-
公开(公告)号：CN119988952A
公开(公告)日：2025-05-13
申请号：CN202510073288.3
申请日：2025-01-17
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
IPC: G06F18/2132 , G06F18/214 , G06F18/241 , G06F18/22 , G06F18/25
Abstract: 本发明涉及用于机器学习的数据处理技术领域，具体公开了一种核转置投影包络LDA数据降维方法及系统，其设计了一种核转置投影包络LDA(线性判别分析)模式，具体是设计了转置投影包络变换算法并对其进行核化改进，对原始样本进行变换以生成包络样本，尽最大可能地挖掘了相似样本间的关联信息；将该包络样本加载到LDA输入端，从而实现在相似样本间关联信息上的投影降维。实验结果表明，在引入核转置投影包络LDA模式后，各种LDA算法的分类准确率均取得了显著提升，这表明核转置投影包络LDA模式优于原LDA模式，实现了相似样本间关联信息上的投影降维，弥补了原LDA模式在建模的过程中忽略或者破坏相似样本间关联信息的缺陷。
-
公开(公告)号：CN119294442A
公开(公告)日：2025-01-10
申请号：CN202411402139.9
申请日：2024-10-09
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
IPC: G06N3/0455 , G06N5/045 , G06F18/2132 , G06F18/2135 , G06F18/23213 , G06F18/214 , G06F18/241
Abstract: 本发明公开一种三级联合包络内嵌堆栈自编码器，包括三级联合包络模块、内嵌堆栈自动编码器模块和三层空间集成机制模块，其中：三级联合包络模块中设置有流形样本对包络模块、保持降维式聚类模块和三级间一致性保持模块；流形样本对包络模块用于获取样本包络空间内流形相似相邻样本的固有结构；保持降维式聚类模块用于将样本投影到低维空间；三级间一致性保持模块用于维持样本分布的一致性；输入样本进入三级联合包络模块后，经过处理并生成三层样本空间；内嵌堆栈自动编码器模块在三层样本空间上分别并行进行内嵌堆栈自动编码器建模，最后由三层空间集成机制模块进行融合并得到输出样本。其效果是：扩大了聚类的状态空间，提升了样本表征能力。
-
公开(公告)号：CN118918140A
公开(公告)日：2024-11-08
申请号：CN202410942235.6
申请日：2024-07-15
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分级包络域适应的行人轨迹预测方法，包括：获取源域原始轨迹样本和目标域原始轨迹样本；构建基于分级包络域适应的行人轨迹预测模型，即MESC‑HEDA模型；利用源域原始轨迹样本和目标域原始轨迹样本对MESC‑HEDA模型进行训练，并对目标域原始轨迹样本中的行人轨迹进行预测，其中，MESC‑HEDA模型包括：双级包络样本构造模块、全局层次包络样本构造模块和分级包络域适应模块，其中，双级包络样本构造模块包括局部层次包络样本构造子模块、个体层次包络样本构造子模块、双级包络样本特征融合子模块；分级包络域适应模块包括局部层次包络域适应子模块和全局层次包络域适应子模块。本发明有效地解决了行人轨迹场景中域偏移问题。
-
公开(公告)号：CN118154966A
公开(公告)日：2024-06-07
申请号：CN202410311545.8
申请日：2024-03-19
Applicant: 重庆大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/762
Abstract: 本发明涉及生物医疗信息处理中的智能诊断技术领域，具体公开了一种基于深度类‑样本双层跨域适应的组织病理图像分类方法，首先对特征提取网络进行预训练，然后利用特征提取器提取不同层次的深度特征，然后将这些深度特征引入特征融合器，以获得深度融合特征。进一步利用深度聚类域自适应方法，联合调整源域和目标域聚类中心之间的相似度，以最大限度地区分目标域中不同类别的样本特征，并最大限度地减少同类样本特征的差异性，获得较好的分类效果。
-
公开(公告)号：CN118094361A
公开(公告)日：2024-05-28
申请号：CN202410064797.5
申请日：2024-01-17
Applicant: 重庆大学
IPC: G06F18/2413 , G06F18/214 , G06F18/22
Abstract: 本发明公开了一种基于样本邻近包络投影的双层XGBoost集成学习方法。该方法通过利用样本近邻包络化机制来获取邻近包络样本，对每一个原始样本都构建一个样本包络，利用样本包络转置投影机制来挖掘样本间的近邻关系，并将其转化为新样本—邻近包络样本；然后，合并该包络样本和原样本构建数据‑信息双层包络样本分级空间；接着，通过该分级空间分别训练两个XGBoost分类器；最后，对各分类器结果进行决策融合。本发明的方法能够有效地挖掘出样本间的结构信息并生成高质量的包络样本，并有效地提升模型的分类性能。
-
Patent Agency Ranking
公开(公告)号：CN112529063B
公开(公告)日：2023-12-15
申请号：CN202011407694.2
申请日：2020-12-03
Applicant: 重庆大学
IPC: G06F18/24 , G06F18/2135 , G06F18/214 , G06N3/045 , G06N3/096
Abstract: 本发明涉及深度域适应分类技术领域，具体公开了一种适用于帕金森语音数据集的深度域适应分类方法，包括步骤：初始化DBN网络的参数，并以帕金森语音源域及目标域数据集分别训练；训练完成后，将语音源域及目标域样本分别输入到对应的源域和目标域DBN网络中进行变换，每一个输入样本变换得到多个隐含层样本：将源域及目标域DBN网络同一隐含层样本进行局部特性约束下的主成分迁移学习，从而构建输出域适应后的新帕金森语音源域和目标域数据集。本发明通过DBN深度网络表达学习数据集潜在的隐含信息，并对不同隐含层进行特征进行成分迁移和局部特性约束以使得源域及目标域分布对齐的同时最大程度保持各自数据集内部的隐含特性，提高最终的分类准确率。
-
公开(公告)号：CN115910112A
公开(公告)日：2023-04-04
申请号：CN202211554119.4
申请日：2022-12-06
Applicant: 重庆大学
Abstract: 本发明涉及帕金森病语音识别技术领域，具体公开了一种帕金森病受试者包络化语音样本段分级融合方法，该方法基于样本段剪枝模块(SP)、样本段原型聚类模块(FC&IDMD)、样本段协同选择模块(SS/FSM)，对帕金森病受试者包络化语音样本段进行分级快速融合，获得少量的高质量原型样本。这不仅有利于提取反映受试者整体病理情况的语音特征(诊断标志物)，还能显著提高分类精度和泛化性能，能更好地满足临床应用的需求。
-
公开(公告)号：CN115797700A
公开(公告)日：2023-03-14
申请号：CN202211631534.5
申请日：2022-12-19
Applicant: 重庆大学
IPC: G06V10/764 , G06V10/82 , G06V10/77 , G06V10/80 , G06N3/048 , G06N3/0455 , G06N3/09 , G16H50/20 , G16H30/20 , G16H30/40
Abstract: 本发明涉及医疗诊断技术领域，具体公开了一种基于邻接包络内嵌堆栈自动编码器集成的帕金森分类方法，该方法基于近邻样本的样本对连接(SPC)挖掘样本之间的近邻关系，基于多层迭代均值聚类的层间一致性机制(ICMC)构建多层样本空间，构建嵌入式堆栈自动编码器(ESAE)，从而将原始特征引入编码器网络的逐层训练过程中，筛去隐含层输出中的低质无效特征，还采用主成分分析法(PCA)对混合特征进行特征约简，最后采用多层样本空间模型MSEM将约简的特征融合在每一层样本空间下。该技术实现了在结构化样本上的PD语音堆栈自动编码。整体上，本方法具有较高的分类精度(在AD数据集中的分类准确率比SAE高40.00％，比SSAE高34.00％，比SDSAE高35.09％，比SPSAE高32.89％，比ESGSAE_FF高23.34％，比GSTAE高19.56％)。
-
公开(公告)号：CN114881930A
公开(公告)日：2022-08-09
申请号：CN202210364679.7
申请日：2022-04-07
Applicant: 重庆大学 , 重庆博仕康科技有限公司
Abstract: 本申请涉及一种基于降维定位的3D目标检测方法、装置、计算机设备和存储介质。方法包括：获取腰椎图像数据，对腰椎图像数据进行卷积处理，获取腰椎图像数据的深度特征；根据预设的残差函数对深度特征进行处理，获取第一深度特征、第二深度特征、第三深度特征；将第一深度特征、第二深度特征、第三深度特征进行尺寸变换和拼接，获取深度融合特征；将深度融合特征输入至预设的深度模型，获取待检测目标在腰椎图像数据的第一位置信息、第二位置信息；根据预设的损失函数将第一位置信息与第二位置信息进行匹配，获取待检测目标的3D位置信息，可解决因数据量过大，目前提取的特征可能存在采样密度低、独立性差等情况，导致3D目标检测精度较差等问题。
-
公开(公告)号：CN113971441A
公开(公告)日：2022-01-25
申请号：CN202111238425.2
申请日：2021-10-25
Applicant: 重庆大学
IPC: G06K9/62
Abstract: 本发明涉及人工智能技术领域，具体公开了一种基于样本包络多层聚类的数据集平衡化学习方法，包括步骤：选择不平衡训练集，该不平衡训练集由少数类样本和多数类样本组成；对少数类样本和多数类样本构造对应的包络化少数类样本和包络化多数类样本；对包络化少数类样本进行深度样本变换，得到对应的L层包络化少数类深度样本，L≥1；将包络化少数类样本与每层包络化少数类深度样本进行融合，得到样本数目与包络化多数类样本平衡的包络化少数类平衡样本；将包络化少数类平衡样本与包络化多数类样本融合，得到平衡训练集。本发明增加了少数类样本的多样性，提高了少数类样本的质量，从而增加了模型对少数类样本的学习能力，提升了其分类或预测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
116
records
(took 0.061 seconds)
