-
公开(公告)号：CN118521411A
公开(公告)日：2024-08-20
申请号：CN202410585782.3
申请日：2024-05-13
申请人： 江南大学
IPC分类号： G06Q40/08 , G06F18/23213 , G06F18/2431 , G06N20/00
摘要： 本发明属于人工智能算法应用‑欺诈识别领域，涉及一种基于多种分类算法集成学习的智能医疗欺诈监测方法。过程如下：首先，通过详尽的数据预处理和LASSO算法进行特征选择，优化特征空间，减少冗余信息，提高模型效率。接着，采用DPC‑SMOTE和NCACL算法对不平衡数据集进行处理，确保模型在各类别样本上都能获得良好性能。在模型构建方面，本发明集成了XGBoost、LightGBM、MLP和SVM等多种分类算法，通过Stacking框架将它们组合成强大的集成学习模型，以捕获数据中的多维度信息，实现精准的医疗欺诈识别。
-
公开(公告)号：CN117174182A
公开(公告)日：2023-12-05
申请号：CN202311078324.2
申请日：2023-08-25
申请人： 江南大学
IPC分类号： G16B50/00 , G16B50/10 , G16B30/10 , G06F16/22 , G06F16/2458
摘要： 本发明公开了一种兼顾基因序列进化重排的序列搜索工具CircBLAST的应用方法，属于生物信息学技术领域。方法流程包括：首先，根据需要word_size的长度切分所有的蛋白序列，结合序列的注释数据构建数据集并写入数据库；然后准备请求序列，并将其切分成word_size的一个个小片段；进一步，通过搜索匹配、构建环形序列、序列比对完成检索过程；最后生成包含匹配片段、相似度得分等信息的比对结果，用于呈现给用户查看并判断匹配的可靠性。本发明考虑了基因序列的进化重排情况，显著提高了序列比对的准确性，并且可以发现更多的重排序列。
-
公开(公告)号：CN116089859A
公开(公告)日：2023-05-09
申请号：CN202310025370.X
申请日：2023-01-09
申请人： 江南大学
IPC分类号： G06F18/24 , G06F18/10 , G06F18/2131 , G06F18/25 , G06F18/241 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本发明属于智能癫痫检测领域，涉及基于多尺度特征融合构建多视角及协同学习的癫痫检测方法。该方法在时域、频域、时频域三种视角的基础上首先进行深度学习得到深度多视角特征集。本发明进一步通过基于深度多视角特征集构建全局多尺度融合网络来学习三个深度视角的全局融合视角，以及对各视角进行局部强化的全局融合多尺度融合网络。基于上述多尺度融合网络，将抽取出四个视角：即一个一般化全局融合视角和三个局部强化的全局融合视角，并连同前述三视角深度特征集共获得七个深度特征视角。本发明较之于传统的分类器，该分类器即具有多视角，最终得到一个具有高泛化性和较好透明性的癫痫检测模型，可以更有效地提升检测精度。
-
公开(公告)号：CN106874694A
公开(公告)日：2017-06-20
申请号：CN201710165920.2
申请日：2017-03-20
申请人： 江南大学
CPC分类号： G16H50/20 , G06K9/00516 , G06K9/00523 , G06K9/00536 , G16H50/50
摘要： 本发明实现了一种面向癫痫脑电信号识别的智能诊断系统，它包括一套脑电数字信号处理程序和一个可视化的客户端界面；所述的一套脑电数字信号处理程序，其特征提取模块利用离散小波变换方法来提取原始脑电信号中的特征量，其模型训练模块利用径向基函数神经网络和最小最大概率机构建癫痫诊断模型，其诊断模块利用径向基函数神经网络和分类决策树对新输入的脑电信号做出诊断；所述可视化的客户端界面，其数据读取模块负责读取原始脑电信号数据，其数据通信模块负责向后台发起请求、发送数据信息，等待接收后台的响应和数据信息，其数据呈现模块负责以图表的方式显示原始脑电信号片段和提取的脑电信号特征量，最终显示后台返回的诊断结果。
-
公开(公告)号：CN104282022B
公开(公告)日：2017-02-08
申请号：CN201410525629.8
申请日：2014-09-29
申请人： 江南大学
IPC分类号： G06T7/10
摘要： 本发明公开了一种具备多视角学习能力的模糊聚类图像分割方法。该方法以经典的模糊C均值算法作为基础方法，针对经典模糊C均值算法对一个具体事物在多个视角下获取的图像进行分割最终获取最终分割结果时无法全面的利用图像信息而造成分割效果不佳的问题，提出了一种具备多视角学习能力的模糊聚类图像分割方法。该图像分割方法在处理某一事物的多视角图像分割任务时，能够有效地保有各视角图像的独立信息，同时挖掘出各视角下图像的共性信息。此外，还将引入一种视角加权技术增强分割效果。在上述机制的共同作用下首先可获取各个视角下的聚类结果，然后依靠上述获取的各视角下的聚类结果通过一个集成决策方法最终获取更为可靠的图像分割结果。
-
公开(公告)号：CN104523269A
公开(公告)日：2015-04-22
申请号：CN201510024019.4
申请日：2015-01-15
申请人： 江南大学
IPC分类号： A61B5/0476
CPC分类号： A61B5/0476
摘要： 一种面向癫痫脑电信号迁移环境的自适应识别方法，本发明的优点是：本发明与现有技术相比，本发明方法选用具备邻域适应能力的迁移学习策略来克服训练域和测试域之间因数据分布差异所造成的智能模型分类性能急剧下降之难题。针对癫痫检测中的脑电信号分析，选用具有邻域适应能力的主成分特征迁移(子空间性度量)及大间隔直推式迁移学习方法来构成脑电信号识别系统，构建了具体的脑电信号自适应工作框架。该方法在缺少目标域信息的情况下，采用源域中与目标域中相似的有用特征来构建智能分类系统。由于本技术在特征提取阶段即融入了迁移学习策略，因此相较于单纯的迁移分类建模技术及传统智能识别方法，泛化能力更强，性能更好。
-
公开(公告)号：CN104523268A
公开(公告)日：2015-04-22
申请号：CN201510024018.X
申请日：2015-01-15
申请人： 江南大学
IPC分类号： A61B5/0476
CPC分类号： A61B5/0476 , A61B5/4094
摘要： 本发明公开了一种具备迁移学习能力的脑电信号识别模糊系统方法。传统智能识别方法都假设模型的训练集和测试集服从相同的数据分布，因而仅在训练域和测试域数据服从相同分布时方可获取良好的分类性能。本发明所提方法利用迁移学习策略来帮助迁移学习环境下的癫痫脑电信号识别。基于模糊系统构建具备直推式迁移学习能力的0阶TSK型模糊系统建模技术。此技术因具备了迁移学习能力而不再局限于训练域和测试域数据分布一致的假设，允许两者之间存在一定的差异性，不仅在训练域与测试域数据分布相同的场景下保持良好的性能，也大大提高了最终所获模型在多样化的脑电信号识别问题下的识别效果。
-
公开(公告)号：CN102881019A
公开(公告)日：2013-01-16
申请号：CN201210384176.2
申请日：2012-10-08
申请人： 江南大学
摘要： 本发明公开了一种具备迁移学习能力的模糊聚类图像分割方法。该方法以经典的模糊C均值算法作为研究对象，针对模糊C均值算法在面对带噪声的图像时抗噪声能力弱的缺陷，提出了一种具备迁移学习能力的模糊聚类图像分割方法。此图像分割方法在处理新的图像时，特别针对含噪声污染的图像，该方法能够有效地学习利用以往大量的相似图像通过模糊C均值算法所总结得到的可靠的聚类知识，该类知识一般被描述为聚类中心，通过将上述可靠知识引入到当前的新图像分割任务中可以有效地引导当前的聚类任务的完成并起到抗噪的效果，进而获取更为精准的聚类中心及更为精确的图像分割结果。
-
公开(公告)号：CN118888033A
公开(公告)日：2024-11-01
申请号：CN202410912384.8
申请日：2024-07-09
申请人： 江南大学
IPC分类号： G16C20/30 , G16C20/70 , G06N3/0464 , G06N3/0455 , G06N3/0442
摘要： 本发明属于生物信息领域，具体涉及基于多视图语义的多级酶功能预测方法，其中包括深度学习、卷积神经网络、多头自注意力机制等技术。该方法包括，蛋白质序列的原始语义特征提取，深度语义特征模块，广度语义特征模块，词性注意力增强器，多视图自适应网络融合预测5个步骤。本方法先将蛋白质序列输入蛋白质预训练模型进行预处理，得到原始语义信息。再将原始语义信息输入到本方法提出的深度语义特征模块和广度语义特征模块中，获得深度语义特征和广度语义特征。将得到的原始、深度、广度语义特征输入到本方法词性注意力增强器和多视图自适应融合网络中，得到最终的酶功能预测结果。经过大量实验证明，本发明可以高效准确的预测酶功能。
-
公开(公告)号：CN118710916A
公开(公告)日：2024-09-27
申请号：CN202410720061.9
申请日：2024-06-05
申请人： 江南大学
IPC分类号： G06V10/40 , G06V10/764 , G06V10/774 , G06V10/778
摘要： 本发明属于图像处理技术领域，涉及一种基于知识蒸馏的图像特征提取方法及装置；将多个图像样本输入教师模型，得到每个图像样本的第一特征向量；将多个图像样本输入学生模型，得到每个图像样本的第二特征向量；将多个第一特征向量中排序相同的特征值组合，得到m个第一组合向量；将多个第二特征向量中排序相同的特征值组合，得到m个第二组合向量；基于多个图像样本的目标类知识蒸馏损失函数得到第一损失函数，基于多个图像样本的皮尔逊相关系数损失函数得到第二损失函数，基于m个组合向量的皮尔逊相关系数损失函数得到第三损失函数，从而得到图像特征损失函数对学生模型进行训练，直到图像特征提取损失函数最小，得到训练好的学生模型。
-
-
-
-
-
-
-
-
-
搜索结果
55 条记录 (耗时 0.017 秒)
