-
公开(公告)号：CN112766405A
公开(公告)日：2021-05-07
申请号：CN202110125639.2
申请日：2021-01-29
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
IPC: G06K9/62
Abstract: 本发明基于多约束子空间投影的传感器数据分类方法，包括步骤：1)采集跨域分布的传感器数据，并将所采集的跨域分布的传感器数据分为源域和目标域数据；2)寻找把源域和目标域数据从原始空间映射到某个子空间的投影矩阵P；3)采用P对源域和目标域进行转换，将转换后的数据输入分类器对分类器进行训练和测试，得到训练成功的分类器；4)采用P对传感器实时采集的数据进行转换，并将转换后的数据输入训练成功的分类器进行分类。本发明基于多约束子空间投影的传感器数据分类方法，其采用了优化的投影矩阵P，通过该投影矩阵P对跨域分布的传感器数据进行转换，能够提高跨域分布的传感器数据的分类准确率。
-
公开(公告)号：CN112016041A
公开(公告)日：2020-12-01
申请号：CN202010879648.6
申请日：2020-08-27
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
Abstract: 本发明基于格拉姆求和角场图像化和Shortcut-CNN的时间序列数据实时分类方法，其包括步骤：1)采集时间序列数据；2)归一化采集得到的时间序列数据，得到数据 3)在极坐标中对数据进行表示；4)将经步骤3)处理后的数据转换成形状为M×M的格拉姆矩阵，并将格拉姆矩阵保存为灰度图像，称为EEG图像；5)将步骤4)得到的EEG图像输入Shortcut-CNN模型得出分类结果。本发明解决了常用分类方法不能直接利用二维卷积神经网络对时间序列数据进行高性能实时分类的技术问题，且本发明中Shortcut-CNN模型与VGG16、浅层CNN相比具有更好的分类性能。
-
公开(公告)号：CN111461201A
公开(公告)日：2020-07-28
申请号：CN202010237398.6
申请日：2020-03-30
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
Abstract: 本发明基于相空间重构的传感器数据分类方法，包括步骤：1)把一维传感器时间序列通过基于坐标延迟的相空间重构映射到一个m维的相空间，使传感器数据暴露隐含的关键信息，得到相空间轨迹矩阵；2)把提取到的各个传感器在时刻i下的数据输入到长短期记忆网络模块，设置长短期记忆网络输入的时间步长均为相空间重构的嵌入维数m；3)将各个长短期记忆网络输出的状态信息类比图像的RGB矩阵输入二维卷积神经网络模块，二维卷积神经网络提取的特征输入全连接层，得出分类结果。本发明基于相空间重构的传感器数据分类方法，其改善了原始一维传感器数据结构上的局限性和传感器数据分类准确率受限的问题，能实现对时刻点上的传感器数据进行准确分类。
-
公开(公告)号：CN111291832A
公开(公告)日：2020-06-16
申请号：CN202010167099.X
申请日：2020-03-11
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
Abstract: 本发明基于Stack集成神经网络的传感器数据分类方法，其包括1)构建基础学习器，基础学习器包括特征提取单元和与特征提取单元连接的特征分类单元；2)将若干个基础学习器的输出作为元学习器的输入，构建成Stacking模型；3)将传感器数据同时输入各个基础学习器的各个特征提取单元的一维卷积层，各个基础学习器的输出作为Stacking模型的元学习器的输入，经元学习器处理后由元学习器的softmax函数层输出最终分类结果。本发明结合卷积神经网络和长短期记忆网络提取传感器数据特征的优势，提高了对传感器数据分类的准确性，并且采用Stacking模型降低了由于卷积神经网络的参数随机初始化造成分类结果波动的影响。
-
公开(公告)号：CN110490324A
公开(公告)日：2019-11-22
申请号：CN201910773986.9
申请日：2019-08-21
Applicant: 重庆大学
IPC: G06N3/08
Abstract: 本发明提供一种梯度下降宽度学习系统实现方法，梯度下降宽度学习系统由特征层、增强层和输出层三个密集层和一个合并层构成，特征层使用随机映射将输入数据映射为映射特征以形成特征节点，增强层对特征层输出的映射特征进行增强以形成增强节点，合并层将特征节点和增强节点的输出进行合并后作为一个整体输入到输出层，输出层将合并层的输出进行映射成网络最终的输出，训练时小批量训练样本被不断输入梯度下降宽度学习系统，梯度下降宽度学习系统采用梯度下降法来更新网络的权重，使均方误差MSE损失函数的损失逐渐减小。本方法实现的梯度下降宽度学习系统在不断进行小批量训练样本训练时，能够明显提升分批训练时的回归性能，可应用于回归任务。
-
Patent Agency Ranking
公开(公告)号：CN114818914B
公开(公告)日：2024-05-24
申请号：CN202210434503.4
申请日：2022-04-24
Applicant: 重庆大学 , 勒威半导体技术(嘉兴)有限公司
Abstract: 本发明公开了一种基于相空间和光流图像的多变量时间序列分类方法，其包括步骤：1)将多变量时间序列转化成相空间轨迹矩阵图和光流图像；2)通过双流时空网络对多变量时间序列进行分类，所述的双流时空网络包括第一个3D网络、第二个3D网络、将两个3D网络的输出特征进行融合的Conatenate层、与Conatenate层连接的Flatten层和与Flatten层链接的全连接层，双流时空网络的激活函数为softmax。将相空间轨迹矩阵图输入第一个3D网络，光流图像输入第二个3D网络。本发明基于相空间和光流图像的多变量时间序列分类方法，通过与其他先进方法进行对比，实验结果表明本发明方法取得了与其他先进方法更好的精度，说明本发明方法对多变量时间序列分类问题是有价值的方案。
-
公开(公告)号：CN112036482B
公开(公告)日：2023-10-24
申请号：CN202010896134.1
申请日：2020-08-31
Applicant: 重庆大学
IPC: G06F18/214 , G06F18/241 , G01N27/00
Abstract: 本发明基于电子鼻传感器数据的中药材分类方法，其包括步骤：1)用电子鼻采集中药材气味数据；2)对电子鼻传感器数据去噪，使所有样本的同一阶段的数据量相同，并得到不含异常值的数据集；3)提取电子鼻传感器数据特征，其包括特征计算、异常样本去除和特征校正；4)选择极限树作为分类器，对经特征校正处理后的数据进行分类。本发明解决了噪声对传感器数据后续处理及分类的影响，并且可以有效地去除异常样本，并对波动剧烈的特征数据有效地进行校正，解决了传感器漂移、采样差异等影响传感器数据分类准确性的技术问题，其采用的极限树作为分类器能很好的适应对中药材这种多类别小样本数据集进行分类。
-
公开(公告)号：CN110136115B
公开(公告)日：2022-11-08
申请号：CN201910402166.9
申请日：2019-05-14
Applicant: 重庆大学
Abstract: 本发明提供一种IVOCT图像易损斑块自动检测神经网络集成方法，包括以下步骤：集成网络选取，选取的网络包括传统的目标检测网络Haar‑Adaboost、基于回归的目标检测网络YOLO和SSD及基于区域建议的目标检测网络Faster R‑CNN；网络训练检测，根据IVOCT图像的自身特征，设置反映每个网络对于易损斑块检测结果的数据指标和评价指标，对每个网络进行训练生成不同的测试模型，各自检测预定数量的IVOCT测试图像；两步集成方法，先是利用设计的集成策略对每个网络检测出来的IVOCT检测图像类别标签进行集成，然后根据类别集成的结果进行区域集成得出检测结果。本申请能提高检测易损斑块区域的准确性，减少漏检和错检的情况，且能提高检测区域与真实区域之间的重合度及最终检测结果性能。
-
公开(公告)号：CN114818914A
公开(公告)日：2022-07-29
申请号：CN202210434503.4
申请日：2022-04-24
Applicant: 重庆大学 , 勒威半导体技术(嘉兴)有限公司
Abstract: 本发明公开了一种基于相空间和光流图像的多变量时间序列分类方法，其包括步骤：1)将多变量时间序列转化成相空间轨迹矩阵图和光流图像；2)通过双流时空网络对多变量时间序列进行分类，所述的双流时空网络包括第一个3D网络、第二个3D网络、将两个3D网络的输出特征进行融合的Conatenate层、与Conatenate层连接的Flatten层和与Flatten层链接的全连接层，双流时空网络的激活函数为softmax。将相空间轨迹矩阵图输入第一个3D网络，光流图像输入第二个3D网络。本发明基于相空间和光流图像的多变量时间序列分类方法，通过与其他先进方法进行对比，实验结果表明本发明方法取得了与其他先进方法更好的精度，说明本发明方法对多变量时间序列分类问题是有价值的方案。
-
公开(公告)号：CN114511031A
公开(公告)日：2022-05-17
申请号：CN202210138121.7
申请日：2022-02-15
Applicant: 重庆大学 , 勒威半导体技术(嘉兴)有限公司
Abstract: 本发明基于生成对抗网络的电子鼻数据校正方法，其包括1)搭建命名为FEDA的神经网络，2)进行领域对抗训练：分别在特征提取器Gf和域判别器Gd上添加一个梯度反转层，首先在数据正向传播过程中训练特征提取器Gf学习到域不变特征，从而让域判别器Gd无法区分特征是来自源域和还是目标域，再通过最小化域分类损失Ld来训练域判别器Gd，使得域判别器Gd可以区分源域和目标域特征；然后在数据反向传播经过梯度反转层的时候反转梯度，让特征提取器Gf无法正确判断领域不变特征，以此完成对抗训练。本发明基于生成对抗网络的电子鼻数据校正方法，降低了源域和目标域的分布差异，增加了类内同质性，解决电子鼻数据的域适应问题，能提高对传感器漂移数据集的分类正确率。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.037 seconds)
