-
公开(公告)号：CN111968003A
公开(公告)日：2020-11-20
申请号：CN202010919140.4
申请日：2020-09-04
Applicant: 郑州轻工业大学
Abstract: 本发明公开一种基于农作物本体概念响应的农作物病害预测方法，包括以下步骤：定义局部本体子概念、病害本体建模、构建深度学习模型、本体概念检测、基于监督学习的病害结果预测和基于概念推理的病害结果预测；本发明在建立病害知识本体的基础上，基于深度学习模型训练对应的本体概念检测器，然后在检测出概念响应后结合监督学习和概念推理技术进行病害结果预测，一方面在基于监督学习进行病害结果预测时尝试对标签中的噪声进行滤除，另一方面通过概念推理降低概念响应的不确定性，充分分析农作物状态表现与病害结果之间关系，在提高病害预测可靠性的同时促进病害反演，并避开了标记数据不足的问题。
-
公开(公告)号：CN111967441A
公开(公告)日：2020-11-20
申请号：CN202010919264.2
申请日：2020-09-04
Applicant: 郑州轻工业大学
Abstract: 本发明公开了一种基于深度学习的农作物病害分析方法，通过采集数据，包括图像数据、天气数据、种植区域自然环境信息，所述图像数据为针对于某一区域的多角度数据，可以解决传统病害学习中平移设计的问题，不受图像中病虫害对农作物位置的影响，然后对所述采集的数据降噪处理操作、增强处理，很好的处理视点平移变化之外的其他效果，将所述图像数据划分为若干个子图像，然后对处理后的数据分别进行训练，得到农作物病害分析模型，使得农作物病害分析结果更加准确。
-
公开(公告)号：CN111967440A
公开(公告)日：2020-11-20
申请号：CN202010919119.4
申请日：2020-09-04
Applicant: 郑州轻工业大学
IPC: G06K9/00 , G06K9/40 , G06K9/46 , G06F16/583 , G06F16/953 , G06T17/00
Abstract: 本发明公开一种农作物病害的综合识别处理方法，包括以下步骤：构建输入样本集和多源对比库、颜色纹理描述集成、输入样本集筛选、融合模型建模、提取颜色纹理特征、颜色纹理综合分析比对和确定具体病虫害及位置；本发明获取目标范围农作物叶片图像样本构成输入样本集，利用外部数据源，并对相应目标农作物的病虫害颜色纹理进行编号，构建多源对比库，且构建输入样本集的可视化模型，构建影像相对应的Path和Row数值矢量化模型，提取颜色纹理特征，和多源对比库进行比对，颜色纹理相重合的时候，语音播放模块播放针对该颜色纹理的具体病虫害描述，从而准确对农作物病害进行识别，比人工识别更加准确。
-
公开(公告)号：CN111738334A
公开(公告)日：2020-10-02
申请号：CN202010575041.9
申请日：2020-06-22
Applicant: 郑州轻工业大学
Abstract: 本发明公开了一种基于局部线性判别分析的特征相关性评价方法，包括以下步骤：A：设给定某个特征f表达下的数据集；B：使用LDA对数据集进行变换得到P个投影方向；C：将数据集中的所有样本分别向LDA确定的每个投影方向投影；D：对每一个投影方向上的投影样本集合中的每一类样本进行聚类；E：计算每一个投影方向上第i类的第j簇的样本相对于其它类别聚类样本的相关性得分；F：判断是否需要对相关性得分进行修正；G：计算样本的相关性得分；H：计算出投影方向上第i类样本的得分；I：对特征f的相关性进行评价及对于类别标签的相关性得分。本发明能够有效避免LDA对非高斯数据特征进行相关性评价时不准确的问题。
-
公开(公告)号：CN114637751B
公开(公告)日：2024-11-26
申请号：CN202210304220.8
申请日：2022-03-25
Applicant: 郑州轻工业大学
IPC: G06F16/22 , G06F16/2455 , G06F16/2453 , G06F18/25 , G06F17/16
Abstract: 本发明公开了一种Hadamard矩阵引导的多模态哈希检索方法，本方法在一个整体框架中联合执行子空间学习和散列学习，一方面，所提出的方法自适应地捕获多模态数据之间的互补信息，此外，通过集成的矩阵分解方法重构多模态空间，以增强特征表示能力；另一方面，本方法利用Hadamard矩阵的列属性来生成每个类别的目标代码，对目标二进制矩阵采用软二进制约束来提高模型的判别性。
-
Patent Agency Ranking
公开(公告)号：CN117151215B
公开(公告)日：2024-08-06
申请号：CN202311242845.7
申请日：2023-09-25
Applicant: 郑州轻工业大学
IPC: G06N5/02 , G06F18/213 , G16H10/60 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于知识图谱的冠心病多模态数据特征提取方法，包括以下步骤：A：获取心电图、光电容积脉搏波和心音图的信号实体；B：获取心脏彩超图像的图像实体；C：获取病历文本的文本实体及文本实体属性，并抽取文本实体关系；D：与冠心病患者知识图谱本体结构进行链接形成知识图谱，建立病例关系图网；E：采用随机游走算法和Skip‑Gram模型将病例关系图网中的节点降维表征为统一的节点表示向量；F：采用主成分分析算法，对步骤E中得到的节点表示向量再次降维，最终获取节点的降维特征。本发明能够为冠心病诊断结果的辅助验证提供更为准确的数据基础。
-
公开(公告)号：CN118097297A
公开(公告)日：2024-05-28
申请号：CN202410338755.6
申请日：2024-03-22
Applicant: 郑州轻工业大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/08 , G06V10/52
Abstract: 本发明公开了一种基于多感受野多跳图注意神经网络的图像分类方法，包括如下步骤：对原始高光谱数据依次进行降维和超像素处理，得到原始特征和超像素特征；将原始特征输入多感受野光谱空间提取模块，得到光谱空间特征，同时将原始特征和超像素特征输入多跳图注意力网络，得到多尺度超像素级特征；将光谱空间特征和多尺度超像素级特征融合并分类。在本发明中，通过采用结合多跳图注意力网络和多感受野光谱空间提取模块的混合网络，可以有效厘清高光谱图像分类任务中远距离特征之间的相关性，同时保留混合网络在提取像素级和超像素级特征方面的优势，并避免提取多层上下文信息造成的光谱空间特征损失，进一步提高分类精度，有效对图像进行分类。
-
公开(公告)号：CN112601087B
公开(公告)日：2022-10-18
申请号：CN202011320958.0
申请日：2020-11-23
Applicant: 郑州轻工业大学
IPC: H04N19/14 , H04N19/96 , H04N19/176 , H04N19/147
Abstract: 本发明提出了一种针对H.266/VVC的快速CU分裂模式决策方法，用于解决H.266/VVC编码的计算复杂度高的技术问题。其步骤为：首先，采用原始VTM算法对待编码的当前帧的第一个CTU进行编码，并统计编码过程中该CTU所有CU的ASM，进而得到第一个CTU的最小阈值和最大阈值；其次，在对后续的视频序列编码时，将当前CU的ASM值与最小阈值和最大阈值进行对比，从而判断当前CU是否继续分裂。最后通过纹理方向算法计算需要进行分裂的CU的纹理方向，根据纹理方向选择出最佳CU分裂模式。本发明通过GLCM和SAD的结合，能够在节省大量计算量的前提下，提前预测最佳CU分裂模式，降低了计算复杂度，节省了编码时间。
-
公开(公告)号：CN113411465B
公开(公告)日：2022-09-27
申请号：CN202110661914.2
申请日：2021-06-15
Applicant: 郑州轻大产业技术研究院有限公司 , 郑州轻工业大学
Abstract: 本发明公开了一种基于深度学习的高光谱图像联合设备稳定装置，包括箱体和固定连接在箱体底部的固定圆环，所述固定圆环的底部固定连接有内杆，所述内杆滑动连接有支柱，所述支柱的底部固定连接有调节槽，所述调节槽内部转动连接有调块，所述支柱的内壁开设有卡接凹口，所述内杆的侧面内嵌有三角槽，所述三角槽的内底部固定连接有第一弹簧。本发明，通过调块、内杆、支柱的共同协作，成功实现了对于本装置高度的灵活性调节，同时，在面临凹凸不平的地面环境时，可以通过调节调块从而使本装置达到稳定，有利于创造和维持高光谱图像联合设备高效工作的环境，提高了工作人员的工作效率，节约了工作时间，节省了完成此项工作的工作成本。
-
公开(公告)号：CN113806609B
公开(公告)日：2022-07-12
申请号：CN202111128257.1
申请日：2021-09-26
Applicant: 郑州轻工业大学
IPC: G06F16/906 , G06K9/62 , G06N3/04 , G06N3/08 , G06F16/33 , G06F16/35 , G06F16/65 , G06F16/68 , G06F16/75 , G06F16/783
Abstract: 本发明提出了一种基于MIT和FSM的多模态情感分析方法，用以解决现有多模态情感分析方法在融合多模态信息时的技术性问题；其步骤为：首先，分别对文本模态数据、语音模态数据和视频模态数据进行预处理，提取文本特征向量、语音特征向量和视频特征向量；其次，将三个特征向量依次进行组合后分别输入Multimodal Interactive Transformer中进行辅助学习，分别得到三个学习后的特征矩阵；最后，将三个学习后的特征矩阵输入Feature Soft Mapping中映射到统一的语义空间中进行融合，得到融合特征；并将融合特征输入分类层，获取情感预测结果。本发明所提出的多模态情感分析模型能够充分考虑多种模态信息之间的关联，有助于在数据融合后进行情感分类。
-
-
-
-
-
-
-
-
-
Search Results
45
records
(took 0.027 seconds)
