-
公开(公告)号：CN105550697A
公开(公告)日：2016-05-04
申请号：CN201510891616.7
申请日：2015-12-07
Applicant: 河海大学
Inventor： 储荣
CPC classification number: G06K9/6227 , G06N3/08
Abstract: 本发明公开了一种基于MADALINE神经网络敏感性的特征选择方法及系统，以敏感性为基准，通过挑选敏感性大的特征，来寻找自身发生扰动时输出发生较大变化的特征，这些特征往往对训练分类器是重要的；具体为：使用已有的训练样本集训练MADALINE神经网络，得到经过训练的分类器；利用所述分类器计算各个特征分量的敏感性，并根据敏感性从大到小排序；根据需要从排序中取前若干个敏感性大的特征作为新特征集。本发明可以有效挑选出对分类器重要的样本特征，从而提高分类器的性能。
-
公开(公告)号：CN104504441A
公开(公告)日：2015-04-08
申请号：CN201410751428.X
申请日：2014-12-09
Applicant: 河海大学
Inventor： 储荣
Abstract: 本发明公开了一种基于敏感性的MADALINE神经网络构建方法及其装置，选取一个足够大的正整数m作为隐层神经元数，构建一个三层MADALINE神经网络，并给定初始网络参数；利用有标记的样本集训练神经网络直到代价函数收敛到某个给定的很小的阈值e，得到经过训练的分类器；计算隐层神经元的敏感性，并按照敏感性由小到大排序；去掉敏感性最小的隐层神经元，得到新结构的MADALINE神经网络；对新的MADALINE神经网络在原有参数的基础上再次使用有标记的样本集进行训练；取隐层神经元数最小且能收敛的MADALINE神经网络网络结构为最终的网络结构，其网络为最终输出的分类器。本发明可以有效提高神经网络构建效率，并提高MADALINE神经网络的性能。
-
公开(公告)号：CN103679267A
公开(公告)日：2014-03-26
申请号：CN201310654934.2
申请日：2013-12-05
Applicant: 河海大学
Inventor： 储荣
IPC: G06N3/02
Abstract: 本发明公开一种基于无标记样本的RBF神经网络构建方法及其装置，方法以RBF神经网络中隐层神经元的敏感性为基准，通过逐渐裁剪隐层神经元中敏感性低的神经元达到逐渐简化网络结构、提高分类器性能的目的。与传统方式相比，在计算RBF隐层神经元敏感性的过程中，本发明不但使用了有标记的样本，还大量使用了没有标记的样本，这样大大提高了敏感性计算精度。装置包括初始模块、训练模块、隐层神经元选择模块和输出模块，可以有效提高神经网络构建效率，并提高RBF神经网络的性能。
-
-
公开(公告)号：CN107909143A
公开(公告)日：2018-04-13
申请号：CN201711190174.9
申请日：2017-11-24
Applicant: 河海大学
Inventor： 储荣
CPC classification number: G06N3/04 , G06K9/6268 , G06N3/08
Abstract: 本发明公开了一种基于翻转概率的前向离散神经网络样本选择方法，属于智能科学与技术中的机器学习领域，该方法以翻转概率为基准，通过挑选翻转概率大的样本点，来寻找在其周围信息量丰富的样本点，这些样本点往往对训练分类器是重要的。本发明还公开了基于翻转概率的前向离散神经网络样本选择装置。本发明可以有效减少需要标记样本点的数量，减少标记的代价并提高分类器的性能。
-
Patent Agency Ranking
-
公开(公告)号：CN104504249A
公开(公告)日：2015-04-08
申请号：CN201410749481.6
申请日：2014-12-09
Applicant: 河海大学
Inventor： 储荣
IPC: G06F19/00
Abstract: 本发明公开了一种癌症患者寿命预测中高价值样本的选择方法及装置，首先使用已有的完整训练样本训练预测函数，得到经过训练的预测函数；然后将已知癌症患者作为样本点，计算这些样本点在预测函数下的局部复杂度，并根据局部复杂度从大到小排序；最后根据需要从排序中取出前若干个局部复杂度大的样本组成所需要的样本集。本发明能够在选取患者数量一定的情况下尽可能高地提高现有模型预测的准确性。
-
公开(公告)号：CN103679760A
公开(公告)日：2014-03-26
申请号：CN201310654449.5
申请日：2013-12-05
Applicant: 河海大学
Inventor： 储荣
Abstract: 本发明公开了一种基于Normalized cut的彩色图像分割方法，首先对图像处理得到初始分割区域，然后利用降维将初始分割区域信息重新构建成新的图像数据，最后再利用Normalized cut直接对所得区域进行聚类。同时针对Normalized cut的权值函数计算只考虑像素颜色信息这一特点，设计了新的考虑像素趋向性关系的权值函数。可以证明，本发明方法的分割效果良好且时间复杂度相对于Normalized cut大大降低。
-
公开(公告)号：CN103679717A
公开(公告)日：2014-03-26
申请号：CN201310654583.5
申请日：2013-12-05
Applicant: 河海大学
Inventor： 储荣
IPC: G06T7/00
Abstract: 本发明公开一种基于马尔科夫随机场的图像分割方法。本发明在MRF模型的基础上引入了对退火系数的确定的一种新方法。参数的选取对图像分割的效果会产生很大的影响，对势函数的耦合系数β和模拟退火迭代系数α的估计一直是MRF分割算法的难点。一般算法采取α和β都是固定值的方法，但是分割效果不太理想。在本文中，采取的是固定β为常数，参数α动态变化。改进参数后，在计算速度和图像分割精度上有较大的提高。
-
公开(公告)号：CN102968663A
公开(公告)日：2013-03-13
申请号：CN201210500860.2
申请日：2012-11-29
Applicant: 河海大学
IPC: G06N3/02
Abstract: 本发明公开了一种基于无标记样本的神经网络构建方法，属于智能科学与技术中的机器学习领域。该方法以神经网络中隐层神经元的敏感性为基准，通过逐渐裁剪隐层神经元中敏感性低的神经元达到逐渐简化网络结构、提高分类器性能的目的。与传统方式相比，在计算隐层神经元敏感性的过程中，本发明不但使用了有标记的样本，还大量使用了没有标记的样本，这样大大提高了敏感性计算精度。本发明还公开了基于无标记的神经网络构建装置。本发明可以有效提高神经网络构建效率，并提高神经网络的性能。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.018 seconds)
