-
公开(公告)号：CN108847285B
公开(公告)日：2021-05-28
申请号：CN201810436034.3
申请日：2018-05-09
Applicant: 吉林大学
Abstract: 本发明涉及一种基于机器学习的孕前期及孕中期唐氏综合征筛查方法，该方法包括如下步骤：选择孕妇中孕期唐氏筛查结果数据中的ns个字段作为训练特征；将Ns条样本加入数据集A；对数据集A内的样本进行预处理，使少数类集合与多数类集合中的样本数目达到均衡，获得合成数据集；将合成数据集中的样本进行处理获得胎儿是否患有唐氏综合征的预测模型，利用预测模型对测试样本进行预测得到预测结果。本发明避免了人为划分指标阈值的过程，减轻了人力资源，能够取得较高的准确率和较低的假阳性率。
-
公开(公告)号：CN109800811A
公开(公告)日：2019-05-24
申请号：CN201910065984.4
申请日：2019-01-24
Applicant: 吉林大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于深度学习的小样本图像识别方法，该方法包括下述步骤：一、划分训练集；二、生成噪声图像；三、预训练原型空间判别网络；四、训练欺骗图像生成网络；五、训练原型空间判别网络；六、重复步骤四和步骤五进行交叉迭代训练，直到达到预先设定的迭代次数或准确率不再提升；七、图像类别识别。本发明在不改变已经训练好的模型的前提下，借助每类少数几个标注样本，通过泛化这些罕见的类别，识别训练过程中有从未见过的新类，而不需要额外的训练，图像识别准确率高。
-
公开(公告)号：CN108877949A
公开(公告)日：2018-11-23
申请号：CN201810592920.5
申请日：2018-06-11
Applicant: 吉林大学
Abstract: 本发明涉及一种基于孤立森林算法和投票机制的唐氏综合症筛查方法，该方法包括下述步骤：数据预处理：将多条样本加入数据集；划分数据集，得到A训练集和B训练集，进一步交叉划分A训练集，得到多个训练子集：训练得到多个孤立森林模型及其对应的异常度得分阈值；对B训练集中的样本投票得到每个样本的所得票数：获得预判决阈值以及B训练集中的每条样本的预判决结果；使用训练支持向量机SVM模型进行最终判决。本发明能够提高异常的检出率，降低误诊率。
-
公开(公告)号：CN108597603A
公开(公告)日：2018-09-28
申请号：CN201810416949.8
申请日：2018-05-04
Applicant: 吉林大学
Abstract: 本发明涉及一种基于多维高斯分布贝叶斯分类的癌症复发预测系统，该系统的包括预处理模块、训练模块和贝叶斯分类器；预处理模块对训练集进行数据清洗并生成类向量数据集；训练模块首先计算两个类属性先验概率，然后利用pearson相关系数将数据属性分成与类属性关联度紧密的类数据属性集合和与类属性关联度稀疏的II类数据属性集合，两类数据属性集合分别利用多维高斯分布和一维高斯分布来计算相应的概率；贝叶斯分类器将两者概率及类别的先验概率联合共同作为数据属于每个类的概率，并据此判别癌症的分类测试结果。本发明提高了癌症是否复发的预测准确率。
-
公开(公告)号：CN106878310A
公开(公告)日：2017-06-20
申请号：CN201710095399.X
申请日：2017-02-22
Applicant: 吉林大学
IPC: H04L29/06
Abstract: 本发明涉及网络通信技术领域，涉及命名数据网络下的一种实时流数据分发的方法；解决实时流数据分发不高效及用户与流数据源缺少交互问题；包括实时流数据分发机制和用户与流数据源服务器之间交互机制；实时流数据分发机制包括实时流数据分发链路建立过程和实时流数据分发链路断开过程；用户与流数据源服务器之间交互机制通过流数据源服务器沿实时流数据分发链路分发特定数据包实现，所有收到特定数据包的路由节点构建反向PIT条目以建立用户到流数据源服务器的反向通信链路，用户沿建立的反向通信链路发送用户产生的用户数据包；本发明能够实现高效的实时流数据分发,并增加用户与流数据源的交互性保证。
-
Patent Agency Ranking
公开(公告)号：CN109800811B
公开(公告)日：2022-09-06
申请号：CN201910065984.4
申请日：2019-01-24
Applicant: 吉林大学
IPC: G06V10/764 , G06V10/774 , G06V10/82
Abstract: 本发明涉及一种基于深度学习的小样本图像识别方法，该方法包括下述步骤：一、划分训练集；二、生成噪声图像；三、预训练原型空间判别网络；四、训练欺骗图像生成网络；五、训练原型空间判别网络；六、重复步骤四和步骤五进行交叉迭代训练，直到达到预先设定的迭代次数或准确率不再提升；七、图像类别识别。本发明在不改变已经训练好的模型的前提下，借助每类少数几个标注样本，通过泛化这些罕见的类别，识别训练过程中有从未见过的新类，而不需要额外的训练，图像识别准确率高。
-
公开(公告)号：CN105786610B
公开(公告)日：2019-03-22
申请号：CN201610213792.X
申请日：2016-04-07
Applicant: 吉林大学
IPC: G06F9/48
Abstract: 本发明公开了计算密集型任务向云服务器中卸载的方法,克服了移动云计算中任务卸载机制不高效的问题，步骤：1.以任务图表示计算密集型任务中任务执行的先后顺序及任务间的关系。2.一般形式的任务图中任务的卸载决策：在一般形式的任务图中计算将第一个任务卸载到云服务器中执行较在智能手机上执行的节约时间；将第二个任务和第二个任务后面的每一个任务按照顺序采用依次求出每个任务节约最大时间的方法，选取使得计算密集型任务执行的总时间最短的最优方案；确定最佳的卸载队列卸载起始点和卸载结束点。3.复合型任务的卸载决策：1)确定大计算量任务；2)确定大计算量任务集合；3)对大计算量集合的前序任务的判断。4.最终的卸载决策。
-
公开(公告)号：CN105786610A
公开(公告)日：2016-07-20
申请号：CN201610213792.X
申请日：2016-04-07
Applicant: 吉林大学
IPC: G06F9/48
CPC classification number: G06F9/4881
Abstract: 本发明公开了计算密集型任务向云服务器中卸载的方法,克服了移动云计算中任务卸载机制不高效的问题，步骤：1.以任务图表示计算密集型任务中任务执行的先后顺序及任务间的关系。2.一般形式的任务图中任务的卸载决策：在一般形式的任务图中计算将第一个任务卸载到云服务器中执行较在智能手机上执行的节约时间；将第二个任务和第二个任务后面的每一个任务按照顺序采用依次求出每个任务节约最大时间的方法，选取使得计算密集型任务执行的总时间最短的最优方案；确定最佳的卸载队列卸载起始点和卸载结束点。3.复合型任务的卸载决策：1)确定大计算量任务；2)确定大计算量任务集合；3)对大计算量集合的前序任务的判断。4.最终的卸载决策。
-
公开(公告)号：CN108877949B
公开(公告)日：2021-04-27
申请号：CN201810592920.5
申请日：2018-06-11
Applicant: 吉林大学
Abstract: 本发明涉及一种基于孤立森林算法和投票机制的唐氏综合症筛查方法，该方法包括下述步骤：数据预处理：将多条样本加入数据集；划分数据集，得到A训练集和B训练集，进一步交叉划分A训练集，得到多个训练子集：训练得到多个孤立森林模型及其对应的异常度得分阈值；对B训练集中的样本投票得到每个样本的所得票数：获得预判决阈值以及B训练集中的每条样本的预判决结果；使用训练支持向量机SVM模型进行最终判决。本发明能够提高异常的检出率，降低误诊率。
-
公开(公告)号：CN108597603B
公开(公告)日：2021-04-20
申请号：CN201810416949.8
申请日：2018-05-04
Applicant: 吉林大学
Abstract: 本发明涉及一种基于多维高斯分布贝叶斯分类的癌症复发预测系统，该系统的包括预处理模块、训练模块和贝叶斯分类器；预处理模块对训练集进行数据清洗并生成类向量数据集；训练模块首先计算两个类属性先验概率，然后利用pearson相关系数将数据属性分成与类属性关联度紧密的类数据属性集合和与类属性关联度稀疏的II类数据属性集合，两类数据属性集合分别利用多维高斯分布和一维高斯分布来计算相应的概率；贝叶斯分类器将两者概率及类别的先验概率联合共同作为数据属于每个类的概率，并据此判别癌症的分类测试结果。本发明提高了癌症是否复发的预测准确率。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.023 seconds)
