-
公开(公告)号：CN108962391A
公开(公告)日：2018-12-07
申请号：CN201810409965.4
申请日：2018-05-02
申请人： 杭州电子科技大学
CPC分类号： G16H50/50 , G06K9/6282
摘要： 本发明公开了一种基于小波包特征和随机森林的癫痫病前期预测方法。本发明包括如下步骤：步骤1、原始信号小波包分解；步骤2、对小波包系数提取能量占比、小波包熵特征；步骤3、用随机森林算法进行分类识别。本发明将小波包特征和随机森林算法结合，对癫痫病不同时期的脑电信号进行分析，能比较准确的识别发病前期的脑电信号，并且整个方法的原理清楚，预测效率高。对其他疾病的研究也有一定的参考价值。
-
公开(公告)号：CN107832787A
公开(公告)日：2018-03-23
申请号：CN201711044609.9
申请日：2017-10-31
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于双谱自编码特征的雷达辐射源识别方法。本发明包括如下步骤：步骤1、采集雷达辐射源信号，对雷达辐射源信号进行预处理及滤噪；步骤2、对采样后得到的离散辐射源信号使用直接估计法计算离散信号的双谱图像；步骤3.采用超限学习机稀疏性自编码算法对所提取的双谱图像做特征学习，最后使用超限学习机分类算法构建雷达辐射源识别模型。本发明构建了基于双谱特征学习和超限学习机识别的一体化雷达辐射源分类架构，建立了一种快捷、高效的雷达辐射源信号识别方法。
-
公开(公告)号：CN107085704A
公开(公告)日：2017-08-22
申请号：CN201710188162.6
申请日：2017-03-27
申请人： 杭州电子科技大学
IPC分类号： G06K9/00
CPC分类号： G06K9/00288 , G06K9/00302
摘要： 本发明公开了一种基于ELM自编码算法的快速人脸表情识别方法，本发明包括步骤如下：步骤1、训练基于Adaboost的人脸区域检测分类器并进行人脸检测；2、对检测到的人脸区域进行预处理，包括裁剪、尺寸归一化以及直方图均衡化处理；3、采用基于自编码器和超限学习机结合的ELM‑AE算法作为特征提取算法，对预处理后的人脸表情图像进行特征提取；4、构建基于超限学习机的人脸表情分类器，将特征提取的向量输入到表情分类器中，输出结果即为此人脸的情绪。本发明能够更为快速高效地提取主要信息并降维。表情识别分类时，ELM只要调节神经元的一个参数，识别运行时间短，并且准确率高，是一种高效且学习速度快的算法。
-
公开(公告)号：CN106779091A
公开(公告)日：2017-05-31
申请号：CN201611205044.3
申请日：2016-12-23
申请人： 杭州电子科技大学
IPC分类号： G06N99/00
CPC分类号： G06N99/005
摘要： 本发明公开了一种基于超限学习机及到达距离的周期振动信号定位方法。本发明包括如下步骤：步骤1、基于已知准确基频和到达距离，获取训练距离预测模型。步骤2、分别获取同一时间段内3个及以上的节点处采集得到的未知基频与到达距离的周期振动信号；步骤3、针对任一节点处的周期振动信号，进行准确基频fi的提取，并基于得到的准确基频进行FBED特征向量的提取；步骤4、对任一节点处周期振动信号，提取得到FBED特征向量W，利用训练好的ELM预测模型对特征向量W进行距离估计，得到对应的距离估计值di；步骤5、计算振动源的估计坐标。本发明实现单节点下高精度的距离估计且具有极快的训练和实时估计的速度，降低了传感器网络布设的成本。
-
公开(公告)号：CN106249228A
公开(公告)日：2016-12-21
申请号：CN201610530164.4
申请日：2016-06-30
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于基频能量分布特征的周期振源距离智能检测方法。本发明包括如下步骤：步骤1、基频检测得到周期振动信号的基频；步骤2、依据基频从周期振动信号中提取出一种反映基频能量分布的频带能量百分比特征，即FBEP特征；步骤3、依据已知距离的特征库，将提取出的未知距离的FBEP特征通过KNN法进行分析处理，得到振动信号距离的预测值。运用本发明后，单传感器节点可以实现检测距离，多传感器组合则可以实现交叉定位，并同时确保其精度与可靠性。此外，本发明具有无需事先学习距离特征的优点，从而使此距离检测具有更好的适应性。同时基于互相关法改进的基频检测步骤可以达到较好的距离检测效果。
-
公开(公告)号：CN114093501B
公开(公告)日：2024-07-02
申请号：CN202111216851.6
申请日：2021-10-19
申请人： 杭州电子科技大学
IPC分类号： G16H50/20 , G06V20/40 , G06V40/20 , G06V10/764 , G06V10/762 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0464 , A61B5/00 , A61B5/372 , A61B5/11 , G06N3/048
摘要： 本发明公开了一种基于同步视频与脑电的儿童运动性癫痫智能辅助分析方法。本发明结合脑电信号特征和同步视频数据的特征，旨在实现精准可靠的儿童癫痫患者的发作检测识别。本发明将脑电与视频数据特征融合在一起训练分类模型，提高了发作检测的识别率，同时利用数据均衡对融合特征进行处理，克服了癫痫发作期的数据远少于发作间期的问题；同时本发明采用了YOLO目标检测的方法，检测出视频中儿童癫痫患者的位置再对其进行下一步处理，克服了实际工作中，医院摄像头采集的视频数据不够理想的问题；本发明在提取时空兴趣点后，引入时空兴趣点筛选模块，减少了对视频中冗余信息的特征提取，精简了视频特征，提高了儿童癫痫发作检测率。
-
公开(公告)号：CN114081508B
公开(公告)日：2024-05-14
申请号：CN202111279893.4
申请日：2021-10-28
申请人： 杭州电子科技大学
IPC分类号： A61B5/372 , A61B5/00 , G06F18/243 , G06F18/25 , G06N3/0464 , G06N3/0442 , G06N3/08
摘要： 本发明公开了一种基于深度神经网络与CCA特征融合的棘波检测方法。首先对输入的原始单通道脑电信号进行预处理操作，分割后得到脑电信号片段；分别通过连续小波变换得到频谱图特征和平滑非线性能量滤波后的传统特征；通过DenseNet121深度神经网络对频谱图提取2维深度特征，使用方差过滤式方法筛选出4维的传统特征；使用典型相关分析并采取相加的融合策略，得到2维的融合特征；再通过随机森林算法构建单通道棘波和非棘波样本数据集的棘波检测模型；最后通过建立的棘波检测模型进行脑电棘波检测。本发明通过频谱图深度特征与传统特征的CCA特征融合，并结合随机森林分类算法，达到对棘波放电精准检测的效果，能够同时检测棘波以及其产生的位置信息。
-
公开(公告)号：CN114224363B
公开(公告)日：2024-04-30
申请号：CN202210087829.4
申请日：2022-01-25
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于双流3D深度神经网络的儿童癫痫综合征辅助分析方法。首先对脑电数据进行预处理，然后将经过预处理的脑电数据，分别转换为双极纵向导联EEG数据和平均参考导联EEG数据；再提取时频特征和频空特征；最后将得到的时频、频空特征图片传入双流3D卷积神经网络中，通过双流3D卷积神经网络中的注意力机制模块将提取不同通道间的信息，最终把时频输入流和频空输入流的softmax概率输出进行平均加权得到相应儿童癫痫综合征类别。本发明能够获得较高的分类准确率，实现对儿童癫痫综合征的精确分类。
-
公开(公告)号：CN113191397B
公开(公告)日：2024-02-13
申请号：CN202110381734.9
申请日：2021-04-09
申请人： 杭州电子科技大学
IPC分类号： G06V10/774 , G06V10/80 , G06V10/764 , G06N3/0464 , G06N3/09 , G06F17/16
摘要： 本发明公开了一种基于最大相关熵准则的多维信号特征融合方法。首先，针对最小均方误差的不足，引入核函数理论，介绍了最大相关熵准则；然后，提出最大相关熵准则替换最小均方误差，作为ELM‑AE的损失函数；其次，详细介绍了公式的推导过程，堆叠多个ELM‑AE构成一个基于最大相关熵准则的深层神经网络；再次，针对某轴流压气机发生旋转失速的机械振动信号，提取信号的多维时域统计特征指标和非线性特征熵；最后，利用深度神经网络对提取的多维信号特征做特征融合，通过特征可视化分析，进一步验证了所提方法在特征融合方面的有效性。
-
公开(公告)号：CN117074913A
公开(公告)日：2023-11-17
申请号：CN202311045960.5
申请日：2023-08-18
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于多目标优化区间的电路板V‑I曲线不确定度量方法，本发明方法可针对V‑I曲线数据存在偏移和低密度情况，构建具有多目标损失函数的深度神经网络模型进行V‑I曲线不确定的度量，自动获取具有高覆盖、窄宽度、小偏差特性的V‑I曲线区间。针对采集设备的过零点补偿导致采集的同一测点V‑I曲线数据存在形状相同但上下偏移情况，采用最大最小归一化方法消除偏移。针对数据分布不同而导致预测区间偏差大情况，构建一个包含偏差信息的损失函数来实现区间对低密度数据覆盖，进一步地有利于电路板的故障检测研究。
-
-
-
-
-
-
-
-
-
搜索结果
171 条记录 (耗时 0.068 秒)
