-
公开(公告)号：CN111461201B
公开(公告)日：2023-09-19
申请号：CN202010237398.6
申请日：2020-03-30
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
IPC: G06F18/24 , G06F18/25 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/08 , G06F123/02
Abstract: 本发明基于相空间重构的传感器数据分类方法，包括步骤：1)把一维传感器时间序列通过基于坐标延迟的相空间重构映射到一个m维的相空间，使传感器数据暴露隐含的关键信息，得到相空间轨迹矩阵；2)把提取到的各个传感器在时刻i下的数据输入到长短期记忆网络模块，设置长短期记忆网络输入的时间步长均为相空间重构的嵌入维数m；3)将各个长短期记忆网络输出的状态信息类比图像的RGB矩阵输入二维卷积神经网络模块，二维卷积神经网络提取的特征输入全连接层，得出分类结果。本发明基于相空间重构的传感器数据分类方法，其改善了原始一维传感器数据结构上的局限性和传感器数据分类准确率受限的问题，能实现对时刻点上的传感器数据进行准确分类。
-
公开(公告)号：CN112766405B
公开(公告)日：2023-08-29
申请号：CN202110125639.2
申请日：2021-01-29
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
IPC: G06F18/241 , G06F18/2135
Abstract: 本发明基于多约束子空间投影的传感器数据分类方法，包括步骤：1)采集跨域分布的传感器数据，并将所采集的跨域分布的传感器数据分为源域和目标域数据；2)寻找把源域和目标域数据从原始空间映射到某个子空间的投影矩阵P；3)采用P对源域和目标域进行转换，将转换后的数据输入分类器对分类器进行训练和测试，得到训练成功的分类器；4)采用P对传感器实时采集的数据进行转换，并将转换后的数据输入训练成功的分类器进行分类。本发明基于多约束子空间投影的传感器数据分类方法，其采用了优化的投影矩阵P，通过该投影矩阵P对跨域分布的传感器数据进行转换，能够提高跨域分布的传感器数据的分类准确率。
-
公开(公告)号：CN113657513B
公开(公告)日：2023-10-24
申请号：CN202110955591.8
申请日：2021-08-19
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
IPC: G06F18/214 , G06F18/241 , G06N3/0464 , G06F17/16
Abstract: 本发明公开了一种基于相空间的传感器数据高精度分类方法，其包括步骤1)通过时间延迟嵌入法将传感器采集的单变量时间序列X嵌入到m维相空间中；2)通过最大化Θ(τ,m)的分辨率来确定τ和m的最佳值；3)将Θ(τ,m)中的所有元素线性映射到一个整数区间[0，255]以获得最大轨迹矩阵图像Θmax；4)通过分类器对从时间序列转换所得的最大轨迹矩阵图像Θmax进行分类。本发明直接将轨迹矩阵作为图像，而不是将时间序列映射到RPS图像，因此不需要相空间投影，避免了投影造成的信息损失；其通过最大化轨迹矩阵图像Θ(τ,m)的分辨率来确定重建参数，这种优化方法非常简单，并且其能帮助让分类器的分类性能达到最佳。
-
公开(公告)号：CN113657513A
公开(公告)日：2021-11-16
申请号：CN202110955591.8
申请日：2021-08-19
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
Abstract: 本发明公开了一种基于相空间的传感器数据高精度分类方法，其包括步骤1)通过时间延迟嵌入法将传感器采集的单变量时间序列X嵌入到m维相空间中；2)通过最大化Θ(τ,m)的分辨率来确定τ和m的最佳值；3)将Θ(τ,m)中的所有元素线性映射到一个整数区间[0，255]以获得最大轨迹矩阵图像Θmax；4)通过分类器对从时间序列转换所得的最大轨迹矩阵图像Θmax进行分类。本发明直接将轨迹矩阵作为图像，而不是将时间序列映射到RPS图像，因此不需要相空间投影，避免了投影造成的信息损失；其通过最大化轨迹矩阵图像Θ(τ,m)的分辨率来确定重建参数，这种优化方法非常简单，并且其能帮助让分类器的分类性能达到最佳。
-
公开(公告)号：CN113283530B
公开(公告)日：2022-11-15
申请号：CN202110638024.X
申请日：2021-06-08
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
IPC: G06V10/774 , G06V10/82 , G06V10/764 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于级联特征块的图像分类系统，其包括宽度学习系统和用于训练宽度学习系统的训练模块，宽度学习系统包括特征块组，特征块组由若干个依次级联的特征块组成，各特征块的输出与Flatten层连接，Flatten层将拼接后的数据输入Top‑level Dropout层，经Top‑level Dropout层处理后的数据输入Top‑level FC层，Top‑level FC层输出分类结果；训练模块为Adam算法。本发明将各特征块级联起来，增加了模型的深度，使宽度学习系统能够学习到更抽象，更具有利于判别的信息，能明显提高宽度学习系统的特征学习能力，提高分类准确率，同时训练和测试时间仍然较短。
-
Patent Agency Ranking
公开(公告)号：CN113283530A
公开(公告)日：2021-08-20
申请号：CN202110638024.X
申请日：2021-06-08
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
Abstract: 本发明公开了一种基于级联特征块的图像分类系统，其包括宽度学习系统和用于训练宽度学习系统的训练模块，宽度学习系统包括特征块组，特征块组由若干个依次级联的特征块组成，各特征块的输出与Flatten层连接，Flatten层将拼接后的数据输入Top‑level Dropout层，经Top‑level Dropout层处理后的数据输入Top‑level FC层，Top‑level FC层输出分类结果；训练模块为Adam算法。本发明将各特征块级联起来，增加了模型的深度，使宽度学习系统能够学习到更抽象，更具有利于判别的信息，能明显提高宽度学习系统的特征学习能力，提高分类准确率，同时训练和测试时间仍然较短。
-
公开(公告)号：CN112766405A
公开(公告)日：2021-05-07
申请号：CN202110125639.2
申请日：2021-01-29
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
IPC: G06K9/62
Abstract: 本发明基于多约束子空间投影的传感器数据分类方法，包括步骤：1)采集跨域分布的传感器数据，并将所采集的跨域分布的传感器数据分为源域和目标域数据；2)寻找把源域和目标域数据从原始空间映射到某个子空间的投影矩阵P；3)采用P对源域和目标域进行转换，将转换后的数据输入分类器对分类器进行训练和测试，得到训练成功的分类器；4)采用P对传感器实时采集的数据进行转换，并将转换后的数据输入训练成功的分类器进行分类。本发明基于多约束子空间投影的传感器数据分类方法，其采用了优化的投影矩阵P，通过该投影矩阵P对跨域分布的传感器数据进行转换，能够提高跨域分布的传感器数据的分类准确率。
-
公开(公告)号：CN111461201A
公开(公告)日：2020-07-28
申请号：CN202010237398.6
申请日：2020-03-30
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
Abstract: 本发明基于相空间重构的传感器数据分类方法，包括步骤：1)把一维传感器时间序列通过基于坐标延迟的相空间重构映射到一个m维的相空间，使传感器数据暴露隐含的关键信息，得到相空间轨迹矩阵；2)把提取到的各个传感器在时刻i下的数据输入到长短期记忆网络模块，设置长短期记忆网络输入的时间步长均为相空间重构的嵌入维数m；3)将各个长短期记忆网络输出的状态信息类比图像的RGB矩阵输入二维卷积神经网络模块，二维卷积神经网络提取的特征输入全连接层，得出分类结果。本发明基于相空间重构的传感器数据分类方法，其改善了原始一维传感器数据结构上的局限性和传感器数据分类准确率受限的问题，能实现对时刻点上的传感器数据进行准确分类。
-
公开(公告)号：CN111291832A
公开(公告)日：2020-06-16
申请号：CN202010167099.X
申请日：2020-03-11
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
Abstract: 本发明基于Stack集成神经网络的传感器数据分类方法，其包括1)构建基础学习器，基础学习器包括特征提取单元和与特征提取单元连接的特征分类单元；2)将若干个基础学习器的输出作为元学习器的输入，构建成Stacking模型；3)将传感器数据同时输入各个基础学习器的各个特征提取单元的一维卷积层，各个基础学习器的输出作为Stacking模型的元学习器的输入，经元学习器处理后由元学习器的softmax函数层输出最终分类结果。本发明结合卷积神经网络和长短期记忆网络提取传感器数据特征的优势，提高了对传感器数据分类的准确性，并且采用Stacking模型降低了由于卷积神经网络的参数随机初始化造成分类结果波动的影响。
-
公开(公告)号：CN117216634A
公开(公告)日：2023-12-12
申请号：CN202311171758.7
申请日：2023-09-12
Applicant: 重庆大学 , 广东鸿芯科技有限公司
IPC: G06F18/24 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种肺癌电子鼻数据分类方法，其对采集不同气体数据气体传感器执行线性判别分析，根据贡献选择传感器，并将对应传感器的单变量时间序列转换最大轨迹矩阵图像，通过空间信息重组方法重组样本的最大轨迹矩阵图像，将重组后的样本图像序列输入分类器得到分类结果。本发明肺癌电子鼻数据分类方法，通过按贡献对气体传感器阵列进行排序，去除了冗余通道所采集的数据，有利于提升气体传感器数据分类的准确率，同时减少分类时间；通过最大化图像的帧间互信息之和来确定样本中最大轨迹图像的最优排列，并按照最优排列重组样本中的图像序列，提高了对气体传感器数据的分类准确率。
-
-
-
-
-
-
-
-
-
Search Results
164
records
(took 0.053 seconds)
