-
公开(公告)号：CN113313203B
公开(公告)日：2022-11-01
申请号：CN202110690614.7
申请日：2021-06-22
Applicant: 哈尔滨工程大学
IPC: G06V10/774 , G06V10/764 , G06N20/00
Abstract: 本发明属于图像识别技术领域，具体涉及一种基于可拓理论和深度学习的医学图像分类方法。本发明提供了融合医学领域知识、深度学习和精细化策略的分类方法，该方法结合了医学领域特征和深度学习特征，对医学图像进行快速、准确的分类。本发明利用可拓理论中可拓关联函数来检测蓝白结构的存在性，将医学图像初步分类为良性病图像和疑似恶性病图像，采用了基于YOLOv3的改进模型YoDyCK模型，可快速准确地提取疑似恶性病图像的深度学习特征，从而提高医学图像的最终分类准确度和效率。
-
公开(公告)号：CN109145944B
公开(公告)日：2021-11-05
申请号：CN201810758508.6
申请日：2018-07-11
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种基于纵向三维图像深度学习特征的分类方法，属于图像分析领域。本发明包括两个阶段：训练阶段：包括对研究对象的三维图像的预处理、获取切片图像特征提取器、根据词袋模型计算扫描图像特征向量、以及设计并训练循环神经网络分类器；测试阶段：包括待分类的研究对象P提出分类请求、对P的三维图像进行预处理、提取切片图像特征、计算扫描图像特征、以及输出分类结果。本发明利用深度卷积神经网路直接从切片图像进行特征的自动提取，无需任何人工设计的图像特征和图像的3D配准、特征区域检测等复杂的预处理步骤，且本发明针对纵向三维图像进行研究，利用循环神经网络从纵向三维图像特征向量中学习图像的变化特征，分类更准确。
-
公开(公告)号：CN107623895B
公开(公告)日：2020-04-07
申请号：CN201710722305.7
申请日：2017-08-22
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种三角距离估计的水下传感器网络定位方法，属于水下无线传感器网络技术领域。其特征在于：锚节点广播坐标信息，未知节点接收锚节点信息建立本地存储列表，保存相关信息。当未知节点具有三个及以上参考节点信息时通过投影技术实现未知节点的定位。未知节点的参考节点信息不足时，通过三角距离估计两跳参考节点的距离来增加参考节点数量，参考节点数量满足定位要求时，通过投影技术进行定位。定位成功的信任值高的节点升级为参考节点辅助其他节点定位。本发明是一种三维分布式的定位方法，实验证明该方法有较高的节点定位覆盖率和较小的定位误差。
-
公开(公告)号：CN110909057A
公开(公告)日：2020-03-24
申请号：CN201911154837.0
申请日：2019-11-22
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种数值水池虚拟试验数据中间件的设计方法。数值水池虚拟试验应用系统(200)通过API模块(112)和通信模块(113)与主中间件(120)的通信模块(122)双向传输信号，通信模块(122)通过任务处理模块(124)与数值水池虚拟试验底层分布式NoSQL数据库(300)双向传输信号。由于数值水池虚拟试验的数据包括数值型数据、字符串、数组和图像等各种异构数据，而且属于大规模数据，用户对数据的安全和并发任务处理要求比较高；因此需要在底层配置分布式NoSQL数据库集群模式，满足对多用户、多任务的高并发需求。
-
公开(公告)号：CN107632590B
公开(公告)日：2019-11-08
申请号：CN201710722267.5
申请日：2017-08-22
Applicant: 哈尔滨工程大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于优先级的底事件排序方法，属于故障分析技术领域。包括以下步骤：对故障树进行预处理，得到简化的故障树；对已经简化的故障树进行底事件排序，将故障树转化为BDD结构之前，首先要确定底事件的排列顺序，采用本发明的基于优先级的底事件排序方法进行底事件排序；根据得到的底事件排列顺序，按照香农原理的If‑Then‑Else运算符将故障树转化为BDD结构；对BDD结构进行遍历，寻找BDD结构中以1为终节点的所有路径，这些路径即为故障树的割集。本发明提出一种基于优先级的底事件排序方法，通过减小BDD的规模来减小计算代价，有效降低了故障树分析方法的内存消耗，同时提高了计算效率。
-
Patent Agency Ranking
公开(公告)号：CN104217213B
公开(公告)日：2018-04-27
申请号：CN201410409810.2
申请日：2014-08-20
Applicant: 哈尔滨工程大学
IPC: G06K9/62
Abstract: 本发明属于医疗信息技术领域，具体涉及一种基于对称性理论的医学图像多阶段分类方法。本发明包括：待分类图像提出分类请求,待分类图像应为原始医学图像数据；图像预处理过程：图像建模；多阶段分类；展示结果。本发明提出的弱对称性和强对称性的概念是对医学图像的一个重新定义。提出弱对称性判定算法和强对称性判定算法实现医学图像的多阶段的分类。这种多阶段分类的分类准确率很高，每一个阶段直接的衔接逐层深入，从而提高医生的诊断精度和缩短诊断时间。采用对称性理论实现医学图像的分类，使基于对称性理论的医学图像多阶段分类方法具有更高的准确性。
-
公开(公告)号：CN105228099A
公开(公告)日：2016-01-06
申请号：CN201510523105.X
申请日：2015-08-24
Applicant: 哈尔滨工程大学
CPC classification number: H04W64/006
Abstract: 本发明涉及一种基于环形扩散事件及移动锚节点的定位算法。本发明包括：在一个无线传感器网络中，无线传感器网络区域为圆形区域且大小已知,设为S，则半径为计算单轮事件数RankEvents和最小锚距离MinAnchorDst；进行一个轮次的定位，总共产生RankEvents个事件，每个事件以环形向外扩散，对于同一事件，根据感知到事件的先后顺序排列所有节点得到一个节点序列，节点序列中同时包含锚节点和未知节点。LADEMA算法相对于原始LADE算法引入了移动锚节点的思想，付出了一定的外部代价，换取了更高的定位效率和定位精度，总体而言性能更优。
-
公开(公告)号：CN105163280A
公开(公告)日：2015-12-16
申请号：CN201510522234.7
申请日：2015-08-24
Applicant: 哈尔滨工程大学
Abstract: 本发明涉及一种基于分簇的无线传感器网络移动锚节点定位算法。本发明包括：确定网络区域中的簇头节点，选择通信范围内含未知节点最多的点为簇头并将整个簇进行标记，除去标记节点继续按上述要求选择簇头，直到所有节点都被标记；锚节点选择有最多待定未知节点的簇的簇首位置作为初始位置，准备按规划好的路径策略进行移动。本发明有效且低成本得解决了锚节点共线问题。传统移动模型在定位时需要借助雷达等外设或者增加一些信号接收阵列装置来解决此问题，而本算法在具有较多节点的簇内的移动路径为以簇首为中心的正六边形，大大减小了未知节点收到三个共线的位置信息的可能性。
-
公开(公告)号：CN104933712A
公开(公告)日：2015-09-23
申请号：CN201510324245.4
申请日：2015-06-12
Applicant: 哈尔滨工程大学
IPC: G06T7/00
CPC classification number: G06T7/168 , G06T2207/10081 , G06T2207/20104 , G06T2207/30016
Abstract: 本发明属于医疗信息技术领域，具体涉及一种基于脑部CT图像的图模型展示方法。本发明包括：待建模图像提出建模请求：待建模图像为原始脑部CT图像；图像预处理；ROIs的分割和标记；确定ROI所处区域；确定ROI的区域优先级；顶点的建立以及顶点上特征向量的定义；边的建立规则以及边上特征向量的定义；展示结果。本发明提出一种基于脑部CT图像的TRVL图模型展示方法，此模型是依据侧脑室之间的空间关系以及病变区域对侧脑室的影响建立的拓扑关系图，它不仅准确地表示大脑颅内侧脑室之间的关系，同时也展现了病变区域对侧脑室的影响等病理信息，很好地将图像信息转变为计算机视觉信息。
-
公开(公告)号：CN104899292A
公开(公告)日：2015-09-09
申请号：CN201510306230.5
申请日：2015-06-08
Applicant: 哈尔滨工程大学
IPC: G06F17/30
CPC classification number: G06F17/30247
Abstract: 本发明属于图挖掘技术领域，具体涉及一种面向属性图集的频繁近似子图挖掘方法。本发明包括：输入属性图集D；构造属性图集S；挖掘频繁近似顶点；子图扩展；计算扩展子图P’在属性图集D中的支持度；输出频繁近似子图集F。本发明提出一种面向属性图集的频繁近似子图挖掘方法，首先利用聚类算法将属性图集中连续数值型特征向量分割成离散特征向量，从而构建一个新的属性图集S，方便子图的搜索；然后在图近似匹配过程中采用具有较强容错能力的图编辑距离，符合现实世界中噪声和图失真普遍存在的现象，可以发现更多重要模式，具有更实际的应用前景。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.076 seconds)
