-
公开(公告)号：CN116596161A
公开(公告)日：2023-08-15
申请号：CN202310807852.0
申请日：2023-07-04
Applicant: 江南大学
IPC: G06Q10/04 , G06Q50/30 , G06F18/213 , G06F18/2337 , G06F18/24
Abstract: 本发明涉及一种多中心小样本场景下目标预测模型构建方法和预测方法。通过结合迁移学习的思想直接用已训练节点的知识对新节点的训练集进行预测，借助预测错误样本体现新节点与已训练节点的差异，将其作为补充知识，以此快速获取新节点的模型知识，避免每次都对新节点从头训练；最后使用岭回归方法实现增量式子分类器的并行集成，大大节省了部署时间和成本。通过共享历史知识和知识丢弃机制保证模型的泛化性，在足够的共享知识的支持下，对于小样本量的节点也可以取得较好的分类效果。基于具有高度可解释性的零阶TSK模糊系统进行改进，所有的模型参数都可以通过规则的形式体现，有着高度的语义透明性，在实际应用中更能帮助用户分析和理解数据。
-
公开(公告)号：CN112468676B
公开(公告)日：2021-08-24
申请号：CN202011338227.9
申请日：2020-11-25
Applicant: 江南大学 , 江苏宇迪光学股份有限公司
Abstract: 本发明公开一种国密加密图像信息传输方法，包括如下步骤：由网络摄像机捕捉图像信息并由网络摄像机对捕捉的图像信息进行国密加密；响应于对捕捉的图像信息进行国密加密，由网络摄像机向基站发送调度请求；响应于基站正在使用第一资源分配方式，由网络摄像机在第一时隙的第一符号集合中监听由基站发送的第一DL控制消息；响应于在第一时隙的第一符号集合中监听到第一DL控制消息，由网络摄像机在第一时隙的第二符号集合中监听由基站发送的DL参考信号；响应于在第一时隙的第二符号集合中监听到由基站发送的DL参考信号，由网络摄像机在第一时隙的第三符号集合中向基站发送UL参考信号；响应于监听到第一DL控制消息，由网络摄像机在第二时隙的第一符号集合上监听由基站发送的第二DL控制信息。
-
公开(公告)号：CN113052271A
公开(公告)日：2021-06-29
申请号：CN202110528150.X
申请日：2021-05-14
Applicant: 江南大学
Abstract: 本发明公开了一种基于深度神经网络的生物发酵数据预测方法，包括如下步骤：获取并预处理样本光谱数据以得到训练集；利用训练集对自监督特征提取网络模型进行训练以优化特征提取网络模型参数；利用经特征提取的数据对自动编码器网络模型进行训练以建立降维模型；对经降维模型挑选的数据进行TSK模糊回归以建立浓度预测模型；输入待测溶液的光谱数据以预测溶液浓度。本发明结合自监督学习的深度自动编码器特征提取方法，既能构造比传统的主成分分析法更为复杂的非线性映射，还可以保证其提取的特征具有利于后续的回归预测方法的语义信息，结合TSK回归预测，可以避免光谱数据维度过大、冗余信息较多的问题，而且能给出精确且具有可解释性的结果。
-
公开(公告)号：CN112492274A
公开(公告)日：2021-03-12
申请号：CN202011342299.0
申请日：2020-11-26
Applicant: 江南大学 , 江苏宇迪光学股份有限公司
IPC: H04N7/18 , H04N1/44 , H04W12/03 , H04W24/08 , H04B17/318 , H04B17/382
Abstract: 本发明公开了一种基于普通网络摄像机的国密加密传输方法，包括如下步骤：由第一网络摄像机收集图像数据并对图像数据进行国密加密；由第二网络摄像机收集图像数据并对图像数据进行国密加密；响应于对图像数据进行国密加密，由第一网络摄像机向宏基站发送调度请求；响应于接收到调度请求，由宏基站在第一时隙的第一符号集合上向第一网络摄像机发送第一PDCCH消息；响应于接收到第一PDCCH消息，由第一网络摄像机监听由宏基站发送的第一PDSCH消息；响应于接收到对于经过国密加密的图像数据的请求，由第一网络摄像机向宏基站发送经过国密加密的图像数据；由第一网络摄像机监听由宏基站发送的参考信号的信号质量。
-
公开(公告)号：CN112468676A
公开(公告)日：2021-03-09
申请号：CN202011338227.9
申请日：2020-11-25
Applicant: 江南大学 , 江苏宇迪光学股份有限公司
Abstract: 本发明公开一种国密加密图像信息传输方法，包括如下步骤：由网络摄像机捕捉图像信息并由网络摄像机对捕捉的图像信息进行国密加密；响应于对捕捉的图像信息进行国密加密，由网络摄像机向基站发送调度请求；响应于基站正在使用第一资源分配方式，由网络摄像机在第一时隙的第一符号集合中监听由基站发送的第一DL控制消息；响应于在第一时隙的第一符号集合中监听到第一DL控制消息，由网络摄像机在第一时隙的第二符号集合中监听由基站发送的DL参考信号；响应于在第一时隙的第二符号集合中监听到由基站发送的DL参考信号，由网络摄像机在第一时隙的第三符号集合中向基站发送UL参考信号；响应于监听到第一DL控制消息，由网络摄像机在第二时隙的第一符号集合上监听由基站发送的第二DL控制信息。
-
Patent Agency Ranking
公开(公告)号：CN109994197B
公开(公告)日：2019-12-31
申请号：CN201910264984.7
申请日：2019-04-03
Applicant: 江南大学
Abstract: 本发明公开了一种基于人工智能的医疗大数据处理系统，该医疗大数据处理系统包括：用于由移动终端收集用户的医疗相关信息的单元；用于由移动终端确定通过第一无线接入技术向医疗大数据处理平台发送所收集的医疗相关信息的单元；用于如果在确定通过第一无线接入技术向医疗大数据处理平台发送所收集的医疗相关信息之后，由移动终端接收到医疗大数据处理平台发送的第一测量报告请求，则移动终端执行第一处理的单元；用于由医疗大数据处理平台基于第一测量报告向移动终端发送医疗相关信息请求消息的单元；以及用于响应于接收到医疗相关信息请求消息，由移动终端通过第一无线接入技术向医疗大数据处理平台发送所收集的医疗相关信息的单元。
-
公开(公告)号：CN104282022B
公开(公告)日：2017-02-08
申请号：CN201410525629.8
申请日：2014-09-29
Applicant: 江南大学
IPC: G06T7/10
Abstract: 本发明公开了一种具备多视角学习能力的模糊聚类图像分割方法。该方法以经典的模糊C均值算法作为基础方法，针对经典模糊C均值算法对一个具体事物在多个视角下获取的图像进行分割最终获取最终分割结果时无法全面的利用图像信息而造成分割效果不佳的问题，提出了一种具备多视角学习能力的模糊聚类图像分割方法。该图像分割方法在处理某一事物的多视角图像分割任务时，能够有效地保有各视角图像的独立信息，同时挖掘出各视角下图像的共性信息。此外，还将引入一种视角加权技术增强分割效果。在上述机制的共同作用下首先可获取各个视角下的聚类结果，然后依靠上述获取的各视角下的聚类结果通过一个集成决策方法最终获取更为可靠的图像分割结果。
-
公开(公告)号：CN104523269A
公开(公告)日：2015-04-22
申请号：CN201510024019.4
申请日：2015-01-15
Applicant: 江南大学
IPC: A61B5/0476
CPC classification number: A61B5/0476
Abstract: 一种面向癫痫脑电信号迁移环境的自适应识别方法，本发明的优点是：本发明与现有技术相比，本发明方法选用具备邻域适应能力的迁移学习策略来克服训练域和测试域之间因数据分布差异所造成的智能模型分类性能急剧下降之难题。针对癫痫检测中的脑电信号分析，选用具有邻域适应能力的主成分特征迁移(子空间性度量)及大间隔直推式迁移学习方法来构成脑电信号识别系统，构建了具体的脑电信号自适应工作框架。该方法在缺少目标域信息的情况下，采用源域中与目标域中相似的有用特征来构建智能分类系统。由于本技术在特征提取阶段即融入了迁移学习策略，因此相较于单纯的迁移分类建模技术及传统智能识别方法，泛化能力更强，性能更好。
-
公开(公告)号：CN104523268A
公开(公告)日：2015-04-22
申请号：CN201510024018.X
申请日：2015-01-15
Applicant: 江南大学
IPC: A61B5/0476
CPC classification number: A61B5/0476 , A61B5/4094
Abstract: 本发明公开了一种具备迁移学习能力的脑电信号识别模糊系统方法。传统智能识别方法都假设模型的训练集和测试集服从相同的数据分布，因而仅在训练域和测试域数据服从相同分布时方可获取良好的分类性能。本发明所提方法利用迁移学习策略来帮助迁移学习环境下的癫痫脑电信号识别。基于模糊系统构建具备直推式迁移学习能力的0阶TSK型模糊系统建模技术。此技术因具备了迁移学习能力而不再局限于训练域和测试域数据分布一致的假设，允许两者之间存在一定的差异性，不仅在训练域与测试域数据分布相同的场景下保持良好的性能，也大大提高了最终所获模型在多样化的脑电信号识别问题下的识别效果。
-
公开(公告)号：CN102881019A
公开(公告)日：2013-01-16
申请号：CN201210384176.2
申请日：2012-10-08
Applicant: 江南大学
Abstract: 本发明公开了一种具备迁移学习能力的模糊聚类图像分割方法。该方法以经典的模糊C均值算法作为研究对象，针对模糊C均值算法在面对带噪声的图像时抗噪声能力弱的缺陷，提出了一种具备迁移学习能力的模糊聚类图像分割方法。此图像分割方法在处理新的图像时，特别针对含噪声污染的图像，该方法能够有效地学习利用以往大量的相似图像通过模糊C均值算法所总结得到的可靠的聚类知识，该类知识一般被描述为聚类中心，通过将上述可靠知识引入到当前的新图像分割任务中可以有效地引导当前的聚类任务的完成并起到抗噪的效果，进而获取更为精准的聚类中心及更为精确的图像分割结果。
-
-
-
-
-
-
-
-
-
Search Results
77
records
(took 0.023 seconds)
