-
公开(公告)号：CN106845358A
公开(公告)日：2017-06-13
申请号：CN201611217910.0
申请日：2016-12-26
Applicant: 苏州大学
CPC classification number: G06K9/00409 , G06K9/00422 , G06K9/6276 , G06K2209/01
Abstract: 本发明公开了手写体字符图像特征识别的方法及系统，在特征学习方面，目标在于紧凑局部软标签类内散度并分离局部软标签类间散度，同时在所有训练数据上进行局部保持特征提取；为了在特征提取和展示方面对于噪声鲁棒，对于噪声鲁棒的1‑范数规则被用于构造样本间的相似度，使得在识别中图像展示的能力可得到显著提升；基于比例的模型可通过一个迭代的方法得到描述矩阵，该描述矩阵具有判别性与局部保持的特点且具有正交特性；样本外图像的归纳通过将测试样本向描述矩阵进行投影，进而将提取的特征输入最近邻分类器进行归类，取对应欧式距离最小值的位置，用于测试图像的类别鉴定，得到最准确的识别结果。
-
公开(公告)号：CN106529604A
公开(公告)日：2017-03-22
申请号：CN201611059009.5
申请日：2016-11-24
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种自适应的图像标签鲁棒预测方法及系统，为了提高对未知类别标签的待测样本标签的预测，提出将稀疏编码和标签传播集成到一个统一的框架中，实现稀疏重构误差和分类误差联合执行同时达到最小化，这完全区别于传统的标签传播方法将图构造与标签传播分为相互独立的两个步骤；因采用迭代的优化方案计算稀疏编码和软标签矩阵，在每一次迭代中，稀疏编码被作为预测模块的自适应权重用于标签传播，因此避免了在传统图构建的复杂过程中最优近邻及其最优近邻数量的选择难问题；此外，为了增强稀疏性，提出将稀疏编码稀疏和重构误差同时施加L2,1范数正则化约束，通过引入L2,1范数正则化技术，有效提升了系统的预测准确度和鲁棒性。
-
公开(公告)号：CN103310205B
公开(公告)日：2017-03-01
申请号：CN201310272564.6
申请日：2013-07-01
Applicant: 苏州大学
IPC: G06K9/00
Abstract: 本申请公开了一种手写体数字识别方法及装置，所述方法包括分别将第一空间中的训练样本集合和手写体数字的待测样本映射至第二空间中；其中，所述训练样本集合包括至少两个训练样本，每个所述训练样本分别具有一个数字类别标识，所述训练样本集合中的训练样本包含至少两种数字类别；依据所述第二空间中的训练样本集合，确定测度变换矩阵；利用所述测度变换矩阵，分别获取所述待测样本与每个所述训练样本之间的距离值；依据每个所述距离值及其各自对应的数字类别标识，确定所述待测样本的数字类别。
-
公开(公告)号：CN103793704B
公开(公告)日：2017-01-25
申请号：CN201410087724.4
申请日：2014-03-11
Applicant: 苏州大学
Abstract: 本申请公开了一种监督邻域保持嵌入人脸识别方法和系统及人脸识别器，所述方法包括：对训练样本集进行初始降维，获得一次降维训练样本集和一次降维训练样本矩阵；采用类别散度矩阵对一次降维训练样本集中的每个训练点的类别信息进行标记；采用二次投影矩阵对一次降维训练样本矩阵进行二次降维，得到二次降维训练样本矩阵，和二次降维训练样本集；建立测试样本，对所述测试验本进行两次降维，得到二次降维测试样本；提取与所述二次降维测试样本距离最近的二次降维训练样本，并把所述二次降维训练样本的类别标签赋予所述二次降维测试样本。相对于现有技术的降维方法，采用本申请提供的人脸识别方法，可以实现有监督学习，并且(56)对比文件Wei Zhang et al.“.Discriminantneighborhood embedding forclassification”《.Pattern Recognition》.2006,第39卷(第11期),第2240-2243页.Wei Zhang et al.“.Discriminantneighborhood embedding forclassification”《.Pattern Recognition》.2006,第39卷(第11期),第2240-2243页.
-
公开(公告)号：CN106295712A
公开(公告)日：2017-01-04
申请号：CN201610693517.2
申请日：2016-08-19
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/6269 , G06K9/6256
Abstract: 本发明公开了检测一种故障检测方法和系统，对预先收集的工业过程中的正常训练数据进行标准化预处理，并计算经过标准化预处理后的正常训练数据的相对密度；根据经过标准化预处理后的正常训练数据和相对密度建立训练样本数据集；为训练样本数据集建立密度诱导支持向量数据描述模型，对密度诱导支持向量数据描述模型的参数T进行定值处理，令参数T为相对密度的平均值，并利用密度诱导支持向量数据描述模型检测在工业过程中收集的测试数据是否为故障数据。本方案对密度诱导支持向量数据描述模型的参数T提供了定值，令参数T为相对密度的平均值，从而可以提高基于密度诱导支持向量数据描述的故障检测方法的稳定性，保证高效的故障检测性能。
-
Patent Agency Ranking
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。
-
-
-
-
-
-
-
-
-
Search Results
363
records
(took 0.085 seconds)
