-
公开(公告)号：CN113673347A
公开(公告)日：2021-11-19
申请号：CN202110818889.4
申请日：2021-07-20
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于Wasserstein距离的表征相似对抗网络模型，先通过减小Wasserstein距离的方法最大程度的减小源域受试者和目的域受试者的边缘概率分布，再通过关联强化的方法减小条件概率分布，即加强类别的内在联系，包括步骤：采样、过滤噪音、映射、设置域混淆器的Wasserstein距离、设置域混淆器的梯度惩罚、采用关联强化的分类器、求源域到目的域特征表征的相似度、求目的域到源域特征表征的相似度、得到特征在源域目的域的往返概率、计算源域标签概率、采用交叉熵损失计算Lzw和Psts的损失、设定访问概率、设置目的域标签概率、采用交叉熵损失计算Lop和Pv的损失、设置分类器损失、设置源域预测分类损失、设置迭代次数N,当训练次数达到设定的迭代次数后停止。
-
Patent Agency Ranking
公开(公告)号：CN114587384A
公开(公告)日：2022-06-07
申请号：CN202111313783.5
申请日：2021-11-08
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种结合低秩表示与流形学习的运动想象脑电信号特征提取方法，包括以下步骤：S1:进行运动想象脑电信号采样，建立样本集；S2:将数据使用滤波器组共空间模式进行预处理，得到数据样本原始特征集，同时划分为训练样本原始特征集及测试样本原始特征集；S3:使用提出的特征提取方法进一步提取数据特征，并进行降维；S4:利用支持向量机对所提取的特征进行分类。利用低秩表示方法，将原始数据分干净部分和噪声部分，有效地去除了噪声，并且对噪声具有很强的鲁棒性；将低秩表示、判别投影和流形学习方法集成到统一模型中,既保留了原始样本的全局结构信息，又保留了原始样本的局部邻域关系，更大程度地获取了有效特征，提高了后续的分类精度。
-
公开(公告)号：CN112560937A
公开(公告)日：2021-03-26
申请号：CN202011459642.X
申请日：2020-12-11
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种利用静息态对齐的运动想象迁移学习的方法，包括以下步骤：S1、获取运动想象数据和静息态数据；S2、选择一名受试者的数据作为测试集，除该受试者以外的其他受试者的数据作为训练集；S3、使用EAR对齐方法对脑电信号进行对齐；S4、采用切空间投影的方法进行降维，将黎曼空间的协方差矩阵投影至欧式空间；S5、利用RATL对测试集数据进行分类。本发明设计了EAR对齐方法，并将结构风险、W‑BDA、拉普拉斯正则化结合在一起，组成了一个基于运动想象的二分类无监督分类器，相比于传统的算法速度更快，也更具有普适性。
-
公开(公告)号：CN113673347B
公开(公告)日：2025-01-17
申请号：CN202110818889.4
申请日：2021-07-20
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06F18/213 , G06F18/2415
Abstract: 本发明公开了一种基于Wasserstein距离的表征相似对抗网络生成方法，先通过减小Wasserstein距离的方法最大程度的减小源域受试者和目的域受试者的边缘概率分布，再通过关联强化的方法减小条件概率分布，即加强类别的内在联系，包括步骤：采样、过滤噪音、映射、设置域混淆器的Wasserstein距离、设置域混淆器的梯度惩罚、采用关联强化的分类器、求源域到目的域特征表征的相似度、求目的域到源域特征表征的相似度、得到特征在源域目的域的往返概率、计算源域标签概率、采用交叉熵损失计算Lzw和Psts的损失、设定访问概率、设置目的域标签概率、采用交叉熵损失计算Lop和Pv的损失、设置分类器损失、设置源域预测分类损失、设置迭代次数N,当训练次数达到设定的迭代次数后停止。
-
公开(公告)号：CN112560937B
公开(公告)日：2024-03-19
申请号：CN202011459642.X
申请日：2020-12-11
Applicant: 杭州电子科技大学
IPC: G06N3/096 , G06F18/2413 , G06F17/16 , G06N3/088
Abstract: 本发明公开了一种利用静息态对齐的运动想象迁移学习的方法，包括以下步骤：S1、获取运动想象数据和静息态数据；S2、选择一名受试者的数据作为测试集，除该受试者以外的其他受试者的数据作为训练集；S3、使用EAR对齐方法对脑电信号进行对齐；S4、采用切空间投影的方法进行降维，将黎曼空间的协方差矩阵投影至欧式空间；S5、利用RATL对测试集数据进行分类。本发明设计了EAR对齐方法，并将结构风险、W‑BDA、拉普拉斯正则化结合在一起，组成了一个基于运动想象的二分类无监督分类器，相比于传统的算法速度更快，也更具有普适性。
-
公开(公告)号：CN115270846A
公开(公告)日：2022-11-01
申请号：CN202210650586.0
申请日：2022-06-09
Applicant: 杭州电子科技大学
IPC: G06K9/00 , G06K9/62 , G06N20/00 , G06N3/04 , G06N3/08 , A61B5/16 , A61B5/369 , A61B5/374 , A61B5/00
Abstract: 本发明公开了一种多核多源域边缘概率分布自适应网络模型，用多核最大均值差异度量能让模型自动选择合适核函数，以提高模型性能，并且由于在神经网络中不同层的迁移能力不同，并且模型的后几层神经网络对迁移效果最好，在神经网络的最后三层都采用了多核最大均值差异度量的迁移方法，增加模型准确度。
-
-
-
-
-
Search Results
6
records
(took 0.027 seconds)
