-
公开(公告)号：CN117809117A
公开(公告)日：2024-04-02
申请号：CN202410005313.X
申请日：2024-01-03
Applicant: 安徽大学
IPC: G06V10/764 , G06V20/70 , G06N3/006
Abstract: 本发明公开了一种面向正标记和无标记样本学习的医学影像分类方法，包括：步骤1：收集正标记和无标记样本的医学影像数据集；步骤2：构建无标记样本的标签优化模型；步骤3：通过结合动态分组、邻域信息种群初始化和协同优化策略在进化多目标优化的框架下获得无标记样本的优化标签；步骤4：最终通过监督学习训练分类器，实现对医学影像样本的分类。本发明能应对传统监督学习方法在处理医学影像标签不确定性方面的限制，从而能提高医学影像分类的准确性和鲁棒性。
-
公开(公告)号：CN117853797A
公开(公告)日：2024-04-09
申请号：CN202410005295.5
申请日：2024-01-03
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/82 , G06V40/10 , G06V10/774 , G06N3/0464 , G06N3/086
Abstract: 本发明公开了一种基于进化神经网络结构搜索的肌肉骨骼异常检测方法，包括：1收集肌肉骨骼的X光片数据并进行预处理；2针对肌肉骨骼异常检测设计特定的网络结构；3初始化神经网络结构种群；4使用X光片数据集对种群中的每个个体对应的神经网络进行训练并将准确率作为个体的适应度值；5从种群中选择个体作为父代使用交叉变异生成子代种群，并通过二元锦标赛选择的方法从子代和父代的混合种群中生成新一代的种群；6迭代上述过程达到预设定条件结束进化，得到最优网络结构。本发明能自动搜索高性能的肌肉骨骼异常检测的卷积神经网络模型，从而能提高X光片异常预测的准确性和效率。
-
公开(公告)号：CN117829431A
公开(公告)日：2024-04-05
申请号：CN202410012562.1
申请日：2024-01-04
Applicant: 安徽大学
IPC: G06Q10/063 , G06Q10/04 , G06Q50/06 , G06F18/22 , G06F18/23
Abstract: 本发明公开了一种竞争多任务优化的大规模水质检测方法，包括：一、对水质检测数据进行采集；二：通过任务划分策略，生成多个低维子空间以及相应的任务；三、生成水质检测特征选择方案种群，并设置参数；四：通过竞争多任务优化策略选择合适的主任务进行优化，在知识迁移时选择合适的辅助任务帮助主任务进行优化，并通过环境选择迭代选取优质特征选择方案，最终得到最优的水质检测特征选择方案。本发明能减少大规模水质检测特征选择问题中所耗费的时间和空间，在大规模的水质检测特征集中快速的获得优质特征选择方案进行水质检测，以提高识别准确性。
-
Patent Agency Ranking
公开(公告)号：CN110276517A
公开(公告)日：2019-09-24
申请号：CN201910388033.0
申请日：2019-05-10
Applicant: 安徽大学
Abstract: 本发明公开了一种基于MOPSO的电动汽车充电站选址方法，包括：S1、构建以充电站建站成本、用户往返充电站时间和充电站服务范围人口数为目标函数，以充电站容量约束和充电站电压偏移为约束条件的充电站选址约束多目标优化模型；S2、设计基于竞争和教学机制的多目标粒子群优化算法进行求解，通过竞争机制构造精英种群，其他个体通过教学机制向精英个体学习生成子代种群；S3、采用自适应约束处理技术对两类复杂约束条件进行动态处理，并选择优秀的可行解进入下一代种群；S4、判断当前迭代次数是否达到最大迭代次数，若是，输出最优可行的选址方案解集；否则，执行步骤S2，如此，最终获得电动汽车充电站选址不同需求下的最优可行方案。
-
公开(公告)号：CN119313628A
公开(公告)日：2025-01-14
申请号：CN202411367008.1
申请日：2024-09-29
Applicant: 安徽大学
IPC: G06T7/00 , G06V10/776 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0495 , G06N3/086 , G06N3/0985
Abstract: 本发明公开了一种约束条件下轻量级网络架构搜索的髌骨X光图像识别方法，包括：1收集标注的髌骨X光图像数据并进行预处理，并划分训练集和验证集；2通过初始化构造神卷积神经网络种群；3利用X光数据集对种群中个体进行训练，使用基于约束的适应度函数值中作为个体的适应度值；4根据种群中个体的适应度值选择父代个体、通过自适应修剪率的滤波器修剪和交叉变异生成子代种群，最后进行环境选择；5迭代优化网络结构直至满足预定条件，并提取最佳架构作为髌骨X光图像识别模型。本发明能自动搜索适应髌骨X光图像数据集的卷积神经网络架构，从而实现对髌骨X光图像的准确分类，特别是有设备硬件约束的应用场景。
-
公开(公告)号：CN117765339A
公开(公告)日：2024-03-26
申请号：CN202410072254.8
申请日：2024-01-17
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0985 , G06N3/084 , G06N3/096
Abstract: 本发明公开了一种基于高效参数迁移的眼底图像分类方法，包括：1获取患者的眼底图像数据并进行预处理，划分为训练集和测试集；2使用较大学习率和一个训练轮次在眼底图像训练集上训练，保存模型归一化层参数；3用相似度值来衡量模型归一化层参数在训练前后的变化，确定该层参数对眼底图像敏感性；4初始化超参数，根据参数敏感性多次调整模型和进行少量参数训练，找出最优模型。本发明从模型归一化层参数对患者的眼底图像的敏感性出发，通过调整模型结构和训练少量的参数，对模型参数高效迁移，从而实现对眼底图像的准确分类。
-
公开(公告)号：CN115761331A
公开(公告)日：2023-03-07
申请号：CN202211428925.7
申请日：2022-11-15
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/44 , G06N3/006
Abstract: 本发明公开了一种基于大规模进化多任务算法的气象云图云状识别方法，包括：1、收集地基气象云图原始观测数据，并对其进行特征提取；2、生成多个低维的气象云图特征选择任务；3、初始化各任务对应的气象云图特征选择方案种群；4、对每个任务的个体通过知识迁移，生成每个任务的子代气象云图特征选择方案；5、合并子代和父代气象云图特征选择方案种群进行环境选择，迭代以上过程最终得到最优的气象云图特征选择方案，并利用该方案中的特征进行气象云图云状识别。本发明能高效地处理基于大规模气象云图数据进行云状识别分类问题，并大幅提高云状识别的准确性。
-
公开(公告)号：CN110276517B
公开(公告)日：2022-10-04
申请号：CN201910388033.0
申请日：2019-05-10
Applicant: 安徽大学
Abstract: 本发明公开了一种基于MOPSO的电动汽车充电站选址方法，包括：S1、构建以充电站建站成本、用户往返充电站时间和充电站服务范围人口数为目标函数，以充电站容量约束和充电站电压偏移为约束条件的充电站选址约束多目标优化模型；S2、设计基于竞争和教学机制的多目标粒子群优化算法进行求解，通过竞争机制构造精英种群，其他个体通过教学机制向精英个体学习生成子代种群；S3、采用自适应约束处理技术对两类复杂约束条件进行动态处理，并选择优秀的可行解进入下一代种群；S4、判断当前迭代次数是否达到最大迭代次数，若是，输出最优可行的选址方案解集；否则，执行步骤S2，如此，最终获得电动汽车充电站选址不同需求下的最优可行方案。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.069 seconds)
