基于Fisher得分的Q学习辅助数据分析方法及系统

    公开(公告)号:CN112215290B

    公开(公告)日:2024-04-09

    申请号:CN202011110501.7

    申请日:2020-10-16

    Applicant: 苏州大学

    Abstract: 本发明涉及一种基于Fisher得分的Q学习辅助数据分析方法及系统,包括:将待处理数据输入训练样本中,初始化Q值表;从所述训练样本中任意选择多个数据组成本轮迭代的片段,计算所述片段中每个特征类内距离和类间距离,初始化本轮训练特征子集,获得本轮学习率和更新概率;根据Q值表选择当前状态下的动作,更新Q值表及本轮子集状态;判断本轮子集是否已满,若未满,则返回上一步,若已满,则继续判断是否满足迭代次数,若未满,则返回第二步,若已满,进入下一步;根据Q值表获得当前排序,返回目标子集。本发明不但提升速度快、更加稳定,且具有更好的泛化性能,时间复杂度较低。

    基于稀疏且鲁棒FisherSVM的声纳信号判别系统及方法

    公开(公告)号:CN111950609A

    公开(公告)日:2020-11-17

    申请号:CN202010745115.9

    申请日:2020-07-29

    Applicant: 苏州大学

    Abstract: 本发明涉及一种基于稀疏且鲁棒FisherSVM的声纳信号判别系统及方法,包括:数据预处理模块,用于统计收集海洋声纳探测的相关资料,作为训练集,对所述训练集中的数据进行归一化;数据训练模块,用于根据归一化处理后的数据对模型进行训练形成训练模型,所述训练模型包括判别函数其中α=[α1,…,αl]T为判别函数的权重向量,b为判别函数的偏差;数据预测模块,用于将待预测的声纳信号数据进行归一化处理后输入至所述训练模型中,对被探测物体返回的声纳信号进行预测。本发明提高了对声纳信号分类的效率和准确率。

    基于Ghost卷积特征融合神经网络实时车流量检测系统及方法

    公开(公告)号:CN111640101A

    公开(公告)日:2020-09-08

    申请号:CN202010475998.6

    申请日:2020-05-29

    Applicant: 苏州大学

    Abstract: 本发明涉及一种基于Ghost卷积特征融合神经网络实时车流量检测系统及方法,包括:数据预处理模块,用于从拍摄的视频中进行抽帧,得到第一训练集,对所述第一训练集中的目标图像进行标记形成第二训练集,再利用高斯滤波器生成目标图像的密度图,形成第三训练集;网络训练模块,通过所述第三训练集对网络进行训练得到网络模型,其中所述网络包括多个Ghost卷积层;目标信息预测模块,从拍摄的视频中进行抽帧,作为测试图像,将所述测试图像输入至所述网络模型中进行预测,得到测试图像的目标信息。本发明误差小,有利于获得良好的性能。

    一种图像超分辨率重构方法、装置、设备及可读存储介质

    公开(公告)号:CN111553861B

    公开(公告)日:2023-11-24

    申请号:CN202010357485.5

    申请日:2020-04-29

    Applicant: 苏州大学

    Abstract: 本发明公开了一种图像超分辨率重构方法,该方法包括以下步骤:接收待超分辨率重构图像;利用卷积网络提取待超分辨率重构图像的特征信息;利用各多尺度密集网络对特征信息进行特征优化,并计算目标分辨率;其中,各多尺度密集网络为通过预设损失函数进行训练得到的网络;利用重构网络将待超分辨率重构图像重构为分辨率大小为目标分辨率的目标图像;其中,重构网络包括顺次连接的第一卷积子网络、子像素网络、第二卷积子网络。应用本发明实施例所提供的技术方案,较大地降低了成本,降低了对存储空间的消耗。本发明还公开了一种图像超分辨率重构装置、设备及存储介质,具有相应技术效果。

    一种图像超分辨率重构方法、装置、设备及可读存储介质

    公开(公告)号:CN111553861A

    公开(公告)日:2020-08-18

    申请号:CN202010357485.5

    申请日:2020-04-29

    Applicant: 苏州大学

    Abstract: 本发明公开了一种图像超分辨率重构方法,该方法包括以下步骤:接收待超分辨率重构图像;利用卷积网络提取待超分辨率重构图像的特征信息;利用各多尺度密集网络对特征信息进行特征优化,并计算目标分辨率;其中,各多尺度密集网络为通过预设损失函数进行训练得到的网络;利用重构网络将待超分辨率重构图像重构为分辨率大小为目标分辨率的目标图像;其中,重构网络包括顺次连接的第一卷积子网络、子像素网络、第二卷积子网络。应用本发明实施例所提供的技术方案,较大地降低了成本,降低了对存储空间的消耗。本发明还公开了一种图像超分辨率重构装置、设备及存储介质,具有相应技术效果。

    基于半监督学习的成对向量投影数据分类方法及系统

    公开(公告)号:CN111507387A

    公开(公告)日:2020-08-07

    申请号:CN202010274957.0

    申请日:2020-04-09

    Applicant: 苏州大学

    Abstract: 本发明涉及一种基于半监督学习的成对向量投影数据分类方法及系统,包括:根据两类训练数据构建邻接图,求解拉普拉斯矩阵,将所述拉普拉斯矩阵代入拉普拉斯流形正则项中;分别计算正类拉普拉斯流形正则项和负类拉普拉斯流形正则项、正类数据的类内散度矩阵和负类数据的类内散度矩阵、以及正类类间散度矩阵和负类类间散度矩阵;根据上述数据得到最优问题,并求解得到两个最优的投影向量;将无标签数据通过核函数投影到高维空间,将两个最优的投影向量投影到两个不同的子空间,分别计算两个最优的投影向量到各子空间中心的距离,得到无标签数据的标签。本发明有利于提高分类精度。

    一种基于半监督递归特征保留的故障诊断方法

    公开(公告)号:CN111290369A

    公开(公告)日:2020-06-16

    申请号:CN202010112814.X

    申请日:2020-02-24

    Applicant: 苏州大学

    Abstract: 本申请公开了一种基于半监督递归特征保留的故障诊断方法,在半监督学习的过程中,计算特征对于分类的判别能力以及对数据局部结构的保持能力,并以这两项能力为准则递归地筛选具备代表意义的特征,直至筛选得到的特征数量符合要求,得到最优特征集合。最终,根据最优特征集合提取待测数据的特征信息,将特征信息作为输入信息输入分类器,以实现故障诊断,从而减少不相关特征对故障诊断的影响,提升故障诊断效率。此外,本申请还提供了一种基于半监督递归特征保留的故障诊断装置、设备及可读存储介质,其技术效果与上述方法的技术效果相对应。

    一种故障诊断方法、装置、设备、介质

    公开(公告)号:CN111275135A

    公开(公告)日:2020-06-12

    申请号:CN202010125156.8

    申请日:2020-02-27

    Applicant: 苏州大学

    Abstract: 本申请公开了一种故障诊断方法、装置、设备、介质,该方法包括:获取待测样本;对所述待测样本进行预处理,得到目标待测样本;利用k近邻分类算法和预先得到的目标参考集对所述目标待测样本进行分类,以便确定所述目标待测样本是否是故障数据。由此可见,本申请在获取到待测样本之后,先对待测样本进行相应的预处理,得到目标待测样本,然后利用k近邻分类算法和预先得到的目标参考集对所述目标待测样本进行分类,根据分类结果确定所述目标待测样本是否是故障数据。这样能够利用预先得到的参考集对待检测数据进行分类,从而确定出待检测数据是否是故障数据,提高故障诊断的效率以及检测率。

    基于子空间信任融合的推荐方法及系统

    公开(公告)号:CN115168692A

    公开(公告)日:2022-10-11

    申请号:CN202110357727.5

    申请日:2021-04-01

    Applicant: 苏州大学

    Abstract: 本发明涉及一种基于子空间信任融合的推荐方法及系统,包括以下步骤:获得用户集合和物品集合,基于用户对物品的评分引入用户评分矩阵,根据用户之间是否存在直接的社交关系引入用户关系矩阵;根据用户关系矩阵构建直接社交关系有向图,基于所述直接社交关系有向图获得两个用户之间的显式信任度;根据用户关系矩阵和用户评分矩阵,获取两个用户之间的隐式信任度;基于显式信任度和隐式信任度,构建信任网络;基于信任网络获得用户对物品的预测评分。其不仅考虑了用户个人的社交关系,还根据用户的评分记录探索了用户之间的隐式关系,提高物品推荐的性能。

Patent Agency Ranking