-
公开(公告)号：CN114070621B
公开(公告)日：2023-01-17
申请号：CN202111356908.2
申请日：2021-11-16
Applicant: 苏州大学
Abstract: 本发明涉及一种面向网络数据流分类的在线稀疏学习方法，包括以下步骤：S1、构建数据缓冲池，向数据缓冲池中输入预设数量的带标签数据流序列，获得初始模型函数；S2、当数据缓冲池接收到带标签的流数据，则利用梯度下降法求解该带标签的流数据的目标函数并更新模型参数；S3、当新的带标签的流数据小于数据缓冲池的容量，则将新的带标签的流数据加入到缓冲池中，转至S2；否则，继续下一步；S4、采用核匹配追踪算法重新分配模型参数以保证模型参数的稀疏性；S5、采用更新后的模型对无标签流数据进行预测和分类。本发明的在线支持向量机在线学习效率高，模型更新效果好，能够产生稀疏模型。
-
公开(公告)号：CN115329084A
公开(公告)日：2022-11-11
申请号：CN202211032809.3
申请日：2022-08-26
Applicant: 苏州大学
IPC: G06F16/35 , G06F16/335 , G06K9/62
Abstract: 本发明公开了一种基于稀疏线性在线学习的垃圾邮件分类方法及系统，方法包括：S1、利用随机傅里叶特征方法将特征化的电子邮件原始数据集映射为高维特征空间的训练样本，得到预处理后的训练样本集；S2、利用预处理后的训练样本集训练线性分类模型，并采用FTRL算法对模型参数进行更新，得到训练后的线性分类模型；S3、利用训练后的线性分类模型对电子邮件进行预测分类。本发明基于稀疏线性在线学习的垃圾邮件分类方法通过将特征化的电子邮件原始数据集映射为高维特征空间的训练样本，并在模型训练时采用FTRL算法对模型参数进行更新，在保留了线性分类模型快速高效特点的同时进一步取得了稀疏性，提升了分类准确率。
-
公开(公告)号：CN114140353A
公开(公告)日：2022-03-04
申请号：CN202111414625.9
申请日：2021-11-25
Applicant: 苏州大学
IPC: G06T5/00 , G06T3/40 , G06V10/40 , G06V10/774 , G06V10/80 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于通道注意力的Swin‑Transformer图像去噪方法及系统。本发明通过向训练优化后的去噪网络模型输入一张噪声图像，去噪网络模型中的浅层特征提取网络首先提取噪声图像的噪声、通道等浅层特征信息，然后将提取到的浅层特征信息输入到去噪网络模型中的深层特征提取网络用以获取到深层特征信息，之后将浅层特征信息和深层特征信息输入到去噪网络模型的重建网络进行特征融合，即可获得纯净图像，克服了现有技术中基于深度卷积神经网络的图像去噪方法易失去输入噪声图像细节且导致高计算内存和时间消耗的问题。
-
公开(公告)号：CN113626654A
公开(公告)日：2021-11-09
申请号：CN202110805315.3
申请日：2021-07-16
Applicant: 苏州大学
IPC: G06F16/903 , G06F16/906 , G06F16/909
Abstract: 本发明公开了一种基于表示学习的批量最短路径查询方法，包括以下步骤：(1)查询的嵌入表示：(1.1)生成训练数据；(1.2)特征提取；(1.3)模型训练；(2)批量最短路径查询算法：(2.1)查询集合聚类；(2.2)构建缓存；(2.3)查询应答。通过上述方式，本发明基于表示学习的批量最短路径查询方法通过使用表示学习方法学习最短路径查询的嵌入表示，根据查询的嵌入表示将查询集合聚类为不同的查询子集，每个子集中的查询有更大的概率共享计算结果；使用基于网格的缓存结构来缓存计算结果，让之后的查询能利用缓存中的计算结果，以减少查询的应答时间，在基于表示学习的批量最短路径查询方法的普及上有着广泛的市场前景。
-
公开(公告)号：CN113537371A
公开(公告)日：2021-10-22
申请号：CN202110831372.9
申请日：2021-07-22
Applicant: 苏州大学
Abstract: 本发明涉及一种融入边缘特征两阶段的上皮细胞分类方法，包括将细胞染色图像数据划分为原始训练集和原始验证集，通过聚类、Sobel运算和子集划分，得到聚类后的训练集、粗类训练集和细类训练集；利用聚类后的训练集和粗类训练集对粗粒度分类器进行训练，利用细类训练集对细粒度分类器进行训练，得到训练好的粗粒度分类器和细粒度分类器；利用粗粒度分类器和细粒度分类器对待分类的细胞染色图像数据进行类别分类。本发明在训练过程中，将训练集中图像的重要特征保留下来，使得前后的特征信息能够进一步的融合，从而最大限度地识别和保留判别信息，提高机器学习模型的效率。
-
Patent Agency Ranking
公开(公告)号：CN113449806A
公开(公告)日：2021-09-28
申请号：CN202110786515.9
申请日：2021-07-12
Applicant: 苏州大学
Abstract: 本发明公开了一种基于层次结构的二阶段林业害虫识别与检测系统，包括数据预处理模块，用于对已标注好的林业害虫图像数据集进行预处理，得到用于训练害虫检测阶段的目标检测模型的第一数据集和用于训练害虫分类阶段的分类模型的第二数据集；模型训练模块，用于利用第一数据集对害虫检测阶段的目标检测模型进行训练，并利用第二数据集对害虫分类阶段的分类模型进行训练；图像预测模块，用于利用训练好的目标检测模型对测试图像进行目标检测，将昆虫部分从测试图像中提取以得到新图像，并利用训练好的分类模型对新图像进行物种分类。本发明基于层次结构的二阶段林业害虫识别与检测系统可行性高，可以大幅提升对害虫的识别准确率且具有扩展性。
-
公开(公告)号：CN107480658B
公开(公告)日：2020-11-06
申请号：CN201710851859.7
申请日：2017-09-19
Applicant: 苏州大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于多角度视频的人脸识别装置和方法，基于多角度视频的人脸识别装置，它包括人脸识别处理控制单元、识别通道、安装在识别通道上并与人脸识别处理控制单元相信号连接的至少三个摄像头，至少三个摄像头包括设置在识别通道的正上方并用于采集用户正脸特征的第一摄像头、设置在识别通道的左侧部并用于采集用户左侧脸特征的至少一个第二摄像头、设置在识别通道的右侧部并用于采集用户右侧脸特征的至少一个第三摄像头。利用上述的基于多角度视频的人脸识别装置的人脸识别方法，它包括人脸注册、人脸检测与识别。
-
公开(公告)号：CN109376901A
公开(公告)日：2019-02-22
申请号：CN201811043938.6
申请日：2018-09-07
Applicant: 苏州大学
Abstract: 本发明公开了一种基于去中心化矩阵分解的服务质量预测方法，包括以下步骤：（1）建立用户邻接图，（2）确定交互的范围，（3）确定交互的信息，（4）合成并预测QoS值。通过上述方式，本发明基于去中心化矩阵分解的服务质量预测方法通过采用去中心化矩阵分解方法来预测QoS值，解决集中式训练造成的计算资源浪费的问题，此外，每个用户对Web服务的QoS值保存在用户自己手中，从而很好的保护了用户的个人隐私，在基于去中心化矩阵分解的服务质量预测方法的普及上有着广泛的市场前景。
-
公开(公告)号：CN103207915B
公开(公告)日：2016-12-28
申请号：CN201310136508.X
申请日：2013-04-18
Applicant: 苏州大学
IPC: G06F17/30
Abstract: 本发明公开了一种反轮廓查询方法、装置及系统，该反轮廓查询方法、装置及系统应用于分布式数据集，所述反轮廓查询方法利用全局支配的概念，在中央节点和分布节点计算查询点的全局轮廓点集后，会进一步计算出第二层全局轮廓点集；结合数据摘要的思想，分布节点采用基于两层轮廓点传送方法，避免发送全部数据集，通信开销合理，且中央节点和分布节点的负载也比较平衡，能够很好的应用于分布式数据集环境。通过本发明实施例公开的反轮廓查询方法、装置及系统，填补了分布式数据集环境中反轮廓查询技术的空白，实现了分布式数据集环境中的反轮廓查询。
-
公开(公告)号：CN103401871B
公开(公告)日：2016-08-10
申请号：CN201310336834.5
申请日：2013-08-05
Applicant: 苏州大学
Abstract: 一种面向同态加密的密文定序方法及系统，系统包括三方：客户端、存储服务器和代理，存储服务器和代理不能相互勾结。方法包括以下步骤。客户端采用SH.Keygen密钥生成运算，生成公钥pk及私钥sk，并将私钥sk发送给代理服务器，且客户端将数据加密并托管给存储服务器，客户端向存储服务器发送定序指令。存储服务器对要排序的密文做同态减运算得到密文csub=SH.Sub(pk,c1,c2)，并将密文csub发送给代理服务器。代理服务器使用私钥sk对密文csub解密得到明文sub=SH.Dec(sk,csub)，将sub与0比较确定密文的序，并将结果加密后通过存储服务器发送给客户端。客户端解密后得到密文对应的明文的序。整个过程中没有泄漏明文，虽然代理服务器得到明文的差，但并不能计算出差所对应的明文，整个计算过程是安全的。
-
-
-
-
-
-
-
-
-
Search Results
91
records
(took 0.026 seconds)
