-
公开(公告)号：CN114170486A
公开(公告)日：2022-03-11
申请号：CN202111291725.7
申请日：2022-02-14
Applicant: 电子科技大学成都学院
Abstract: 本发明公开了一种多特征自适应加权的SAR图像目标识别方法，采用主成分分析（PCA）、单演信号以及Zernike矩特征描述原始SAR图像，获得三个对应的特征矢量。基于联合稀疏表示模型对三类特征进行联合表征。针对不同特征条件下的重构误差矢量，采用自适应加权算法进行融合处理，即在线性融合的框架下自适应获得权值，达到良好决策融合效果。最终，根据融合后的误差对目标类别进行判定，大大提高了判定的准确性。
-
公开(公告)号：CN110084790B
公开(公告)日：2020-11-17
申请号：CN201910306790.9
申请日：2019-04-17
Applicant: 电子科技大学成都学院
Abstract: 本发明公开了用于影像学肺炎判别的仿生模式识别改进方法，包括健康X光片、病毒型肺炎X光片和细菌型肺炎X光片，将三类X光片图像归一化为同样大小的实验图像；将健康X光片图像归一化后的实验图像I输入卷积神经网络中提取图像特征向量，卷积神经网络包括卷积层、池化层和全连接层，所述图像特征向量的提取方法包括：步骤A：实验图像I与一个卷积核进行卷积，其结果经过激活函数后输出形成卷积层的特征图01；特征图01与下个卷积核进行卷积，其结果经过激活函数后输出形成卷积层的特征图02；特征图02作为输入图像进入池化层。
-
公开(公告)号：CN110147758A
公开(公告)日：2019-08-20
申请号：CN201910413598.X
申请日：2019-05-17
Applicant: 电子科技大学成都学院
Abstract: 本发明提供一种基于深度学习的森林防火方法，将烟雾和明火的图片数据输入到图片生成模型进行训练，图片生成模型训练成熟后再输入固定格式的编码即可生成大量目标图片数据，再将由图片生成模型的生成的目标图片数据进行标注，标注后的图片数据进行归一化处理，再将归一化处理后的目标图片数据输入到目标检测模型进行训练，目标检测模型训练成熟后待用；在森林陆地上设置铁塔，上空布置无人机，铁塔和无人机进行视频数据采集，将采集到的视频数据输入到训练成熟的目标检测模型，目标检测模型分析处理后输出发生火灾的概率值，当概率值大于监控中心设置的阈值时即触发报警器，本发明抗干扰能力强，检测精度高。
-
公开(公告)号：CN109993721A
公开(公告)日：2019-07-09
申请号：CN201910272644.9
申请日：2019-04-04
Applicant: 电子科技大学成都学院
Abstract: 本发明公开了一种基于聚类算法和蚁群算法的图像增强方法，属于图像处理领域，本发明首先对原始图像进行灰度化处理，并对处理后图像中的像素点进行特征化；再利用聚类对特征化后的像素点进行聚类得到区域蚂蚁，得到聚类后的区域蚂蚁；接着对聚类后的区域蚂蚁，采用蚁群算法进行边界搜索，得到边界灰度图像；最后将边界灰度图像与原始图像进行重合，得到增强后的图像，本发明不仅能提高蚁群的检索时间，还能有效的提高边界提取的精度。
-
公开(公告)号：CN113239839B
公开(公告)日：2022-03-11
申请号：CN202110566744.X
申请日：2021-05-24
Applicant: 电子科技大学成都学院
IPC: G06V40/16
Abstract: 本发明公开了一种基于DCA人脸特征融合的表情识别方法，首先对图片进行预处理，裁剪图片眼部和嘴部区域，增强图片细节，然后分别使用HOG算子和融合等价LBP算子与多尺度块LBP算子计算表情图像的目标轮廓特征向量和目标纹理特征向量；再分别使用成分分析算法(PCA)和判别相关分析算法(DCA)对特征向量进行降维处理和特征融合；最后使用偏二叉树双支持向量机多分类算法(PBT‑SVM)对融合后表情特征进行分类，得到表情结果。实验使用JAFFE人脸表情库进行验证，结果表明，改进算法较传统算法而言，DCA特征融合增强了不同分类数据相关性，最大程度拉开表情类差异。PBT‑SVM训练模型处理多分类问题，能有效降低训练时间，提升表情识别准确率。
-
Patent Agency Ranking
公开(公告)号：CN110232372B
公开(公告)日：2021-09-24
申请号：CN201910562766.1
申请日：2019-06-26
Applicant: 电子科技大学成都学院
Abstract: 本发明公开了一种基于粒子群优化BP神经网络的步态识别方法，该方法在建立BP神经网络模型后，采用粒子群算法优化BP神经网络模型的连接权值和阈值，使BP神经网络模型全局误差达到预设精度；然后，将行走目标的特征值矩阵输入至优化后的BP神经网络模型中进行训练，训练成功后，得到粒子群优化BP神经网络模型；最后，将待识别行走目标的特征值矩阵输入至粒子群优化BP神经网络模型中进行步态识别，输出相应的步态识别结果。因此，本发明通过粒子群算法对BP神经网络进行优化，不仅能够提高BP神经网络的收敛速度，还能够避免陷入局部最优的情况发生。
-
公开(公告)号：CN110084790A
公开(公告)日：2019-08-02
申请号：CN201910306790.9
申请日：2019-04-17
Applicant: 电子科技大学成都学院
Abstract: 本发明公开了仿生模式识别在影像学肺炎判别的算法改进，包括健康X光片、病毒型肺炎X光片和细菌型肺炎X光片，将三类X光片图像归一化为同样大小的实验图像；将健康X光片图像归一化后的实验图像I输入卷积神经网络中提取图像特征向量，卷积神经网络包括卷积层、池化层和全连接层，所述图像特征向量的提取方法包括：步骤A：实验图像I与一个卷积核进行卷积，其结果经过激活函数后输出形成卷积层的特征图01；特征图01与下个卷积核进行卷积，其结果经过激活函数后输出形成卷积层的特征图02；特征图02作为输入图像进入池化层。
-
公开(公告)号：CN112950488A
公开(公告)日：2021-06-11
申请号：CN202011644983.4
申请日：2020-12-31
Applicant: 电子科技大学成都学院
IPC: G06T5/00
Abstract: 本发明公开了基于多尺度细节优化的MSRCR图像去雾算法，属于图像去雾技术领域，包括以下步骤：通过MSRCR算法进行图像整体去雾，得到整体去雾的图像，在去雾过程的像素分类上使用KNN算法进行像素快速分类；通过双边滤波对整体去雾的图像进行处理，消除图像的噪声，保留边缘信息得到整体降噪去雾的RGB图像；对RGB图像使用MsDB进行细节优化得到细节优化的去雾图像；本发明首先利用MSRCR算法进行图像整体去雾，在该过程的像素分类上，使用KNN算法进行快速像素快速分类，然后使用双边滤波实现降噪的同时保留边缘信息边缘，最后使用多尺度细节优化算法对降噪后图片进行细节优化，以为图片检测提升检测精度。
-
公开(公告)号：CN110458373A
公开(公告)日：2019-11-15
申请号：CN201910780202.5
申请日：2019-08-22
Applicant: 电子科技大学成都学院
Abstract: 本发明涉及神经网络技术领域，目的是提供一种基于知识图谱融合的犯罪预测方法及系统，包括：信息获取单元，用于获取待测试对象的多维度信息并生成待测试对象的个体知识图谱画像；词料库，用于对待测试对象的个体知识图谱画像进行向量化，将多维度信息转变为多个标准词汇组成的文字信息，并将待测试对象的个体知识图谱画像转化为多个向量化矩阵；综合判决神经网络，根据词料库转化的多个向量化矩阵判决神经网络判断待测试对象是否有犯罪嫌疑。本发明具有能根据对象的多维信息预测对象的犯罪概率的优点。
-
公开(公告)号：CN110232372A
公开(公告)日：2019-09-13
申请号：CN201910562766.1
申请日：2019-06-26
Applicant: 电子科技大学成都学院
Abstract: 本发明公开了一种基于粒子群优化BP神经网络的步态识别方法，该方法在建立BP神经网络模型后，采用粒子群算法优化BP神经网络模型的连接权值和阈值，使BP神经网络模型全局误差达到预设精度；然后，将行走目标的特征值矩阵输入至优化后的BP神经网络模型中进行训练，训练成功后，得到粒子群优化BP神经网络模型；最后，将待识别行走目标的特征值矩阵输入至粒子群优化BP神经网络模型中进行步态识别，输出相应的步态识别结果。因此，本发明通过粒子群算法对BP神经网络进行优化，不仅能够提高BP神经网络的收敛速度，还能够避免陷入局部最优的情况发生。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.038 seconds)
