-
公开(公告)号：CN108877947B
公开(公告)日：2021-10-15
申请号：CN201810558766.X
申请日：2018-06-01
Applicant: 重庆大学
Abstract: 本发明公开了一种基于迭代均值聚类的深度样本学习方法，按照以下步骤进行：S1：选择训练数据，并通过N次迭代均值聚类算法处理得到N+1层训练样本子集，N≥1；S2：将每层训练样本子集独立进行回归训练，得到N+1个回归器；S3：选择验证数据，并将验证数据分别送入N+1个回归器中得到N+1个验证结果；S4：基于加权融合机制确定每个回归器对应的最佳权重(w0,w1,…,wN)；S5：获取测试数据，并利用N+1个回归器以及对应的最佳权重得到最终的预测结果。其效果是：将学习样本经过多次迭代均值聚类得到不同的训练样本数据集，然后分别进行训练和学习，在相同样本数量的情况下，有效增加了模型的学习能力，提升了分类或预测的准确性。
-
公开(公告)号：CN110378433A
公开(公告)日：2019-10-25
申请号：CN201910672440.4
申请日：2019-07-24
Applicant: 重庆大学
Abstract: 本发明公开了基于PSO-SVM的桥梁拉索表面缺陷的分类识别方法，包括如下步骤：S1、获取待测拉索表面图像信息；S2、从待测拉索表面图像信息中提取待测表面缺陷特征信息；S3、将待测表面缺陷特征信息输入PSO-SVM分类器，得到待测拉索的表面缺陷分类识别信息。本发明鉴于支持向量在解决小样本、非线性、高维模式识别中表现出的特有优势，将SVM算法应用于拉索表面缺陷检测，还采用粒子群优化算法来优化SVM模型参数，进一步提高了分类识别率。
-
公开(公告)号：CN104881686B
公开(公告)日：2018-02-02
申请号：CN201510282981.8
申请日：2015-05-28
Applicant: 重庆大学
Abstract: 本发明公开了一种基于脑磁共振影像的Aβ蛋白沉积信息检测系统，设置有MRI图像采集装置、图像预处理装置、特征提取装置以及参数反演装置；所述特征提取装置用于提取最优特征子集；所述参数反演装置用于将所述最优特征子集反演出Aβ蛋白沉积含量；该参数反演装置中固化有训练好的SVM模型，所述SVM模型是通过选择多个训练样本图像的多个特征参数，并以每个样本图像对应PET图像的Aβ蛋白沉积含量为评价标准，最终训练出的最优特征子集与Aβ蛋白沉积含量的映射关系。其显著效果是：不仅具有无创、无辐射、安全、自动化程度高等优点，而且可应用于阿尔茨海默病诊断的临床应用。
-
公开(公告)号：CN111354338B
公开(公告)日：2022-03-15
申请号：CN202010119313.4
申请日：2020-02-26
Applicant: 重庆大学
Abstract: 本发明公开一种基于PSO卷积核优化稀疏迁移学习的帕金森语音识别系统，包括：数据采集模块、公共数据库、目标数据库和分类识别器；系统将公共语音数据集的语音特征进行卷积稀疏学习，得到相应的卷积核；然后利用目标数据库中的一部分目标数据集进行卷积稀疏编码及样本和特征并行优选；通过PSO算法得到最优卷积核；然后基于最优卷积核，利用目标数据库中的另一部分目标数据集进行卷积稀疏编码及样本和特征并行优选；从而得到系统最优卷积核及最佳样本和特征；最后数据采集模块采集待测对象的语音数据基于最优卷积核进行卷积稀疏编码，提取编码后的最佳样本和特征，由分类识别器得出测试结果。本系统分类准确率高，样本需求量少，实施方便。
-
公开(公告)号：CN113393932A
公开(公告)日：2021-09-14
申请号：CN202110761463.X
申请日：2021-07-06
Applicant: 重庆大学
Abstract: 本发明涉及语音分类技术领域，具体公开了一种帕金森病语音样本段多类型重构变换方法，首先，设计重构算子对原始数据样本段进行变换，从而得到第一目标数据集；其次，考虑到样本间的差异性，对原始数据集进行聚类重构，得到第二目标数据集；再次，利用聚类重构的新样本段集对聚类后的数据样本集进行卷积处理，得到第三目标数据集；最后，基于这三个新数据集分别训练子分类器，然后对分类结果进行决策加权融合。本发明提出了基于多类型重构和聚类算法的PD语音样本变换算法，有效获得高质量新样本，从而提高识别准确率。实验结果表明本方法构建的三个新样本数据集都比变换前的原数据集具有较高的准确率。
-
Patent Agency Ranking
公开(公告)号：CN111354338A
公开(公告)日：2020-06-30
申请号：CN202010119313.4
申请日：2020-02-26
Applicant: 重庆大学
Abstract: 本发明公开一种基于PSO卷积核优化稀疏迁移学习的帕金森语音识别系统，包括：数据采集模块、公共数据库、目标数据库和分类识别器；系统将公共语音数据集的语音特征进行卷积稀疏学习，得到相应的卷积核；然后利用目标数据库中的一部分目标数据集进行卷积稀疏编码及样本和特征并行优选；通过PSO算法得到最优卷积核；然后基于最优卷积核，利用目标数据库中的另一部分目标数据集进行卷积稀疏编码及样本和特征并行优选；从而得到系统最优卷积核及最佳样本和特征；最后数据采集模块采集待测对象的语音数据基于最优卷积核进行卷积稀疏编码，提取编码后的最佳样本和特征，由分类识别器得出测试结果。本系统分类准确率高，样本需求量少，实施方便。
-
公开(公告)号：CN110414590A
公开(公告)日：2019-11-05
申请号：CN201910671798.5
申请日：2019-07-24
Applicant: 重庆大学
Abstract: 本发明公开了基于智能移动设备和卷积神经网络的人体活动识别方法，包括如下步骤：通过智能移动设备周期性采集用户的时间序列数据形成时间序列数据集；生成用户的统计特征向量集，所述统计特征向量集包括若干个统计特征向量，每个所述统计特征向量包括由多个连续时间序列数据生成的时间特征信息及所述时间特征信息对应的三轴加速度特征信息；将所述时间序列数据集及所述统计特征向量集输入完成训练的卷积神经网络，得到每个所述统计特征向量的分类信息，从而根据分类信息进行人体活动识别。本发明通过现有的智能移动设备即可完成数据的采集，数据采集成本低，不会对用户生活造成干扰，具有普适性，适合进行大范围推广。
-
公开(公告)号：CN108877947A
公开(公告)日：2018-11-23
申请号：CN201810558766.X
申请日：2018-06-01
Applicant: 重庆大学
Abstract: 本发明公开了一种基于迭代均值聚类的深度样本学习方法，按照以下步骤进行：S1：选择训练数据，并通过N次迭代均值聚类算法处理得到N+1层训练样本子集，N≥1；S2：将每层训练样本子集独立进行回归训练，得到N+1个回归器；S3：选择验证数据，并将验证数据分别送入N+1个回归器中得到N+1个验证结果；S4：基于加权融合机制确定每个回归器对应的最佳权重(w0,w1,…,wN)；S5：获取测试数据，并利用N+1个回归器以及对应的最佳权重得到最终的预测结果。其效果是：将学习样本经过多次迭代均值聚类得到不同的训练样本数据集，然后分别进行训练和学习，在相同样本数量的情况下，有效增加了模型的学习能力，提升了分类或预测的准确性。
-
公开(公告)号：CN103415072B
公开(公告)日：2016-03-16
申请号：CN201310344275.2
申请日：2013-08-08
Applicant: 重庆大学
Abstract: 本发明涉及一种无线传感网络中基于估距的定位方法，该方法采用未知节点在每次估算距离时，依据所需估算的距离寻找最优估距锚点，各级是否存在最优估距锚点以及其类型将估距方式分成三种类型，每种类型以不同的方式获取估算距离以实现定位，最后用“非线性-跳数”加权因子对同一未知节点的多个估计坐标进行加权处理，以求得未知节点的坐标实现定位。本发明所述方法无线传感网络中估距误差小，定位准确度高。
-
公开(公告)号：CN104954982A
公开(公告)日：2015-09-30
申请号：CN201510232169.4
申请日：2015-05-08
Applicant: 重庆大学
CPC classification number: H04W4/025 , H04W64/006
Abstract: 本发明提出一种基于压缩感知实时重建功率场的室内定位方法，以实现在保证定位精度的前提下，降低算法复杂度，拓宽应用领域。本发明的特征在于，只需通过在目标区域按照一定规则布置少量观测点测量其所在位置接收到的被定位目标的辐射功率值，采用压缩感知技术，选取合适的基矩阵，直接重建待定位目标的辐射功率场，通过估计功率场的最大值位置得到待定位目标的位置，实现目标定位。该方案不需要预先建立功率分布库，避免了因信道环境变化需要不断更新功率分布库，节省了时间，简化了算法复杂度，在实际应用中更加方便实用。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.025 seconds)
