-
公开(公告)号：CN103235947B
公开(公告)日：2016-12-07
申请号：CN201310152411.8
申请日：2013-04-27
Applicant: 苏州大学
IPC: G06K9/20
Abstract: 本申请公开了一种手写体数字识别方法及装置，所述方法包括获取待识别的目标数字和目标图像中的图像数据集合，所述图像数据集合中包括至少一个图像数据；对所述图像数据集合中的每个图像数据进行向量转换，得到每个所述图像数据对应的向量数据，所有所述向量数据组成向量数据集合；利用基于正交匹配追踪算法的局部稀疏线性嵌入降维方法对所述向量数据集合进行降维操作，得到降维向量数据集合；依据所述降维向量数据集合，识别得到所述目标图像中与所述目标数字相对应的数字图像。通过本申请实施例中正交匹配追踪算法得到的计算解并非全部为0，相对于现有技术能够明显体现出局部稀疏性，且具有稳定性，进而使得最终识别出的数字图像准确率较高。
-
公开(公告)号：CN103310217B
公开(公告)日：2016-06-01
申请号：CN201310246733.9
申请日：2013-06-20
Applicant: 苏州大学
IPC: G06K9/52
Abstract: 本发明公开了一种基于图像协方差特征的手写体数字识别方法及装置，包括：提取N个手写体数字训练图像的协方差矩阵，作为训练样本；其中，N为自然数；利用支持向量机对训练样本进行训练，得到分类器模型系数；其中，支持向量机所采用的核函数为计算协方差矩阵之间相似性的矩阵核函数；利用分类器模型系数、矩阵核函数和训练样本构建分类器模型；利用分类器模型对需识别手写体数字图像进行识别。采用本发明矩阵核函数的支持向量机可以对图像的协方差特征进行处理，从而使得所产生的分类器模型的系数更加准确，进而提高了手写体数字的识别率。
-
公开(公告)号：CN105160207A
公开(公告)日：2015-12-16
申请号：CN201510541211.0
申请日：2015-08-28
Applicant: 苏州大学张家港工业技术研究院
Abstract: 本申请公开了一种前列腺肿瘤的类型预测方法和系统，该方法和系统首先获取包含受检者的基因表达数据的待测样本；对待测样本进行归一化，构造归一化后的新待测样本；利用预设的投影变换矩阵将新待测样本映射到低维特征空间中，得到映射后的投影测试样本；从投影变换矩阵的训练样本集中找到与投影测试样本距离最近的样本；将样本的类型赋予投影测试样本，从而完成对前列腺肿瘤的类型预测并得到类型预测结果。
-
公开(公告)号：CN104951666A
公开(公告)日：2015-09-30
申请号：CN201510443594.8
申请日：2015-07-24
Applicant: 苏州大学张家港工业技术研究院
IPC: G06F19/00
Abstract: 本发明公开了一种疾病诊断方法和装置。该方法基于余弦相似度原理，根据多个训练样本的基因表达数据确定任意一个训练样本的同类相似样本集和异类相似样本集。进而，根据同类相似样本集和异类相似样本集构建低维特征空间的投影矩阵，利用该投影矩阵实现对训练样本和测试样本的降维处理，以方便对测试样本的诊断。与现有技术相比，本发明在采用余弦来度量样本之间的相似度，与采用欧氏距离的方式相比，其相似度的度量精度更高，从而提高了疾病诊断的精度。
-
公开(公告)号：CN104732241A
公开(公告)日：2015-06-24
申请号：CN201510163098.7
申请日：2015-04-08
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明的多分类器构建方法和系统，本发明将包含多类样本数据的训练样本集处理为多个两类数据集合；并对每个两类数据集合进行特征选择，得到相应的训练样本子集；之后对每个训练样本子集进行建模，得到相应的子分类器。可见，本发明通过把多类问题分解为多个两类问题，并对每个两类问题进行冗余特征剔除，使每个子分类器具备了特征挑选能力；从而后续进行类别诊断时，可预先基于各子分类器的特征挑选能力对待测数据进行特征挑选，通过利用各子分类器剔除待测数据中的冗余特征，为最终得到较高准确率的类别诊断结果提供了支持。
-
Patent Agency Ranking
公开(公告)号：CN104731972A
公开(公告)日：2015-06-24
申请号：CN201510170063.6
申请日：2015-04-13
Applicant: 苏州大学张家港工业技术研究院
IPC: G06F17/30
Abstract: 本发明公开了一种时间序列分类方法和装置。该方法在生多个码词后从多个码词中确定与待测时间序列子序列马氏距离最短的第一码词和样本时间序列子序列马氏距离最短的第二码词，并用利用第一码词和第二码词对待测时间序列和样本时间序列进行重构。进一步，利用重构待测时间序列与各个重构样本时间序列之间马氏距离，确定待测时间序列的类别。与现有技术相比，本发明解决了欧氏距离作为相似性度量容易受模式特征量纲的影响，引入马氏距离作为相似性度量，在消除量纲影响的同时，也消除了码词间相关性对算法准确率的影响，提高了分类的精度。
-
公开(公告)号：CN104616000A
公开(公告)日：2015-05-13
申请号：CN201510089247.X
申请日：2015-02-27
Applicant: 苏州大学
CPC classification number: G06K9/00288 , G06K9/6271
Abstract: 本发明提供一种人脸识别方法和装置。该方法在原有的小样本有监督拉普拉斯判别分析的基础上进行改进，在最小化类内散度的目标函数中融入了最大化类间散度，使用拉普拉斯判别分析，通过实现最优目标函数求得投影矩阵，对高维人脸数据进行降维。在用此种方法降维后，对人脸图像识别率比原SLDA方法高，能更好地进行人脸识别。
-
公开(公告)号：CN104484684A
公开(公告)日：2015-04-01
申请号：CN201510001954.9
申请日：2015-01-05
Applicant: 苏州大学
IPC: G06K9/66
CPC classification number: G06K9/66
Abstract: 本申请公开了一种手写体识别方法及系统，方法为：利用带平滑范数L1的自编码器对训练样本集中的各个训练样本进行处理，得到对应的目标训练样本，所述目标训练样本与所述训练样本集中的样本标签组成目标训练样本集，所述带平滑范数L1的自编码器的目标函数中设有稀疏惩罚项，该稀疏惩罚项为平滑L1范数，然后利用目标训练样本训练分类器，得到目标分类器，利用带平滑范数L1的自编码器对待预测样本进行处理，得到目标待预测样本，最后将所述目标待预测样本输入至所述目标分类器，以确定待预测样本的类别。本申请的方案将平滑范数L1引入自编码器中，代替常用的KL散度，作为新的稀疏惩罚项，能够得到更具判别性的特征，使得最终的手写体识别率更高。
-
公开(公告)号：CN104462870A
公开(公告)日：2015-03-25
申请号：CN201510011796.5
申请日：2015-01-09
Applicant: 苏州大学
IPC: G06F19/24
Abstract: 本发明提供了一种人类基因启动子识别方法及装置，现有技术中典型的非启动子具体包括外显子、内含子和3’-UTR，因此本申请预先分别构建预设启动子-外显子分类器、预设启动子-内含子分类器和预设启动子-3’-UTR分类器，相对于传统的启动子-非启动子的分类器，由于每个分类器中只有两个类别，不会出现交叉分类的情况，所以分类性能显著提高。并且分类器的基因训练序列中启动子与外显子的数量一致，启动子与内含子的数量一致，启动子与3’-UTR的数量一致，因此保证每个分类器中启动子和非启动子样本平衡，使得分类器能够依据平衡样本进行分类，因此能够准确识别启动子，解决现有技术中假阳性的问题，进而提高分类器的分类性能。
-
公开(公告)号：CN104376234A
公开(公告)日：2015-02-25
申请号：CN201410727536.3
申请日：2014-12-03
Applicant: 苏州大学
IPC: G06F19/22
Abstract: 本发明公开了一种启动子识别方法及系统：获取测试数据确定所述测试数据的一次特征向量；利用自编码器，对所述测试数据的一次特征向量进行特征提取，得到所述测试数据的二次特征向量；利用预设支持向量机，对所述测试数据的二次特征向量进行分类，得到分类结果，当所述分类结果满足预设条件时，确定所述测试数据为启动子。相较现有技术中直接对利用KL散度提取到的特征向量进行分类判定，本发明利用了自编码器的神经网络学习算法，有效地提高了对启动子的识别性能，进而提高了识别准确度。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.023 seconds)
