-
-
公开(公告)号：CN103258211A
公开(公告)日：2013-08-21
申请号：CN201310214343.3
申请日：2013-05-31
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本申请实施例提供了一种手写体数字识别方法和系统，所述方法包括：计算待分类图像对应的待分类李群变换数据；获取预先训练的包括对应不同数字类别的样本李群变换数据，所述样本李群变换数据是根据不同数字类别对应的大量训练图像计算得到；确定最接近所述待分类李群变换数据的预设数量的目标样本李群变换数据；识别对应同一数字类别且数量最多的目标样本李群变换数据的数字类别为所述待分类图像的数字类别。通过本实施例可以实现简单高效的数字识别，且提高了识别准确率。
-
公开(公告)号：CN102789490A
公开(公告)日：2012-11-21
申请号：CN201210228899.3
申请日：2012-07-04
Applicant: 苏州大学
IPC: G06F17/30
Abstract: 本发明提供了一种数据可视化方法，包括：获取第一数据集并计算所述第一数据集中每个数据的可视化坐标，得到与所述第一数据集对应的可视化坐标集，其中，所述第一数据集包括n个D维数据，n为大于等于1的正整数，D为大于等于1的正整数；获取第二数据集并利用稀疏矩阵求加权值的方法增量式地处理所述第二数据集中的每个数据，得到所述第二数据集中每个数据的可视化坐标，并将每次处理得到的每个数据的可视化坐标加入到与所述第一数据集对应的可视化坐标集中，其中，N为大于n的正整数；输出与所述第一数据集对应的可视化坐标集。本发明还提供了一种数据可视化系统。本发明提供的数据可视化方法和系统提高了数据处理速度。
-
公开(公告)号：CN102663370A
公开(公告)日：2012-09-12
申请号：CN201210120265.6
申请日：2012-04-23
Applicant: 苏州大学
Abstract: 本发明公开了一种人脸识别的方法，通过对测试样本和训练样本进行随机的降维，并生成相似性学习训练集和测试集，选择支持向量机的正则参数和高斯核函数，将相似性学习的训练集输入到正则参数和高斯核函数中，得到分类器模型，再将相似性学习的测试集输入到分类器模型中，得到分类结果，通过将所述分类结果进行求和，与某一类样本的样本数量的商为所述某一类的相似性概率的大小，取得最大值，并将所述最大值输出，得到相似性概率的大小，得到最准确的人脸识别结果。通过对样本的降维，将样本复杂度降低，使得基于SVM来学习人脸图像之间的相似性的算法快速；另外，通过对于每一类进行的算法，使得人脸识别率有了相应的提高。
-
公开(公告)号：CN102360388A
公开(公告)日：2012-02-22
申请号：CN201110320482.5
申请日：2011-10-20
Applicant: 苏州大学
IPC: G06F17/30
Abstract: 本申请公开了一种基于支持向量回归的时间序列预测方法及系统。一种基于支持向量回归的时间序列预测方法，包括：从已有的时间序列数据集中选取历史数据，得出多个训练数据集；确定待构建的SVR模型的正则参数和高斯核参数，构建每个训练数据集对应的支持向量回归SVR模型；选取t-T+1时刻至当前t时刻之间的T个历史数据；在被预测时刻与当前时刻的第一差值小于等于SVR模型的个数的情况下，选取与所述第一差值对应的SVR模型，对T个历史数据直接利用该SVR模型获得被预测时刻的预测值。本申请的一步预测获得预测值的方式相对于现有技术多步预测获得被预测时刻的预测值的方式，预测误差的累积减少，进而获得预测值的精确度提高。
-
Patent Agency Ranking
公开(公告)号：CN115237592B
公开(公告)日：2023-07-11
申请号：CN202210815686.4
申请日：2022-07-12
Applicant: 苏州大学
IPC: G06F9/50 , G06F30/20 , G06F111/04 , G06F111/06
Abstract: 本发明涉及一种隐私感知的混合云服务流程调度方法，包括：建立含有模型目标、隐私安全的位置约束和隐私任务的时间约束的隐私感知的混合云服务流程调度的形式化模型，在隐私感知的混合云服务流程调度的形式化模型下建立调度解的编码规则、元启发式算子生成新调度解的策略、隐私感知的任务优先级映射规则和针对不可行调度解的修复策略，得到隐私感知的混合云服务流程调度的最佳方案。本发明可以通用于混合云服务流程调度下的更细粒度的隐私感知需求、在保证满足隐私安全约束的基础上提高解的质量、降低云服务流程的总成本。
-
公开(公告)号：CN108710907B
公开(公告)日：2022-05-17
申请号：CN201810461229.3
申请日：2018-05-15
Applicant: 苏州大学
IPC: G06K9/62 , G06V10/764 , G06V10/774
Abstract: 本申请公开了一种手写体数据分类方法、模型训练方法、装置、设备及介质，包括：获取包含手写体数据样本和相应的手写体类别标签的原始训练样本集；对所述原始训练样本集进行数据预处理，以从所述原始训练样本集中选取出能够保持流形结构的非噪声数据，得到处理后训练样本集；利用所述处理后训练样本集进行稀疏支持向量机模型的训练，得到训练后模型。本申请在获取到原始训练样本集之后，会对原始训练样本集进行去噪处理，并且只保留能够保持流形结构的非噪声数据，从而降低了用于训练模型的样本数据的冗余度，减少样本数据量的同时还提升了样本数据的准确度，由此使得后续训练得到的模型具有非常出色的分类精度。
-
公开(公告)号：CN107766895B
公开(公告)日：2021-07-09
申请号：CN201711140254.3
申请日：2017-11-16
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明方法明确地将半监督数据表示和分类误差结合到现有的投影非负矩阵分解框架进行联合最小化学习，由此将权重系数构造和标签传播过程作用于投影非负矩阵分解，可有效避免原始数据中可能包含的噪音、破坏或异类对相似性度量和标签预测结果的负面影响。此外，上述联合最小化过程也可在投影非负矩阵分解过程中有效保持邻域信息和空间结构，得到更准确的数据表示结果。此外，还将权重构建和归纳学习整合到一个统一的模型中，可得到自适应的权重系数矩阵，进而避免传统算法中选取最优近邻难的问题。本发明方法为诱导式模型，可完成样本外数据的归纳与预测，无需引入额外的重构过程，可拓展性能好。
-
公开(公告)号：CN112884248A
公开(公告)日：2021-06-01
申请号：CN202110314985.5
申请日：2021-03-24
Applicant: 苏州大学
Abstract: 本发明涉及一种大规模云服务流程的优化方法，包括：将多个执行计划随机分配到多个并行节点；每个并行节点并行执行局部迭代来对并行节点内部的执行计划进行处理直至局部迭代停止，每次局部迭代时，并行节点需利用离散帝王蝶优化算法和依赖‑冲突修复算法对执行计划进行处理；再将所有并行节点中局部迭代处理结束后得到的执行计划集合在一起；判断是否满足全局迭代停止条件，若判断为是，则直接输出最优执行计划；否则，就将集合后的执行计划重新分配到多个并行节点，然后再重复上述步骤。本发明提升了云服务流程优化方法的求解效率和求解精度，能够有效适用于具有不同服务流程结构、QoS约束和服务关联约束的大规模云服务流程优化问题。
-
公开(公告)号：CN109961088B
公开(公告)日：2020-09-29
申请号：CN201910114146.1
申请日：2019-02-13
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种无监督非线性自适应流形学习方法。本发明一种无监督非线性自适应流形学习方法，包括：扩展近邻点；合并近邻点；根据以上所述，定义目标函数：其中α是权衡参数可以通过调整α的值来灵活地调整算法中这两个考虑因素之间的平衡；显然，当α的值为一个相对较小的值时，该公式将更加关注全局成对距离误差，并且当α取较大值时，该公式更多地考虑局部拓扑关系；xj∈MNN(xi)意味着在使用上面的自适应邻居方法后，xj是xi的近邻点；通过优化以下问题来获得重建权重矩阵W。本发明的有益效果：本算法巧妙的结合了LLE和isomap算法的优点，同时考虑局部和全局特征，能够对高维数据进行全面而有效的特征提取。
-
-
-
-
-
-
-
-
-
Search Results
231
records
(took 0.026 seconds)
