買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉中國人民解放軍國防科技大學申請的專利基于掃描過濾的雙神經網絡裝備故障領域實體識別方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN116011452B 。

龍圖騰網通過國家知識產權局官網在2025-08-15發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202211631790.4，技術領域涉及：G06F40/295；該發明授權基于掃描過濾的雙神經網絡裝備故障領域實體識別方法是由李磊;張士剛;王麒宣;葛長虎設計研發完成，并于2022-12-19向國家知識產權局提交的專利申請。

本基于掃描過濾的雙神經網絡裝備故障領域實體識別方法在說明書摘要公布了：本申請涉及一種基于掃描過濾的雙神經網絡裝備故障領域實體識別方法。所述方法包括：根據裝備故障領域詞典對故障文本進行分詞，得到分詞文本；采用滑動窗口對分詞文本進行掃描，得到序列片段；根據裝備故障領域實體特性構建過濾規則對序列片段進行過濾，得到候選序列；構建實體識別模型；實體識別模型包括Bert模型、BiLSTM網絡、TextCNN網絡和softmax解碼器；利用預先設置的特定數據訓練集對實體識別模型進行訓練，根據最優權重及參數和特定數據測試集對實體識別模型進行優化和驗證，根據最優實體識別模型對候選序列進行識別，得到實體識別結果。采用本方法能夠提高實體識別準確率。

本發明授權基于掃描過濾的雙神經網絡裝備故障領域實體識別方法在權利要求書中公布了：1.一種基于掃描過濾的雙神經網絡裝備故障領域實體識別方法，其特征在于，所述方法包括： 獲取待識別的故障文本；根據裝備故障領域詞典對所述故障文本進行分詞，得到分詞文本； 采用滑動窗口對所述分詞文本進行掃描，得到序列片段； 根據裝備故障領域實體特性構建過濾規則對所述序列片段進行過濾，得到候選序列； 構建實體識別模型；所述實體識別模型包括Bert模型、BiLSTM網絡、TextCNN網絡和softmax解碼器； 利用預先設置的特定數據訓練集對所述實體識別模型進行訓練并保存模型訓練過程中最優權重及參數，根據所述最優權重及參數和特定數據測試集對所述實體識別模型進行優化和驗證，得到最優實體識別模型； 根據所述最優實體識別模型對所述候選序列進行識別，得到實體識別結果； 根據所述最優實體識別模型對所述候選序列進行識別，得到實體識別結果， 包括： 將所述候選序列輸入到Bert模型中，得到特征向量序列； 根據所述BiLSTM網絡對所述特征向量序列進行處理，得到隱藏向量； 利用所述TextCNN網絡對所述特征向量序列進行卷積，得到卷積后的特征向量； 將所述隱藏向量和卷積后的特征向量進行融合，得到融合特征向量； 根據所述softmax解碼器對所述融合特征向量進行解碼，得到實體識別結果； 根據所述BiLSTM網絡對所述特征向量序列進行處理，得到隱藏向量，包括： 根據所述BiLSTM網絡對所述特征向量序列進行處理，得到隱藏向量為 Hout＝[h1,h2，…ht] 其中，ft、it、ot表示遺忘門、輸入門、輸出門，ct表示過渡向量，Ct表示表示t時刻單元狀態,ht是隱藏狀態,W*和b*表示權重矩陣和偏置，σ和tanh表示非線性激活函數，xt為Ebert，表示特征向量序列； 利用所述TextCNN網絡對所述特征向量序列進行卷積，得到卷積后的特征向量，包括： 利用所述TextCNN網絡對所述特征向量序列進行卷積，得到卷積后的特征向量為 其中，Ebert為特征向量序列，W表示卷積核的權重矩陣，h表示卷積核高度，b表示偏置，ci表示卷積核第i次卷積所得的值，C表示通過卷積得到的特征向量，表示經過最大池化后所得到的特征向量，Cout表示卷積后的特征向量，q表示卷積核數量，N表示的是輸入序列的長度。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國人民解放軍國防科技大學，其通訊地址為：410073 湖南省長沙市開福區德雅路109號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。