo)交易
        會(huì)員權(quán)益
        需求市場

        
        關(guān)于龍圖騰

        
        
        
        
        
        
    
          
    
          
        
        
             / 

            
            
            免費(fèi)注冊
        
    
          

          



          
    
          
        到頂部
        到底部
    
          

          















          
    
    
          
        
        
          
            
            
            
            
            
            
            
            

            
            
          
                
          
                    
                    清空
                    搜索
                
          
            
          

            
            
            
            
            
            
            
            
            
            
        
          
        
        
        
    
          

          








          
      
          
          
          
            
          
                
          
                  
          
                  	
                  	
                  		最新專利技術(shù)
                  	
                  
          
                
          
                
          
                    
            
					
						
          • 
							
							
            
					    		
								
            
								      一種物理信息神經(jīng)網(wǎng)絡(luò)與領(lǐng)域泛化結(jié)合的諧波減速器壽命預(yù)測方法，通過自注意力機(jī)制對傳感器時(shí)序數(shù)據(jù)進(jìn)行特征提取，基于提取特征，一方面由多層感知機(jī)(MLP)輸出剩余使用壽命(RUL)估計(jì)，一方面計(jì)算最大均值差異(MMD)以量化不同樣本間數(shù)據(jù)分布的偏...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本發(fā)明公開了基于多源異構(gòu)數(shù)據(jù)的表面殘余應(yīng)力智能預(yù)測方法，包括如下步驟：步驟一：通過智能制造產(chǎn)線實(shí)時(shí)采集動(dòng)態(tài)異構(gòu)數(shù)據(jù)，構(gòu)建多物理場耦合的殘余應(yīng)力預(yù)測基準(zhǔn)數(shù)據(jù)集；步驟二：基于改進(jìn)型深度卷積神經(jīng)網(wǎng)絡(luò)對所述動(dòng)態(tài)異構(gòu)數(shù)據(jù)進(jìn)行特征識(shí)別，提取殘余應(yīng)力敏感...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本發(fā)明公開了融合人工智能與多維類比預(yù)報(bào)的降水影響因子分離方法，涉及氣象技術(shù)領(lǐng)域，分離步驟為：S1、數(shù)據(jù)準(zhǔn)備與預(yù)處理，從氣象再分析數(shù)據(jù)中提取多維大氣變量與降水?dāng)?shù)據(jù)，進(jìn)行標(biāo)準(zhǔn)化處理與一致性處理；S2、多維相似個(gè)例選擇，基于多變量綜合相似性指數(shù)，...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本申請涉及復(fù)合絕緣子檢測技術(shù)領(lǐng)域，具體涉及一種超高壓線路復(fù)合絕緣子典型缺陷自主識(shí)別方法及系統(tǒng)，該方法包括：采集超高壓線路復(fù)合絕緣子的巡檢圖像；利用可見光圖像和紅外圖像中的顏色特征以及與環(huán)境濕度之間的關(guān)系，計(jì)算溫升特征系數(shù)；然后再結(jié)合復(fù)合絕緣...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本發(fā)明涉及一種基于大語言模型知識(shí)增強(qiáng)的跨語言實(shí)體對齊方法，屬于知識(shí)圖譜對齊領(lǐng)域。所述方法，首先，運(yùn)用大語言模型來增強(qiáng)實(shí)體和關(guān)系嵌入，提升訓(xùn)練過程中正負(fù)樣本的區(qū)分度；然后，引入適應(yīng)性融合加權(quán)來減弱各類嵌入的噪聲，并且，引入雙向柔性投票在無標(biāo)簽...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本發(fā)明公開了一種基于再生資源云平臺(tái)的回收方法及系統(tǒng)，包括：基于云平臺(tái)歷史數(shù)據(jù)中的再生資源數(shù)據(jù)，獲取圖像數(shù)據(jù)；輸入至輕量化卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行資源種類識(shí)別模型訓(xùn)練；通過多源傳感器獲取廢棄物資源圖像數(shù)據(jù)、紅外光譜數(shù)據(jù)，輸入至資源種類識(shí)別模型中，識(shí)...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本申請公開了一種基于人工智能的智能媒資管理系統(tǒng)，多模態(tài)數(shù)據(jù)處理模塊采用時(shí)移卷積神經(jīng)網(wǎng)絡(luò)提取視頻和音頻的時(shí)空特征，智能編目模塊基于深度強(qiáng)化學(xué)習(xí)優(yōu)化視頻鏡頭切分策略，利用圖神經(jīng)網(wǎng)絡(luò)建模標(biāo)簽語義關(guān)系，并通過Transformer與條件隨機(jī)場優(yōu)化標(biāo)...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本發(fā)明公開了一種基于多模態(tài)大模型的海洋眾包數(shù)據(jù)質(zhì)量控制與融合方法，包括：基于多模態(tài)大模型對海洋眾包數(shù)據(jù)進(jìn)行類型識(shí)別，得到若干個(gè)類型集合；對若干個(gè)類型集合分別進(jìn)行質(zhì)量控制處理，得到各個(gè)預(yù)處理集合；對各個(gè)預(yù)處理集合進(jìn)行融合處理。準(zhǔn)確對海洋眾包數(shù)...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本發(fā)明公開了一種基于多用戶操作行為圖的APP軟件用戶操作數(shù)據(jù)處理方法及裝置，方法包括：在各用戶操作APP軟件的過程中，依據(jù)操作順序進(jìn)行用戶操作數(shù)據(jù)的捕獲，并對捕獲的用戶操作數(shù)據(jù)進(jìn)行篩選，將篩選出的用戶操作數(shù)據(jù)存入第一目標(biāo)文件；依據(jù)第一目標(biāo)文...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本發(fā)明公開了基于多模態(tài)信息的云端一體化情緒識(shí)別的個(gè)性化方法，包括：S1、獲取多種模態(tài)的原始情緒數(shù)據(jù)，進(jìn)行預(yù)處理，形成多模態(tài)數(shù)據(jù)集；S2、構(gòu)建多模態(tài)特征融合網(wǎng)絡(luò)；所述多模態(tài)特征融合網(wǎng)絡(luò)由模態(tài)分支網(wǎng)絡(luò)和融合核心網(wǎng)絡(luò)組成，形成融合后的多模態(tài)特征向...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      一種基于混合網(wǎng)絡(luò)的礦井移動(dòng)群智感知真值發(fā)現(xiàn)方法，包括以下步驟：先獲取固定傳感器數(shù)據(jù)與可靠礦工的稀疏觀測數(shù)據(jù)，根據(jù)固定傳感器數(shù)據(jù)與可靠礦工的稀疏觀測數(shù)據(jù)構(gòu)建時(shí)空特征矩陣，再將構(gòu)建的時(shí)空特征矩陣作為輸入數(shù)據(jù)，輸入到LSTM網(wǎng)絡(luò)中，然后LSTM網(wǎng)...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本發(fā)明公開一種融合物理約束的深度學(xué)習(xí)重力衛(wèi)星地下水垂向信號分離方法，包括：S1獲取并預(yù)處理基礎(chǔ)數(shù)據(jù)，預(yù)處理包括：通過計(jì)算得到需要垂向分離的總地下水儲(chǔ)量異常，將所有數(shù)據(jù)統(tǒng)一至預(yù)設(shè)的時(shí)空分辨率并剔除異常值；S2構(gòu)建深度學(xué)習(xí)模型，其被配置為接收包...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本發(fā)明提供了一種基于多任務(wù)線性分類器的濾波器誤差分析方法，屬于濾波器技術(shù)領(lǐng)域。本發(fā)明方法包括：獲取濾波器的仿真數(shù)據(jù)并構(gòu)建輸入數(shù)據(jù)集；構(gòu)建并訓(xùn)練多任務(wù)線性分類器；利用多任務(wù)線性分類器對待測件進(jìn)行誤差分析，得到加工誤差的位置及誤差值。本發(fā)明方法...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本發(fā)明屬于配電網(wǎng)卡頓優(yōu)化技術(shù)領(lǐng)域，具體涉及一種配電自動(dòng)化系統(tǒng)卡頓優(yōu)化方法及裝置。該優(yōu)化方法包括：采集多源異構(gòu)數(shù)據(jù)，對多源異構(gòu)數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，構(gòu)建用于表征配電自動(dòng)化系統(tǒng)運(yùn)行狀態(tài)的故障狀態(tài)評分因子；基于考慮故障狀態(tài)評分因子，結(jié)合其他關(guān)鍵因子，...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本發(fā)明涉及列車故障診斷技術(shù)領(lǐng)域，特別是涉及一種列車傳動(dòng)系統(tǒng)的故障診斷方法，本發(fā)明克服了現(xiàn)有技術(shù)中微弱特征難以被提取而且故障特征難以被有效區(qū)分的不足，通過離散短時(shí)傅里葉變換將多模態(tài)信號編碼為時(shí)頻圖像，結(jié)合InceptionResNetV2網(wǎng)絡(luò)...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本發(fā)明涉及橋梁結(jié)構(gòu)健康監(jiān)測技術(shù)領(lǐng)域，具體地說，涉及一種基于層次化注意力Transformer的橋梁傳感器異常檢測方法，其包括以下步驟：一、數(shù)據(jù)預(yù)處理；二、數(shù)據(jù)分割；三、利用Transformer進(jìn)行段內(nèi)特征提取并平均池化特征；四、利用Tra...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本申請?zhí)峁┝艘环N基于多源數(shù)據(jù)的儲(chǔ)能電池艙安全監(jiān)測方法和裝置，涉及電池儲(chǔ)能系統(tǒng)領(lǐng)域。該方法包括：通過多配置于儲(chǔ)能電池倉的多類型傳感器獲取儲(chǔ)能電池倉對應(yīng)的多源參數(shù)數(shù)據(jù)，以及獲取儲(chǔ)能電池倉周圍的環(huán)境參數(shù)數(shù)據(jù)；將多源參數(shù)數(shù)據(jù)和環(huán)境參數(shù)數(shù)據(jù)輸入至圖神...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本發(fā)明涉及時(shí)序預(yù)測領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的儲(chǔ)備池時(shí)間序列預(yù)測方法及系統(tǒng)；預(yù)測模型包括：卷積神經(jīng)網(wǎng)絡(luò)，對輸入的時(shí)間序列進(jìn)行空間特征提取，得到數(shù)據(jù)特征；注意力機(jī)制，對所述數(shù)據(jù)特征分配時(shí)間權(quán)重，得到加權(quán)時(shí)間特征；回聲狀態(tài)網(wǎng)絡(luò)對所述加權(quán)時(shí)間...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本發(fā)明公開了一種多平臺(tái)環(huán)境感知與融合圖譜構(gòu)建方法及系統(tǒng)，涉及無人艇智能控制與海洋環(huán)境感知技術(shù)領(lǐng)域，包括同步采集多維環(huán)境數(shù)據(jù)；構(gòu)建多維環(huán)境數(shù)據(jù)融合模型，得到綜合反映海域態(tài)勢的多模態(tài)融合感知信息；基于多模態(tài)融合感知信息建立多模態(tài)環(huán)境圖譜，對無人...
								
            
							
            
							
						
            • 
					
						
          • 
							
							
            
					    		
								
            
								      本發(fā)明公開了基于多模態(tài)數(shù)據(jù)融合的目標(biāo)回波分類方法及系統(tǒng)，涉及計(jì)算電磁學(xué)技術(shù)領(lǐng)域，解決了模型在噪聲環(huán)境下分類準(zhǔn)確率下降，泛化能力受限，以及在模態(tài)數(shù)據(jù)分布變化時(shí)性能波動(dòng)大的技術(shù)問題；通過B i LSTM建模時(shí)序依賴性，分析各個(gè)特征的權(quán)重，剔除特...
								
            
							
            
							
						
            • 
					
                    
          
                
          

                 
          
                 	
		            	首頁
		            	上一頁
		            	
		            	269
		            	
		            	下一頁
                 	
                 	
            	
          
            
          
            
          
                
          
                  
          技術(shù)分類
          
                  
          
                      
                  
          
                
          
            
          
          
          
      
          
    
          
    
    

























































































































































 
 
    







主站蜘蛛池模板：
亚洲精品成人无码中文毛片|
风流少妇又紧又爽又丰满|
99精品国产一区二区三区2021|
免费看黑人强伦姧人妻|
久久久综合香蕉尹人综合网|
美女又色又爽视频免费|
中文字幕在线亚洲日韩6页|
久久国产精品成人影院|
亚洲午夜精品久久久久久浪潮|
99RE6在线观看国产精品|
激情内射亚洲一区二区三区|
美女无遮挡免费视频网站|
日韩国产成人精品视频|
国产麻豆剧果冻传媒星空视频|
成人国产精品一区二区网站公司|
青青青国产最新视频在线观看|
欧美极品少妇性运交|
免费无码一区无码东京热|
亚洲中文字幕无码爆乳|
国产偷人爽久久久久久老妇app|
蜜臀色欲av在线播放国产日韩|
国产一起色一起爱|
亚洲高清WWW色好看美女|
国语少妇高潮对白在线|
全部孕妇毛片|
青青国产揄拍视频|
国产成人精品aa毛片|
欧美午夜成人片在线观看|
久久精品国产久精国产一老狼
|
天天av天天翘天天综合网色鬼
|
国产成人亚洲高清一区|
日本高清在线一区至六区不卡视频
|
男受被做哭激烈娇喘gv视频|
久久av无码精品人妻系列果冻|
337p日本大胆欧美裸体艺术|
久久国产精品成人影院|
精品国产一区二区三区av片|
十八禁av无码免费网站|
亚洲精品综合一区二区三|
久久综合九色欧美婷婷|
国产L精品国产亚洲区在线观看
|