-
公开(公告)号：CN109740697B
公开(公告)日：2023-04-14
申请号：CN201910164071.8
申请日：2019-03-05
Applicant: 重庆大学
IPC: G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/09 , G06N3/096 , G16H30/40
Abstract: 本发明提出一种基于深度学习的尿沉渣显微图像有形成分识别方法，包括改进AlexNet模型为De‑AlexNet模型，迁移模型参数，利用可视化卷积神经网络模型制定一种合理的微调学习率和级联特征的策略，集成De‑AlexNet模型、GoogLeNet模型和ResNet模型对尿沉渣显微图像进行特征提取，并设计全连接神经网络模型作为分类器对集成特征进行分类四个部分。与现有的尿沉渣显微图像有形成分识别方法相比，本发明识别准确率更高，操作更简洁，效率更优。
-
公开(公告)号：CN108564128B
公开(公告)日：2021-10-08
申请号：CN201810354944.7
申请日：2018-04-19
Applicant: 重庆大学
Abstract: 本发明涉及一种融合数据结构信息的脑电信号在线识别方法，包括S1：利用由少量标记脑电样本组成的小训练集建立基于在线序贯极限学习机(online sequential extreme learning machine,OS‑ELM)算法的分类模型，作为半监督学习中的初始分类模型；S2：利用在线模糊聚类方法建立结构学习模型，基于标记脑电样本的先验信息估计在线采集脑电样本批量增加后数据分布的全局结构；S3：利用分类模型对在线采集的脑电样本进行标记，并采用批量学习的模式，基于由结构学习模型估计的结构信息，选择一批满足一定条件的在线采集脑电样本加入到训练集中，利用更新后的训练集重新训练分类模型；S4：利用更新后的分类模型对采集的脑电信号进行在线识别。
-
公开(公告)号：CN108564128A
公开(公告)日：2018-09-21
申请号：CN201810354944.7
申请日：2018-04-19
Applicant: 重庆大学
Abstract: 本发明涉及一种融合数据结构信息的脑电信号在线识别方法，包括S1：利用由少量标记脑电样本组成的小训练集建立基于在线序贯极限学习机(online sequential extreme learning machine,OS-ELM)算法的分类模型，作为半监督学习中的初始分类模型；S2：利用在线模糊聚类方法建立结构学习模型，基于标记脑电样本的先验信息估计在线采集脑电样本批量增加后数据分布的全局结构；S3：利用分类模型对在线采集的脑电样本进行标记，并采用批量学习的模式，基于由结构学习模型估计的结构信息，选择一批满足一定条件的在线采集脑电样本加入到训练集中，利用更新后的训练集重新训练分类模型；S4：利用更新后的分类模型对采集的脑电信号进行在线识别。
-
公开(公告)号：CN109740697A
公开(公告)日：2019-05-10
申请号：CN201910164071.8
申请日：2019-03-05
Applicant: 重庆大学
Abstract: 本发明提出一种基于深度学习的尿沉渣显微图像有形成分识别方法，包括改进AlexNet模型为De-AlexNet模型，迁移模型参数，利用可视化卷积神经网络模型制定一种合理的微调学习率和级联特征的策略，集成De-AlexNet模型、GoogLeNet模型和ResNet模型对尿沉渣显微图像进行特征提取，并设计全连接神经网络模型作为分类器对集成特征进行分类四个部分。与现有的尿沉渣显微图像有形成分识别方法相比，本发明识别准确率更高，操作更简洁，效率更优。
-
-
-
Search Results
4
records
(took 0.018 seconds)
