买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国人民解放军国防科技大学申请的专利基于扫描过滤的双神经网络装备故障领域实体识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116011452B 。

龙图腾网通过国家知识产权局官网在2025-08-15发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211631790.4，技术领域涉及：G06F40/295；该发明授权基于扫描过滤的双神经网络装备故障领域实体识别方法是由李磊;张士刚;王麒宣;葛长虎设计研发完成，并于2022-12-19向国家知识产权局提交的专利申请。

本基于扫描过滤的双神经网络装备故障领域实体识别方法在说明书摘要公布了：本申请涉及一种基于扫描过滤的双神经网络装备故障领域实体识别方法。所述方法包括：根据装备故障领域词典对故障文本进行分词，得到分词文本；采用滑动窗口对分词文本进行扫描，得到序列片段；根据装备故障领域实体特性构建过滤规则对序列片段进行过滤，得到候选序列；构建实体识别模型；实体识别模型包括Bert模型、BiLSTM网络、TextCNN网络和softmax解码器；利用预先设置的特定数据训练集对实体识别模型进行训练，根据最优权重及参数和特定数据测试集对实体识别模型进行优化和验证，根据最优实体识别模型对候选序列进行识别，得到实体识别结果。采用本方法能够提高实体识别准确率。

本发明授权基于扫描过滤的双神经网络装备故障领域实体识别方法在权利要求书中公布了：1.一种基于扫描过滤的双神经网络装备故障领域实体识别方法，其特征在于，所述方法包括： 获取待识别的故障文本；根据装备故障领域词典对所述故障文本进行分词，得到分词文本； 采用滑动窗口对所述分词文本进行扫描，得到序列片段； 根据装备故障领域实体特性构建过滤规则对所述序列片段进行过滤，得到候选序列； 构建实体识别模型；所述实体识别模型包括Bert模型、BiLSTM网络、TextCNN网络和softmax解码器； 利用预先设置的特定数据训练集对所述实体识别模型进行训练并保存模型训练过程中最优权重及参数，根据所述最优权重及参数和特定数据测试集对所述实体识别模型进行优化和验证，得到最优实体识别模型； 根据所述最优实体识别模型对所述候选序列进行识别，得到实体识别结果； 根据所述最优实体识别模型对所述候选序列进行识别，得到实体识别结果， 包括： 将所述候选序列输入到Bert模型中，得到特征向量序列； 根据所述BiLSTM网络对所述特征向量序列进行处理，得到隐藏向量； 利用所述TextCNN网络对所述特征向量序列进行卷积，得到卷积后的特征向量； 将所述隐藏向量和卷积后的特征向量进行融合，得到融合特征向量； 根据所述softmax解码器对所述融合特征向量进行解码，得到实体识别结果； 根据所述BiLSTM网络对所述特征向量序列进行处理，得到隐藏向量，包括： 根据所述BiLSTM网络对所述特征向量序列进行处理，得到隐藏向量为 Hout＝[h1,h2，…ht] 其中，ft、it、ot表示遗忘门、输入门、输出门，ct表示过渡向量，Ct表示表示t时刻单元状态,ht是隐藏状态,W*和b*表示权重矩阵和偏置，σ和tanh表示非线性激活函数，xt为Ebert，表示特征向量序列； 利用所述TextCNN网络对所述特征向量序列进行卷积，得到卷积后的特征向量，包括： 利用所述TextCNN网络对所述特征向量序列进行卷积，得到卷积后的特征向量为 其中，Ebert为特征向量序列，W表示卷积核的权重矩阵，h表示卷积核高度，b表示偏置，ci表示卷积核第i次卷积所得的值，C表示通过卷积得到的特征向量，表示经过最大池化后所得到的特征向量，Cout表示卷积后的特征向量，q表示卷积核数量，N表示的是输入序列的长度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国人民解放军国防科技大学，其通讯地址为：410073 湖南省长沙市开福区德雅路109号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。