-
公开(公告)号：CN102999765B
公开(公告)日：2016-03-02
申请号：CN201210444082.X
申请日：2012-11-09
Applicant: 江苏大学
IPC: G06K9/62
Abstract: 本发明公开一种自适应提升法和非相关判别分析的猪肉贮藏时间判定方法，采集待测试的近红外样本，将样本数据分为训练集和测试集，初始化所有训练集权值；利用获得的初始训练集进行自适应提升法迭代计算，每一次迭代过程中，将产生的训练子集映射到非相关判别分析的特征子空间，其弱分类器由非相关判别分析特征子空间的最近邻分类器得到，根据弱分类器产生的加权分类误差更新训练样本集，产生新一轮特征投影向量；通过投票方式产生联合特征子空间，构造强分类器；用强分类器进行猪肉贮藏时间的判定；将自适应提升法和非相关判别分析相结合，有效解决非相关判别分析的小样本问题和特征选择问题，具有检测速度快，判定准确率高等优点。
-
公开(公告)号：CN104268553A
公开(公告)日：2015-01-07
申请号：CN201410459584.9
申请日：2014-09-11
Applicant: 江苏大学
IPC: G06K9/62
CPC classification number: G06K9/6232
Abstract: 本发明公开一种基于核模糊Foley-Sammon转换的SAR图像目标识别方法，首先将SAR图像按列拉伸成行向量，然后用主成分分析进行降维处理；然后利用模糊K-近邻法和模糊C-均值聚类方法实现数据的模糊化处理，接着计算核模糊线性判别分析的最大特征值对应的特征向量并将该特征向量作为本发明方法最优鉴别向量集的第1个特征向量，然后根据相邻鉴别向量相互正交的规则计算本发明方法的一组最优鉴别向量集，最后利用核函数实现模糊Foley-Sammon转换的非线性转换。解决了模糊Foley-Sammon转换难以处理线性不可分问题，能提取SAR图像雷达目标的非线性鉴别信息，雷达目标识别准确率高。
-
公开(公告)号：CN103632145A
公开(公告)日：2014-03-12
申请号：CN201310651902.7
申请日：2013-12-05
Applicant: 江苏大学
Abstract: 本发明公开一种基于模糊二维非相关判别转换的人脸识别方法，首先采用模糊K近邻法实现人脸图像的初始化模糊处理；接着计算模糊二维非相关判别转换的第一个鉴别向量；然后计算本发明方法的一组最优鉴别向量集；最后将二维人脸图像进行模糊二维非相关判别转换而实现人脸的正确识别。本发明解决了模糊非相关判别转换处理二维人脸图像时必须将图像按行或者列拉成向量而破坏图像内部数据结构的问题，可以避免二维图像拉成向量时造成的“维数灾难”问题，能有效提取二维人脸图像的人脸鉴别信息，识别准确率高。
-
公开(公告)号：CN103632144A
公开(公告)日：2014-03-12
申请号：CN201310651717.8
申请日：2013-12-05
Applicant: 江苏大学
Abstract: 本发明公开一种基于模糊二维K近邻法的人脸识别方法，将模糊K近邻法扩展为它的二维模型以处理二维人脸图像，计算得到模糊隶属度，实现人脸的快速、准确识别。首先，采用二维线性判别分析将二维人脸图像进行压缩并提取人脸图像的鉴别信息，然后用模糊二维K近邻法实现人脸图像的正确识别。本发明解决了传统模糊K近邻法在分类二维人脸图像时必须将图像按行或者列拉成向量而破坏图像内部数据结构的问题，利用模糊二维K近邻法可直接对二维人脸图像进行分类处理，从而可以避免二维图像拉成向量时造成的“维数灾难”问题。
-
公开(公告)号：CN118794917A
公开(公告)日：2024-10-18
申请号：CN202410768861.8
申请日：2024-06-14
Applicant: 江苏大学
IPC: G01N21/359 , G06V10/764 , G06V10/774 , G06V20/68
Abstract: 本发明公开了一种非线性特征提取的茶叶品种鉴别方法，包括：1、采集若干品种绿茶样本，利用Antaris II傅立叶变换近红外光谱分析仪采集样本的近红外漫反射光谱数据；2、使用多元散射校正对绿茶近红外光谱进行预处理；3、使用主成分分析对预处理后的绿茶近红外光谱进行数据降维处理；4、使用非线性特征提取方法，提取绿茶近红外光谱数据中绿茶品种的鉴别信息，得到包含鉴别信息的训练样本集和测试样本集；5、运用K近邻分类算法将步骤4中的测试样本集分类，以确定茶叶种类。本发明能有效提取绿茶近红外光谱的非线性鉴别信息，解决线性特征提取方法无法处理非线性分类的问题。具有检测速度快、分类准确率高，操作方便，智能化，绿色环保等优点。
-
Patent Agency Ranking
公开(公告)号：CN117092062A
公开(公告)日：2023-11-21
申请号：CN202311201607.1
申请日：2023-09-18
Applicant: 江苏大学
IPC: G01N21/359 , G01N1/28
Abstract: 本发明公开了一种模糊聚类分析的眉茶品质等级鉴别方法，包括步骤：①利用近红外光谱仪采集不同品质等级眉茶样本的近红外漫反射光谱数据；②利用多元散射校正方法(MSC)对光谱数据进行预处理；③利用主成分分析进行光谱数据降维；④利用一种模糊特征提取方法提取光谱数据的鉴别信息；⑤利用一种基于新距离测度的模糊聚类方法进行聚类分析。本发明能提取眉茶近红外光谱的线性鉴别信息，采用基于新距离测度的模糊聚类方法聚类数据，提高了眉茶品质等级的识别准确率，可以实现眉茶品质等级的快速准确识别。本发明的一种模糊聚类分析的眉茶品质等级鉴别方法可用于眉茶品质等级的准确识别。
-
公开(公告)号：CN109685099B
公开(公告)日：2023-04-07
申请号：CN201811338607.5
申请日：2018-11-12
Applicant: 江苏大学
IPC: G06V10/762 , G01N21/3563 , G01N21/359
Abstract: 本发明公开了一种光谱波段优选模糊聚类的苹果品种辨别方法，包括如下步骤：S1，不同品种苹果样本的傅里叶近红外光谱采集：针对不同品种的苹果样本，用傅里叶近红外光谱仪对苹果样本进行检测，获取苹果样本傅里叶近红外光谱数据并将数据存储在计算机里。S2，用标准正态变量变化(SNV)对S1的苹果样本近红外光谱进行预处理。S3，用后向间隔偏最小二乘判别分析(BIPLSDA)对S2的近红外光谱进行波段优选。S4，对苹果近红外光谱进行降维处理和鉴别信息提取：利用主成分分析(PCA)对S3中的苹果近红外光谱数据进行压缩；然后利用线性判别分析(LDA)提取数据的鉴别信息。S5，对S4中包含鉴别信息的测试样本用一种改进的模糊C均值聚类方法辨别苹果品种。
-
公开(公告)号：CN110108661B
公开(公告)日：2021-12-21
申请号：CN201910321670.6
申请日：2019-04-22
Applicant: 江苏大学
IPC: G01N21/3563 , G01N21/359
Abstract: 本发明公开了一种模糊极大熵聚类的茶叶近红外光谱分类方法，包括以下步骤：S1，茶叶样本近红外光谱采集：用傅里叶近红外光谱仪对茶叶样本进行检测，获取茶叶样本近红外漫反射光谱数据。S2，用多元散射矫正(MSC)对茶叶近红外光谱进行预处理。S3，对茶叶样本近红外光谱进行降维处理和鉴别信息提取：利用主成分分析(PCA)将在S2中获得的茶叶近红外光谱数据压缩；然后利用线性判别分析(LDA)提取茶叶样本的鉴别信息。S4，对S3中包含鉴别信息的测试样本用模糊极大熵聚类方法进行茶叶品种分类。本发明解决了用传统模糊极大熵聚类对噪声敏感问题。本发明具有检测速度快、无损检测、能处理含噪声的光谱数据，茶叶品种分类准确率高等优点。
-
公开(公告)号：CN108491894B
公开(公告)日：2020-12-18
申请号：CN201810335781.8
申请日：2018-04-16
Applicant: 江苏大学
IPC: G06K9/62 , G01N21/3563
Abstract: 本发明公开了一种可能模糊鉴别C‑均值聚类的茶叶红外光谱的分类方法，用傅里叶红外光谱分析仪采集茶叶样本红外光谱数据；对茶叶样本红外光谱数据进行预处理；采用主成分分析方法对预处理后的茶叶样本红外光谱数据进行降维处理；采用线性鉴别分析提取茶叶训练样本的红外光谱的鉴别信息。对步骤4的训练样本进行可能模糊鉴别C‑均值聚类，得到的聚类中心；用一种可能模糊鉴别C‑均值聚类方法进行茶叶品种的判定。本发明融合了可能模糊C‑均值聚类和线性判别分析，具有检测速度快，分类速度快，分类准确率高等优点，可实现茶叶品种的正确分类。
-
公开(公告)号：CN111595803A
公开(公告)日：2020-08-28
申请号：CN202010386932.X
申请日：2020-05-09
IPC: G01N21/3563 , G01N21/359 , G06K9/62
Abstract: 本发明公开了一种指数距离测度模糊聚类的苹果近红外光谱分类方法，具体步骤如下：(1)应用Antaris II傅立叶变换近红外(FT-NIR)光谱仪的漫反射模式对多种苹果样本进行扫描，从而获取样本的近红外漫反射光谱数据；(2)运用主成分分析(PCA)对样本的近红外漫反射光谱数据进行降维处理；(3)利用一种指数距离测度模糊聚类方法对苹果品种进行鉴别。本发明采用基于模糊最大值可能性评估标准距离测度,从而能够更加准确地对多种形态、尺寸和密度的苹果近红外光谱数据进行聚类。本发明具有检测速度快，检测成本低，鉴别准确率高，所需样本较小等优点。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.021 seconds)
