-
公开(公告)号：CN106295711A
公开(公告)日：2017-01-04
申请号：CN201610693425.4
申请日：2016-08-19
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/6269 , G06K9/6256 , G06K9/6276
Abstract: 本申请公开了一种时间序列分类方法，包括：预先对GDTW核函数进行优化，得到改进后的GDTW核函数；利用改进后的GDTW核函数，分别对预设的时间序列训练样本集和时间序列测试样本进行核变换；利用预设的分类算法，并依据训练样本的核变换数据集中的时间序列类别标签，对测试样本的核变换数据进行分类处理，得到时间序列测试样本的类别。本申请改进后的GDTW核函数在计算时间序列元素之间的欧氏距离时，是对满足最优偏移路径的两个时间序列元素之间的欧式距离进行计算的，这样使得改进后的GDTW核函数保留了时间序列之间的偏移路径信息，从而使得后续的分类效果得到进一步的改善。另外，本申请还相应公开了一种时间序列分类系统。
-
公开(公告)号：CN106021525A
公开(公告)日：2016-10-12
申请号：CN201610352058.1
申请日：2016-05-25
Applicant: 苏州大学
IPC: G06F17/30
CPC classification number: G06F16/374 , G06F16/35 , G06F16/5866
Abstract: 本发明公开了机器错误数据描述与分类的方法及系统，通过将一个隐藏特征提取项引入到现有的标签一致字典传播模型框架，提出一个“描述+分类”模型框架；为了增强数据的描述性能，模型将机器错误数据表示为一个稀疏重构部分，一个显著特征部分，一个重构误差部分；为了增强数据的分类性能与效率，将数据嵌入一个特征投影矩阵提取出数据的隐藏特征，基于数据的隐藏特征进行多类线性分类器的训练；为了增强分类器对于机器错误数据中的噪音和异类数据的鲁棒性能，对分类器进行L2,1范数正则化。通过针对数据的隐藏特征进行分类器训练，可快速实现样本外数据的归纳，不需要引入额外的稀疏重构过程，有效的提高了机器数据分类的效率与精准度。
-
公开(公告)号：CN105956629A
公开(公告)日：2016-09-21
申请号：CN201610321052.8
申请日：2016-04-20
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/6256 , G06K9/6267
Abstract: 本申请公开了一种模式分类方法及模式分类系统，其中，所述模式分类方法包括：获取第一训练集；将第一训练集映射到核隐空间，得到映射后的第一训练集；利用映射后的第一训练集构造成对约束集合；在核隐空间中利用成对约束集合计算马氏距离中的半正定矩阵；将待测数据映射到核隐空间，得到映射后的待测数据；根据半正定矩阵与映射后的待测数据，寻找映射后的第一训练集中的目标样本，将目标样本的标签赋给待测样本。模式分类方法在获取第一训练集和待测数据后，都将其映射到核隐空间中，从而引入了局部特性，以实现对第一训练集和待测数据的全局和局部的综合衡量，从而实现对第一训练及和待测数据的全面利用，进而提高模式分类方法的分类精度。
-
公开(公告)号：CN105760872A
公开(公告)日：2016-07-13
申请号：CN201610076500.2
申请日：2016-02-03
Applicant: 苏州大学
CPC classification number: G06K9/4671 , G06K9/6249 , G06K9/6276
Abstract: 本申请公开了一种基于鲁棒图像特征提取的识别方法及系统，先利用原始训练图像样本构造重构权重系数；为了有效保持图像像素间的拓扑结构和相关性，设计直接作用于二维图像的特征提取系统；为了降低图像样本中噪声或异类数据对性能的影响，对图像样本的邻域重构错误进行L2,1?范数正则化；为了确保优化得到稀疏判别的显著图像特征，直接对投影矩阵进行L2,1?范数正则化。最后，利用稀疏投影矩阵，提取相应的稀疏判别特征并输入至最近邻分类器，取与测试图像样本的特征相似性最大的训练图像样本的标签，以完成类别鉴定。本申请通过引入L2,1?范数正则化技术，有效提升了数据中噪声和异类数据的鲁棒性，系统性能更好。
-
公开(公告)号：CN105740912A
公开(公告)日：2016-07-06
申请号：CN201610076336.5
申请日：2016-02-03
Applicant: 苏州大学
CPC classification number: G06K9/6267 , G06K9/46 , G06K9/6256
Abstract: 本申请公开了一种基于核范数正则化的低秩图像特征提取的识别方法及系统，首先对原始训练图像进行相似性学习，构造重构权重系数，再通过最小化基于核范数度量的邻域重构错误，并对投影矩阵进行核范数正则化处理，得到可直接提取二维图像特征的低秩投影矩阵，可有效保持图像像素间的拓扑结构和相关性。此外可确保优化得到低秩的显著图像特征。将原始测试图像直接向训练得到的低秩投影矩阵进行嵌入，输出其低秩显著特征，基于训练集中的低秩显著特征，利用最近邻分类器进行分类，取与测试图像样本的特征相似性最大的训练图像样本的类别标签，完成测试图像样本归类。通过引入核范数正则化，可有效保证特征提取过程中噪声的鲁棒性，系统性能更好。
-
Patent Agency Ranking
公开(公告)号：CN105608478A
公开(公告)日：2016-05-25
申请号：CN201610192000.5
申请日：2016-03-30
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 发明公开了一种图像特征提取与分类联合方法及其系统，首先根据训练样本间的相似性，构造近邻图，并计算重构系数矩阵。进而引入基于核范数度量的近邻重构错误最小化的非线性流形学习，对训练图像样本进行低维流形特征学习，得到一个可获取样本低维流形特征的线性投影矩阵；再利用所述训练样本低维特征,最小化L2,1-范数正则化的分类错误，完成鲁棒稀疏分类器学习，输出一个最优分类器，从而对测试样本进行特征提取和分类。与现有技术相比，本发明通过采用核范数度量和L2,1-范数正则化的联合问题，有效提高了提取特征的描述性与分类准确率。
-
公开(公告)号：CN105528620A
公开(公告)日：2016-04-27
申请号：CN201510918300.2
申请日：2015-12-11
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种联合鲁棒主成分特征学习与视觉分类方法及系统，通过将鲁棒主成分特征学习、编码错误和基于主成分特征的分类错误集成到一个统一的最小化框架，可同时进行联合低秩与稀疏特征提取和数据纠错，且可确保得到的特征对于分类是最优的。为了得到描述性更强的鲁棒特征，同时考虑数据的低秩与稀疏特性，同时通过将一个投影嵌入的特征进行低秩和L1-范数最小化，确保提取的特征满足低秩与稀疏特性。最终得到一个线性投影矩阵P和一个线性分类器W。P可直接提取待测样本的联合特征，进而将特征向W进行映射，可得到其软类别标签，通过软类别标签中最大值对应的位置，得到最准确的视觉分类结果。此外，通过得到P和W，有效提升了测试过程的可拓展性。
-
-
公开(公告)号：CN104950862A
公开(公告)日：2015-09-30
申请号：CN201510451246.5
申请日：2015-07-28
Applicant: 苏州大学
IPC: G05B19/418 , G05B15/02
CPC classification number: Y02P90/02 , G05B19/418 , G05B15/02 , G05B2219/2642
Abstract: 本发明提供了一种基于真假值的智能家居控制方法与系统，该方法包括以下步骤：采集原始数据，并且对原始数据离散化处理为真假值，形成表征智能家居一个时间周期内工作和非工作状态的数据位图；确定控制周期参数，该控制周期参数用于在由真假值组成的所述数据位图中决定用于计算最新的控制位图的记录区间n；根据当前的控制位图以及由控制周期参数决定的记录区间n内的数据位图，按照预定的计算方法，对所述控制位图和所述记录区间n的数据位图当中对应于相同计算时间单位的真假值进行运算，获得最新的控制位图。本发明降低了运算处理量，所需要的样本量小，对智能家居的适用性强。
-
公开(公告)号：CN104899578A
公开(公告)日：2015-09-09
申请号：CN201510363785.3
申请日：2015-06-26
Applicant: 苏州大学张家港工业技术研究院
IPC: G06K9/00
CPC classification number: G06K9/00288 , G06K9/6274
Abstract: 本发明公开了一种人脸识别的方法，包括：将获取得到的人脸图像数据作为待测样本；利用投影变换矩阵将所述待测样本映射到低维特征空间中，得到投影后的测试样本；在训练样本集合中，查找与所述测试样本距离最近的标准样本作为目标样本；将所述目标样本的类别确定为所述测试样本的类别；其中，所述投影变换矩阵为通过构造的类内邻接矩阵以及类间邻接矩阵，对所述训练样本集合中的多个样本进行训练得到的变换矩阵，以使类间距离最大、类内距离最小。本发明所提供的人脸识别的方法及装置，为正交判别投影分别构造了两个邻接矩阵：类间和类内邻接矩阵，把类内信息和类间信息分开表示，以得到均衡的信息，从而实现类内最小和类间最大的目的。
-
-
-
-
-
-
-
-
-
Search Results
231
records
(took 0.027 seconds)
