-
公开(公告)号：CN105160358A
公开(公告)日：2015-12-16
申请号：CN201510560969.9
申请日：2015-09-07
Applicant: 苏州大学张家港工业技术研究院
CPC classification number: G06K9/6267 , G06K9/66
Abstract: 本申请提供了一种图像分类方法及系统，该分类方法包括：根据待分类图像的特征对所述待分类图像进行分层，并获取符合预设条件的图像层；利用预先构建的分类器中的变换群获取所述图像层对应的轨道；将所述轨道的轨道中心与所述分类器中的近似轨道中心集合中的多个近似轨道中心进行对比，判断所述待分类图像的类别。该方法通过进行分层，然后利用预先构建的分类器寻找轨道，根据获取的轨道的轨道中心与分类器中的近似轨道中心进行对比，判断得到待分类图像的类别，该分类方法既满足了速度的需求，且从根本上进一步提高了图像分类的速度。
-
公开(公告)号：CN105069137A
公开(公告)日：2015-11-18
申请号：CN201510507976.2
申请日：2015-08-18
Applicant: 苏州大学张家港工业技术研究院
CPC classification number: G06F17/30705 , G06K9/6267
Abstract: 本发明公开了一种基于概念分解的半监督文档分类方法，包括：对原始数据矩阵作分解，将数据转换到低维空间，得到既有邻域保持、相似性保持以及约束保持的原始数据在低维空间的近似矩阵；利用算法接收参数K对原始数据的低维近似矩阵进行聚类，得到聚类结果；利用精确度和互信息两种评价标准对所述聚类结果进行评价。本发明基于概念分解，不仅考虑了原始数据的邻域保持特性，同时还考虑了数据点相似在原始空间和低维流形空间的一致性，以及约束对在原始空间和转换空间的约束保持，使得聚类性能不仅在先验信息较多的时候大大提高，在先验信息很少的时候依然能保持较好的聚类性能。本发明还公开了一种基于概念分解的半监督文档分类系统。
-
公开(公告)号：CN104966105A
公开(公告)日：2015-10-07
申请号：CN201510408404.9
申请日：2015-07-13
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K9/6277
Abstract: 本发明公开了一种鲁棒机器错误检索方法与系统，首先利用标签估计方法对训练集数据进行预处理，估计出未标定机器数据的标签，并初始化一个投影分类器。基于训练样本的类别信息，进行标签一致字典学习，利用得到的判别稀疏编码构造标签预测模型中的自适应重构权，通过计算新的投影分类器来更新无标签训练数据的类信息。通过多次迭代训练，输出一个判别的可重构字典，一个稀疏编码矩阵和一个最优多类分类器。训练得到的分类器可用于新来数据的归纳和类别预测，根据软标签中的概率最大值对应的位置，确定测试样本的类别，完成机器错误数据鲁棒分类。通过提出半监督标签一致字典学习方法，丰富了监督的先验信息，有效提高了机器错误检索的精准度。
-
公开(公告)号：CN104966075A
公开(公告)日：2015-10-07
申请号：CN201510418913.X
申请日：2015-07-16
Applicant: 苏州大学
IPC: G06K9/00
CPC classification number: G06K9/00288 , G06K9/00268
Abstract: 本申请提供了一种基于二维判别特征的人脸识别方法与系统，通过对人脸训练图像进行判别学习，紧凑局部类内散度和分离局部类间散度，为了有效保持图像像素间的拓扑结构和内在相关性，设计基于矩阵描述的判别特征提取系统，可直接作用于人脸图像，不会破坏图像像素间的拓扑结构和相关性，进而提升系统性能。样本外图像的归纳主要通过将测试样本向系统输出的正交投影进行映射，进而将提取的人脸图像二维特征输入最近邻分类器进行归类，取与测试样本相似性最大或距离最小的训练样本的标签，用于人脸测试图像的类别鉴定，得到最准确的人脸识别结果。此外，本发明通过直接对人脸图像进行特征提取和分类，有效提高了系统效率，系统可拓展性好。
-
公开(公告)号：CN104794489A
公开(公告)日：2015-07-22
申请号：CN201510197245.2
申请日：2015-04-23
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于深度标签预测的诱导式图像分类方法及系统，首先对有标签的训练样本和无标签的训练样本进行相似性学习，构造加权相似近邻图，再初始化一个类标签矩阵。为了降低“浅”预测标签中的混合信号对系统性能的影响，引入了描述学习的思想，先计算基于原始输入空间的通常含有混合信号的“浅”软标签，进而利用描述学习得到判别性更强的深度软标签，取深度标签中概率的最大值，用于类别鉴定，得到最准确的分类结果。通过深度标签预测，有效降低了浅层软标签中的混合信号对结果的影响，使分类精度大幅提高。此外，本发明方法通过引入描述学习，可快速有效地完成样本外数据的深度归纳分类，无需引入额外的学习过程，方法可拓展性好。
-
Patent Agency Ranking
-
公开(公告)号：CN104750875A
公开(公告)日：2015-07-01
申请号：CN201510197408.7
申请日：2015-04-23
Applicant: 苏州大学
IPC: G06F17/30
Abstract: 本申请涉及数据挖掘技术领域，特别是涉及一种机器错误数据分类方法及系统。该方法引入标签传播算法作为机器错误数据预处理步骤，利用少量的已标定机器数据的标签，快速估计出未标定数据的标签，组成分类训练集。基于分类训练集中的机器数据及标签，进行标签一致的字典学习，同时最小化重构错误、判别稀疏编码错误和分类错误，得到重构字典、稀疏编码和多类线性分类器，同时保持字典中各项与数据标签间的关系。进而，利用得到的稀疏编码来表征机器数据特征，输入到分类器进行预测，确定测试样本的类别，实现机器数据的错误分类。通过引入高效的半监督数据预处理，增加了已标定机器样本的数量，丰富了先验信息，有效提高了机器数据分类的精准度。
-
公开(公告)号：CN104732242A
公开(公告)日：2015-06-24
申请号：CN201510163171.0
申请日：2015-04-08
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明的多分类器构建方法和装置，将包含多类样本数据的训练样本集处理为多个两类数据集合；且对每个两类数据集合进行特征选择，得到相应的特征索引子集；并合并多个特征索引子集得到一特征索引集合；之后对特征选择后的训练样本集进行建模，得到目标多分类器。可见，本发明通过把多类问题分解为多个两类问题，并对每个两类问题进行冗余特征剔除，使每个子分类器(可简单理解为每个特征索引子集对应一子分类器)具备了特征挑选能力；从而后续进行类别诊断时，可预先基于各子分类器的特征挑选能力对待测数据进行特征挑选(本申请具体利用各特征子集融合后所得的特征索引集合进行特征选择)。可见本申请解决了现有技术的问题，提升了诊断准确率。
-
公开(公告)号：CN104661119A
公开(公告)日：2015-05-27
申请号：CN201510112580.8
申请日：2015-03-16
Applicant: 苏州大学
Abstract: 本申请提供了一种弹性光网络下的频谱重整理方法及装置，方法为：确定待进行频谱重整理的保护光路；同时释放各个所述保护光路的频谱资源；依次为各个所述保护光路重新分配频谱资源；判断是否为所有的所述保护光路均重新分配了频谱资源，若是，则结束，否则，释放所有已经完成重新分配的保护光路的频谱资源，并恢复各个所述保护光路的原始频谱资源；依次针对每一个所述保护光路，释放该保护光路的频谱资源，并为该保护光路重新分配频谱资源。本申请提供的频谱重整理方法是针对弹性光网络中的保护光路进行频谱重整理，其不会影响到工作路径的正常运行，实现了频谱的无中断整理，并且降低了光路阻塞率。
-
公开(公告)号：CN104657574A
公开(公告)日：2015-05-27
申请号：CN201410262085.0
申请日：2014-06-13
Applicant: 苏州大学
IPC: G06F19/00
Abstract: 本申请提供一种医疗诊断模型的建立方法及装置，该方法首先依据支持向量数据描述SVDD算法进行特征选择，对预存储的原始训练样本集中的各个训练样本进行降维处理，然后依据支持向量机训练算法对经过降维处理后得到的低维训练样本组成的低维训练样本集进行训练，生成医疗诊断模型。这种医疗模型的建立方法在迭代过程中通过SVDD算法的特征选择，根据给定的排序准则删除若干个不重要特征，可以降低建模过程的时间复杂性，实现对医疗数据的快捷处理，提高诊断能力。
-
-
-
-
-
-
-
-
-
Search Results
231
records
(took 0.03 seconds)
