-
公开(公告)号：CN109919196A
公开(公告)日：2019-06-21
申请号：CN201910105155.4
申请日：2019-02-01
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于特征选择和分类模型的体质识别方法，包括步骤：通过随机数生成算法生成《中医体质分类与判定表》中全部问题的回答；根据《中医体质分类与判定表》的判定方法和判定标准，计算出当前回答下对应的体质类型；通过特征选择算法，从《中医体质分类与判定表》的全部问题中，选出具有代表性的部分问题；设计分类模型，利用部分问题的回答和对应的体质类型，训练得到一个体质识别模型；本发明引入了随机数生成算法、特征选择算法和分类模型等技术，有效地降低诊断时间，提高诊断效率，且保证了体质识别的有效性，具有一定的市场价值和推广价值。
-
公开(公告)号：CN109801269A
公开(公告)日：2019-05-24
申请号：CN201811636920.7
申请日：2018-12-29
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于竞争的挤压和激励神经网络的舌苔体质分类方法，包括步骤：S1、对带标签的舌苔图片进行预处理，制作训练数据集与测试样本集；S2、设计基于竞争的挤压和激励网络结构块：将恒等流信息引入挤压和激励结构，让恒等流和残差流进行自适应竞争，得到残差流卷积通道间的关系信息后再调整残差流信息，最后融合恒等流信息和调整后的残差流信息，作为该结构块的输出；S3、构造基于竞争的挤压和激励神经网络，并用训练数据集进行训练；S4、将测试样本传入训练好的网络模型，识别出该舌苔图片对应的体质类型。本发明采用基于竞争的挤压和激励神经网络进行舌苔体质分类，能提高计算机程序对舌苔体质分类的准确率与性能。
-
公开(公告)号：CN108877923A
公开(公告)日：2018-11-23
申请号：CN201810412773.9
申请日：2018-05-03
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度学习的舌苔生成中药处方的方法，包括以下步骤：S1、用像素矩阵表示病人的舌苔图像，用向量表示病人的中药处方；S2、以像素矩阵作为输入，向量作为输出，将数据集分为训练数据集和测试数据集；S3、使用基于文档主题模型的双通道卷积神经网络对训练数据集进行训练，调整参数迭代多次训练后得到表现良好的神经网络模型；S4、将测试数据集的像素矩阵输入神经网络模型，生成中药处方。所述方法能够从数据中学习到中医的开药经验，根据病人的舌苔图像自动生成病人所需要的中药处方，从而对中医的舌苔诊断工作起到辅助作用，减少重复性工作，对舌苔进行快速稳定的分析。
-
公开(公告)号：CN108564113A
公开(公告)日：2018-09-21
申请号：CN201810259304.8
申请日：2018-03-27
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度神经网络和复杂度感知的舌苔体质识别方法，包括：利用采集设备采集舌苔图片数据；在舌苔图片中找到舌苔的确切位置；设计基于深度神经网络的分类器对舌苔图片进行训练，从而提取舌苔图片的特征；使用复杂度感知算法，在个体级别上考虑舌苔数据的复杂度，从而将舌苔数据分为容易数据集和复杂数据集，使用这两个数据集训练一个复杂度鉴别器，再用这两个数据集分别训练容易分类器和复杂分类器，最后将舌苔特征输入到复杂度鉴别器来判断舌苔样本的复杂度；最后根据舌苔样本的复杂度将舌苔特征输入到对应的softmax分类器里从而得到相应的体质类别。所述方法能够准确、快速地对舌苔进行体质识别，减少医生的工作量，缓解医疗压力。
-
公开(公告)号：CN108320786A
公开(公告)日：2018-07-24
申请号：CN201810117765.1
申请日：2018-02-06
Applicant: 华南理工大学
IPC: G16H20/60
Abstract: 本发明公开了一种基于深度神经网络的中餐菜品推荐方法，包括S1获取中餐菜品的图片；S2利用深度神经网络算法对中餐菜品图片进行特征提取；S3将提取所得的中餐菜品特征输入到分类算法中得到相应的菜品种类；S4、根据菜品种类查询中餐菜谱知识库，获得该中餐菜品的营养配方和合适的体质类型；S5若用户的体质类型与查询获得的体质类型一致，则推荐此中餐菜品。本发明方法的主要效果是识别速度快，准确率高，性能稳定，有利于人们快速确定自己合适的中餐菜品，实现健康饮食。
-
Patent Agency Ranking
公开(公告)号：CN103531206B
公开(公告)日：2017-09-29
申请号：CN201310460191.5
申请日：2013-09-30
Applicant: 华南理工大学
Abstract: 本发明公开了一种结合局部与全局信息的语音情感特征提取方法，能提取三类特征，属于语音信号处理处理和模式识别技术领域。其步骤是：（1）将语音信号分帧，（2）对每一帧进行傅立叶变换，（3）使用Mel滤波器对傅立叶变换结果滤波，对滤波结果求能量，并对能量取对数，（4）对取得的对数结果使用局部Hu运算，获得第1类特征，（5）对局部Hu运算后的每一帧进行离散余弦变换，获得第2类特征，（6）对第3步计算的对数结果进行差分运算，然后对差分结果的每一帧进行离散余弦变换获得第3类特征。本发明可快速有效地表达各类情感的语音，应用范围包括语音检索、语音识别、情感计算等领域。
-
公开(公告)号：CN104008754B
公开(公告)日：2017-01-18
申请号：CN201410216935.3
申请日：2014-05-21
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于半监督特征选择的语音情感识别方法，该方法针对每个说话人训练一个特定的分类器，可以很好的减小由于说话人之间的不同对语音情感识别造成的负面影响。训练步骤如下：提取有标签样本和某一说话人的无标签样本的特征，使用多个统计函数获得所有特征的统计结果，再执行归一化算法；然后使用半监督特征选择算法选择能够突出该测试说话人语音情感的特征，该半监督特征选择算法能够同时考虑数据的流形结构，数据的类别结构，以及利用该测试说话人的无标签数据所提供的信息；最后使用支持向量机训练该测试说话人的语音情感识别的分类器。本发明在用于说话人归一化算法的样本数量较少时也能获得较高的识别精度。
-
公开(公告)号：CN106295507A
公开(公告)日：2017-01-04
申请号：CN201610592246.1
申请日：2016-07-25
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于集成卷积神经网络的性别识别方法，步骤如下：S1、首先随机组合形成若干个新的训练数据集，然后选取出M个经过上述新的训练数据集训练得到的卷积神经网络分类器作为基分类器；S2、获取待测人脸图像；S3、在测试时，将待测人脸图像分别输入步骤S1获取到的M个基分类器，然后融合M个基分类器输出的性别类别，获得最终的一个性别类别。本发明通过随机得到新的训练数据集训练得到的卷积神经网络分类器作为基分类器，然后将待测人脸图像输入至M个基分类器，最后融合M个基分类器输出的性别类别，获得最终的一个性别类别，具有识别准确率高、减少人脸图象的性别特征提取对人的依赖性以及应用广泛的优点。
-
公开(公告)号：CN103440863B
公开(公告)日：2016-01-06
申请号：CN201310383093.6
申请日：2013-08-28
Applicant: 华南理工大学
Abstract: 本发明提供一种基于流形的语音情感识别方法，包含以下步骤：提取测试语句语音特征：MFCC、LPCC、LFPC、ZCPA、PLP和RASTA-PLP；计算所提取语音特征的局部均值、方差，并计算所提取语音特征一阶差分的局部均值、方差，并将它们串接，构成测试语句的局部统计特征；采用通用背景模型UBM和测试语句的局部统计特征，生成测试语句的特定高斯混合模型GMM，再将GMM的所有均值连接成向量作为该测试语句的特征向量；通过集成特征选择算法和多集群特征选择算法MCFS选择的特征，变换测试语句的特征向量；采用支持向量机分类模型，以特征选择后的测试语句的特征向量为输入，分类测试语句的情感类别。本发明的方法，其语音情感识别的准确度高。
-
公开(公告)号：CN119361086A
公开(公告)日：2025-01-24
申请号：CN202411380034.8
申请日：2024-09-30
Abstract: 本发明涉及一种基于连续对话的智能针灸问诊方法及系统。主要应用预训练的候选症候预测模型，根据用户的输入问题，得到候选症候；其中，所述候选症候预测模型内嵌于ChatGPT问诊模型；所述ChatGPT问诊模型，还用于基于候选症候确定问答列表；根据问答列表与用户进行交互，确定实际症候；以及根据实际症候输出针灸穴位。本发明通过连续对话的ChatGPT问诊模型，可以获得更精准的辅助诊断结果。
-
-
-
-
-
-
-
-
-
Search Results
92
records
(took 0.024 seconds)
