基于自适应超图算法的拉曼光谱物质自动识别方法

    公开(公告)号:CN107679569A

    公开(公告)日:2018-02-09

    申请号:CN201710886431.6

    申请日:2017-09-27

    Applicant: 厦门大学

    CPC classification number: G06K9/6269 G06K9/6256

    Abstract: 基于自适应超图算法的拉曼光谱物质自动识别方法,涉及拉曼光谱。谱图预处理;谱图特征提取;物质分类识别。自动完成“谱图预处理→谱图特征提取→物质分类识别”的拉曼光谱分析完整过程,实现对物质自动识别。自适应的预处理和特征提取算法在大程度上自动地消除了体系和仪器对于物质识别的影响。特别是首次使用自动插值算法,对SERS样本进行数据统一规整,较好的解决采样频率对特征提取的影响,自动实现“跨仪器”SERS样本的物质识别分类,批量处理分析。自适应超图的分类算法通用性强,适用于复杂体系下的物质自动识别;无需根据体系或物质对算法参数进行调整。采用自适应超图的分类算法,无需根据体系或物质对参数进行调整。

    用于机器学习物质识别算法的通用拉曼光谱特征提取方法

    公开(公告)号:CN107818298B

    公开(公告)日:2021-03-09

    申请号:CN201710886434.X

    申请日:2017-09-27

    Applicant: 厦门大学

    Abstract: 用于机器学习物质识别算法的通用拉曼光谱特征提取方法,涉及拉曼光谱。谱图自动预处理;获取谱图的特征向量。可以对任意指定范围的拉曼光谱进行特征提取,所提取的特征向量适用于多种机器学习算法,通用性强,不受目标物质或测试体系的限制;可以自动去除噪声和荧光背景的干扰,同时保留峰值信号的位置和强度等信息;可以有效识别包含各种目标物质的光谱;可以准确提取空白光谱特征,有效识别和准确区分阴性和阳性样品,更好的满足物质检测的实际需求;提取方法不涉及复杂计算,而且对存储空间需求不大,因此时间和空间复杂度低,便于运用于光谱数据的批量处理和分析。

    基于GPU的交替霍夫森林实时目标跟踪方法

    公开(公告)号:CN105184220B

    公开(公告)日:2018-06-29

    申请号:CN201510469274.X

    申请日:2015-08-04

    Applicant: 厦门大学

    Abstract: 基于GPU的交替霍夫森林实时目标跟踪方法。1)依据待测试的视频序列,提取训练样本集;2)设定交替霍夫森林中随机树数量和森林最大深度;3)对训练样本赋予不同权值;4)初始化每棵随机树的根节点;5)构建交替霍夫森林;6)在节点分裂时采用分裂策略;7)将交替霍夫森林拷入GPU的纹理内存中;8)手工确定视频中第一帧图像的目标区域和中心,并设定搜索半径;9)在GPU中利用构建好的交替霍夫森林对后续帧进行检测,得到关于目标中心位置的置信图;10)将置信图拷入CPU内存中;11)利用置信图并结合上一帧图像的目标区域和中心确定当前帧中目标的位置;12)重复步骤9和10,直到完成对视频序列中所有帧的目标跟踪。

    用于机器学习物质识别算法的通用拉曼光谱特征提取方法

    公开(公告)号:CN107818298A

    公开(公告)日:2018-03-20

    申请号:CN201710886434.X

    申请日:2017-09-27

    Applicant: 厦门大学

    Abstract: 用于机器学习物质识别算法的通用拉曼光谱特征提取方法,涉及拉曼光谱。谱图自动预处理;获取谱图的特征向量。可以对任意指定范围的拉曼光谱进行特征提取,所提取的特征向量适用于多种机器学习算法,通用性强,不受目标物质或测试体系的限制;可以自动去除噪声和荧光背景的干扰,同时保留峰值信号的位置和强度等信息;可以有效识别包含各种目标物质的光谱;可以准确提取空白光谱特征,有效识别和准确区分阴性和阳性样品,更好的满足物质检测的实际需求;提取方法不涉及复杂计算,而且对存储空间需求不大,因此时间和空间复杂度低,便于运用于光谱数据的批量处理和分析。

    基于GPU的交替霍夫森林实时目标跟踪方法

    公开(公告)号:CN105184220A

    公开(公告)日:2015-12-23

    申请号:CN201510469274.X

    申请日:2015-08-04

    Applicant: 厦门大学

    Abstract: 基于GPU的交替霍夫森林实时目标跟踪方法。1)依据待测试的视频序列,提取训练样本集;2)设定交替霍夫森林中随机树数量和森林最大深度;3)对训练样本赋予不同权值;4)初始化每棵随机树的根节点;5)构建交替霍夫森林;6)在节点分裂时采用分裂策略;7)将交替霍夫森林拷入GPU的纹理内存中;8)手工确定视频中第一帧图像的目标区域和中心,并设定搜索半径;9)在GPU中利用构建好的交替霍夫森林对后续帧进行检测,得到关于目标中心位置的置信图;10)将置信图拷入CPU内存中;11)利用置信图并结合上一帧图像的目标区域和中心确定当前帧中目标的位置;12)重复步骤9和10,直到完成对视频序列中所有帧的目标跟踪。

Patent Agency Ranking