-
公开(公告)号：CN117437533A
公开(公告)日：2024-01-23
申请号：CN202311482017.0
申请日：2023-11-09
申请人： 杭州电子科技大学
摘要： 本发明公开了基于多模态融合的深海高光谱图像目标识别方法，该方法首先获取深海高光谱数据集，并对深海高光谱数据集预处理，去除数据中噪声干扰最严重的波段，得到预处理后数据集用X。其次对数据集X进行基于熵率的超像素分割，获得均质的子空间。然后计算每个子空间不同波段的高光谱图像之间的相似性，构建相似图，并基于优化问题，通过多模态融合特征选择，更新相似图。最后由鲁棒可能性模糊聚类算法，进行降维和分类，完成目标识别。本发明可以更好地捕捉到目标物体的特征，从而改善分类和识别的准确性，提高对锰结核的分类和识别性能。
-
公开(公告)号：CN115169483A
公开(公告)日：2022-10-11
申请号：CN202210868254.X
申请日：2022-07-22
申请人： 杭州电子科技大学
摘要： 本发明公开了基于联合域对齐张量子空间学习的跨样本EEG解码方法，本发明将EEG数据多维信息利用张量表示，并利用Tucker分解技术获得不同维度特征信息并将其作为样本间的共享子空间。然后为减小域差异带来的影响，引入一组对齐矩阵集将不同样本域同时对齐张量子空间，利用图正则化保持源域和目标域的局部结构。最后利用交替迭代的方法学习最优子空间，并在子空间中训练一个线性分类器达到跨样本解码的目的。
-
公开(公告)号：CN114305453A
公开(公告)日：2022-04-12
申请号：CN202111563107.3
申请日：2021-12-20
申请人： 杭州电子科技大学
摘要： 本发明提出了一种多源流形脑电特征迁移学习方法；首先，在对称正定(SPD)流形中对齐源域和目标域协方差矩阵的分布均值，并提取切线空间特征，再通过格拉斯曼流形学习，提取Grassmann流行特征，将源域和目标域的边缘概率分布差异最小化。得到流行特征后，通过对源域和目标域的结构风险最小化和条件概率分布差异最小化作为目标函数，为每个源域进行分类模型训练，每个分类器分别对目标域进行预测，将不同源域的预测结果通过投票方式进行整合。最终进行迭代，得到多源迁移学习的分类结果。
-
公开(公告)号：CN106937872B
公开(公告)日：2019-11-12
申请号：CN201710262314.2
申请日：2017-04-20
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于回归曲线的步态双侧对称性评价方法。首先，利用加速度传感器获取步态运动时足部三轴加速度信息，并对获取的加速度信息进行消噪预处理；其次，提取消噪后的加速度信号，分别计算连续步态周期的双侧对称性指标，实现步态对称性的定量分析。本发明步态双侧对称性检测方法具有简便、准确的特点，在步态平衡能力分析等领域具有广阔的应用前景。
-
公开(公告)号：CN105550705B
公开(公告)日：2018-11-23
申请号：CN201510922194.5
申请日：2015-12-11
申请人： 杭州电子科技大学
IPC分类号： G06K9/62
摘要： 本发明公开一种改进自训练半监督学习的脑电信号识别方法。首先对采集到的EEG信号进行预处理，利用半监督extreme energy ratio算法提取标记和未标记样本的特征向量，然后利用标记样本训练支持向量机(SVM)，并对未标记样本进行预测，再选择具有高置信度的未标记样本及其对应的预测标签，加入标记样本集中，并相应地从未标记样本集中删除，依次循环迭代，最后完成对所有未标记样本的标注。本发明不仅大大减少了用户在使用BCI系统之前的训练时间，而且有效地提高了识别精度和鲁棒性。
-
公开(公告)号：CN103987154B
公开(公告)日：2016-06-29
申请号：CN201410038259.5
申请日：2014-01-26
申请人： 杭州电子科技大学
IPC分类号： H05B37/02
CPC分类号： Y02B20/48
摘要： 本发明提出了一种基于总线技术的智能灯节点电路。本发明包括控制模块电路、电源模块电路、通信模块电路、继电器执行与检测模块电路；电源模块电路为控制模块电路、通信模块电路、继电器执行与检测模块电路供电，通信模块电路的输出端与控制模块电路的输入端相连接，控制模块电路的输出端与继电器执行与检测模块电路的输入端相连接。本发明是减少线束长度，解决粗大线束与有限空间之间的矛盾；减轻线束重量，节约了成本；减小通过开关的电流，将操作开关处的强电转变为弱电；减少触点的烧结现象，提高照明系统的可靠性，同时确保工作人员的安全；具有自诊断和自恢复功能，并增加照明系统可维护性，提高智能化程度。
-
公开(公告)号：CN104107042A
公开(公告)日：2014-10-22
申请号：CN201410326582.2
申请日：2014-07-10
申请人： 杭州电子科技大学
IPC分类号： A61B5/0488 , A61B5/11
摘要： 本发明涉及一种基于粒子群优化-支持向量机的肌电信号步态识别方法。本发明利用粒子群优化算法，优化支持向量机的惩罚参数和核函数参数，从而优化支持向量机的性能，实现有效识别分类。首先对采集的下肢肌电信号进行小波模极大值去噪；其次对消噪后的肌电信号提取时域特征，得到特征样本；然后利用利用粒子群优化算法进行支持向量机的参数优化，得到误差最小的一组最优参数，构造分类器；最后将肌电信号特征样本集输入分类器随对步行状态进行分类识别。本发明方法兼顾分类的准确性和自适应性，计算过程简单、高效，在下肢运动状态识别领域具有广阔的应用前景。
-
公开(公告)号：CN114186608B
公开(公告)日：2024-03-12
申请号：CN202111294155.7
申请日：2021-11-03
申请人： 杭州电子科技大学
IPC分类号： G06F18/25 , G06F18/2133 , G06F18/214 , G06F18/2431 , G06F18/27 , G06N3/044 , G06N3/08 , A61B5/369 , A61B5/372 , A61B5/389 , A61B5/398 , A61B5/00
摘要： 本发明公开了一种基于运动想象的混合脑肌接口特征提取方法，包括以下步骤：采集导联脑电图信号和导联肌电图信号，采用小波去噪的方法处理脑电信号和肌电信号，脑电信号基于似然同步理论构建脑功能网络，选取阈值进行二值化处理，提取二值化脑功能网络的特征，肌电信号采用非负矩阵分解，协同矩阵选取合适的数据变异度寻找不同的协同元，提取协同元的特征。将脑电特征和肌电特征进行特征融合。运用极限学习机实现对动作意图的识别分类。本发明识别率相比单一脑电特征和肌电特征更高，泛化性较强。本发明方法采取选取多特征融合互补的方式，可以提高动作意图识别的准确性、稳定性以及模型的鲁棒性。
-
公开(公告)号：CN117204867A
公开(公告)日：2023-12-12
申请号：CN202311206383.3
申请日：2023-09-18
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于表面肌电信号的肌肉协同分析方法，包括如下步骤：S1、采集多通道表面肌电信号；S2、通过解释方差作为肌肉协同数目的标准进而确定肌肉协同数目；S3、提取肌肉协同特征，根据包络线信号矩阵Zi×r与肌肉协同数目n，对包络线信号矩阵Zi×r进行非负矩阵分解，并在分解过程中引入稀疏约束，将提取肌肉协同特征过程转化成优化问题；S4、根据步骤S3的优化问题得到分解后的重构矩阵HYres，即分解结果；S5、对协同结构矩阵Hres进行归一化处理，得到不同肌肉协同模块下的肌肉激活状态并分析，得到该运动过程中肌肉的协同模式，并计算重构精度与稀疏程度。该方法能够在肌肉协同分析中取得更高的重构精度和稀疏程度，从而提升了数据分解的质量和解释能力。
-
公开(公告)号：CN114186608A
公开(公告)日：2022-03-15
申请号：CN202111294155.7
申请日：2021-11-03
申请人： 杭州电子科技大学
摘要： 本发明公开了一种基于运动想象的混合脑机接口特征提取方法，包括以下步骤：采集导联脑电图信号和导联肌电图信号，采用小波去噪的方法处理脑电信号和肌电信号，脑电信号基于似然同步理论构建脑功能网络，选取阈值进行二值化处理，提取二值化脑功能网络的特征，肌电信号采用非负矩阵分解，协同矩阵选取合适的数据变异度寻找不同的协同元，提取协同元的特征。将脑电特征和肌电特征进行特征融合。运用极限学习机实现对动作意图的识别分类。本发明识别率相比单一脑电特征和肌电特征更高，泛化性较强。本发明方法采取选取多特征融合互补的方式，可以提高动作意图识别的准确性、稳定性以及模型的鲁棒性。
-
-
-
-
-
-
-
-
-
搜索结果
42 条记录 (耗时 0.058 秒)
