-
公开(公告)号：CN108629768B
公开(公告)日：2022-01-21
申请号：CN201810405691.1
申请日：2018-04-29
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明的食管病理图像中上皮组织的分割方法，包括：a).染色校正及灰度处理；b).选取训练、测试样本；c).图像分割和标注；d).构建卷积神经网络模型；e).测试图像的处理；f).获取预热图像；g).预测热图的处理；h).计算精确度和召回率。本专利提出的上皮分割方法，是在像素级别上的分类，特别对上皮边界区域的分割，在分割精度上具有明显优势，且本方法自动学习到有效的特征和表达，避免了复杂的手工特征选取过程，可以满足实际应用需求。在从不同的医院使用不同的扫描仪获得的图像都可以较高精度地分割出上皮组织，是构建食道癌的计算机辅助诊断中图像处理不可或缺的一步。
-
公开(公告)号：CN107247954A
公开(公告)日：2017-10-13
申请号：CN201710461311.1
申请日：2017-06-16
Applicant: 山东省计算中心(国家超级计算济南中心)
CPC classification number: G06K9/6218 , G06K9/46 , G06N3/08
Abstract: 本发明公开一种基于深度神经网络的图像离群点检测方法，该方法采用深度神经网络提取图像特征，基于扩展熵的信息损失量度量图像之间的距离，在此基础上，提出基于聚类的图像异常检测方法，不合格图像检测方法的有效性通过实例分析得以验证，并提高不合格图像检测的效率。
-
公开(公告)号：CN105183813A
公开(公告)日：2015-12-23
申请号：CN201510532920.2
申请日：2015-08-26
Applicant: 山东省计算中心(国家超级计算济南中心)
CPC classification number: G06F17/30705 , G06K9/6215 , G06K9/6269
Abstract: 本发明的基于互信息的用于文档分类的并行特征选择方法，包括a).选取样本并分类；b).求解词的TF-IDF值；c).生成初始化数据集合D＝{x1,x2,…,xN}；d).分布式计算，将所有子数据集平均分布到m个计算节点上；e).建立集合，S＝Φ，V＝{X1,X2,…,XM}；f).计算联合、条件概率分布；g).计算互信息；h).选取特征变量；i).判断数量是否已够；j).文本分类。本发明的文档分类的并行特征选择方法，基于瑞利熵的互信息被用来度量特征变量与类变量之间的相关性，使得最终选取的特征变量更能代表文档分类的特征，分类效果更准确，分类结果要好于目前常用特征选择方法得到的结果，有益效果显著，适于推广应用。
-
Patent Agency Ranking
公开(公告)号：CN105183813B
公开(公告)日：2017-03-15
申请号：CN201510532920.2
申请日：2015-08-26
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东亿云信息技术有限公司
Abstract: 本发明的基于互信息的用于文档分类的并行特征选择方法，包括a).选取样本并分类；b).求解词的TF-IDF值；c).生成初始化数据集合D＝{x1,x2,...,xN}；d).分布式计算，将所有子数据集平均分布到m个计算节点上；e).建立集合，S＝Φ，V＝{X1,X2,...,XM}；f).计算联合、条件概率分布；g).计算互信息；h).选取特征变量；i).判断数量是否已够；j).文本分类。本发明的文档分类的并行特征选择方法，基于瑞利熵的互信息被用来度量特征变量与类变量之间的相关性，使得最终选取的特征变量的更能代表文档分类的特征，分类效果更准确，分类结果要好于目前常用特征选择方法得到的结果，有益效果显著，适于推广应用。
-
公开(公告)号：CN108629768A
公开(公告)日：2018-10-09
申请号：CN201810405691.1
申请日：2018-04-29
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明的食管病理图像中上皮组织的分割方法，包括：a).染色校正及灰度处理；b).选取训练、测试样本；c).图像分割和标注；d).构建卷积神经网络模型；e).测试图像的处理；f).获取预热图像；g).预测热图的处理；h).计算精确度和召回率。本发明提出的上皮分割方法，是在像素级别上的分类，特别对上皮边界区域的分割，在分割精度上具有明显优势，且本方法自动学习到有效的特征和表达，避免了复杂的手工特征选取过程，可以满足实际应用需求。在从不同的医院使用不同的扫描仪获得的图像都可以较高精度地分割出上皮组织，是构建食道癌的计算机辅助诊断中图像处理不可或缺的一步。
-
公开(公告)号：CN107368587A
公开(公告)日：2017-11-21
申请号：CN201710606624.1
申请日：2017-07-24
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明公开一种基于扩展熵的无监督特征的选择方法及系统，所述选择方法包括根据原始备选特征集中的任意备选特征变量与剩余备选特征变量之间的相关度选择第一个特征变量添加到已选特征集中，从原始备选特征集中剔除第一个特征变量；根据当前备选特征集中的任意备选特征变量与剩余备选特征变量之间的相关度，与已选特征集之间的冗余信息程度，确定当前特征变量以及相关度变化参数；将当前备选特征变量添加到已选特征集中；判断相关度变化参数是否小于设定阈值，如果是则选择结束；否则，将从当前备选特征集中剔除当前特征变量，继续选择下一个特征变量。本发明可处理连续的特征变量，以提高选择的特征变量组合的信息量。
-
公开(公告)号：CN108536794A
公开(公告)日：2018-09-14
申请号：CN201810281245.4
申请日：2018-04-02
Applicant: 山东省计算中心(国家超级计算济南中心) , 山东省公安厅
IPC: G06F17/30
Abstract: 本发明的符合泊松分布的有序多分类变量的数据规格化方法，设数据样本的属性A符合泊松分布，属性A的m个类别经自然编码后的原始值分别为v1、v2、…、vm，vi、vj∈Z且vi≠vj，1≤i≤m,1≤j≤m，样本中属性A的总数量记为N，属性A中类别k下的数量记为nk；有序多分类变量的属性A规格化后的数据值v′k通过公式(1)进行求取：其中，1≤k≤m， 为属性A中m个类别原始值的均值，其通过如下公式进行求取。本发明的数据规格化方法，使得处理后的变量可应用在如神经网络、最近邻分类、聚类等基于对象距离的挖掘算法中，有益效果显著，适于应用推广。
-
公开(公告)号：CN103793438B
公开(公告)日：2017-07-14
申请号：CN201210434240.3
申请日：2012-11-05
Applicant: 山东省计算中心(国家超级计算济南中心)
Inventor： 孙占全
IPC: G06F17/30
Abstract: 本发明基于MapReduce的并行聚类方法，主要是针对大规模数据集的聚类问题，该方法以信息损失量度量样本之间的相关性，可以体现样本之间复杂的相关性，并且提供了一个客观的聚类数确定准则，通过数据并行，大大提高了聚类速度。该聚类方法可以广泛应用于医学、药学、智能交通、模式识别等领域的聚类问题。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.028 seconds)
