-
公开(公告)号：CN108009571A
公开(公告)日：2018-05-08
申请号：CN201711141009.4
申请日：2017-11-16
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/6267 , G06K9/6256 , G06K9/6259
Abstract: 本发明公开了一种新的直推式半监督数据分类方法及系统，将无监督子空间特征学习，判别聚类和自适应半监督分类无缝地集成到一个统一的框架，基于原始数据的低维流行特征和判别子空间聚类结果进行半监督学习，可用于高维数据表示和分类，基于上述联合模型，图构造与标签传播过程也被无缝地结合，由此可得到基于低维流形特征的自适应权重系数矩阵和无标签数据的软类别标签。
-
公开(公告)号：CN104657574B
公开(公告)日：2017-10-31
申请号：CN201410262085.0
申请日：2014-06-13
Applicant: 苏州大学
IPC: G06F19/00
Abstract: 本申请提供一种医疗诊断模型的建立方法及装置，该方法首先依据支持向量数据描述SVDD算法进行特征选择，对预存储的原始训练样本集中的各个训练样本进行降维处理，然后依据支持向量机训练算法对经过降维处理后得到的低维训练样本组成的低维训练样本集进行训练，生成医疗诊断模型。这种医疗模型的建立方法在迭代过程中通过SVDD算法的特征选择，根据给定的排序准则删除若干个不重要特征，可以降低建模过程的时间复杂性，实现对医疗数据的快捷处理，提高诊断能力。
-
公开(公告)号：CN107193993A
公开(公告)日：2017-09-22
申请号：CN201710419357.7
申请日：2017-06-06
Applicant: 苏州大学
CPC classification number: G06F16/285
Abstract: 本发明公开了一种基于局部学习特征权重选择的医疗数据分类方法，首先根据训练样本集得到样本的属性值，根据属性值利用梯度下降的权重更新方式计算属性对应的权重向量，因此可以保证收敛性，可以较快地达到算法的停止准则，减少计算时间，降低计算复杂度；根据计算出的权重向量进行特征选择得到最优特征集，将待评估数据样本进行标准化后再最优特征子集中进行特征选择，再将特征选择后的待评估数据样本进行分类就可以使数据样本实现降维，因此本发明实施例提供的方法实现降维的同时又降低了计算的复杂度，减少了计算时间。本发明还提供了一种基于局部学习特征权重选择的医疗数据分类装置，同样可以实现上述技术效果。
-
公开(公告)号：CN107067023A
公开(公告)日：2017-08-18
申请号：CN201710017368.2
申请日：2017-01-10
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/6269
Abstract: 本申请公开一种故障诊断方法和装置。本发明将特征选择与支持向量机相结合，利用特征之间的差异性，选出与该故障相关的特征，差异越大，代表该特征与正常情况下有了很大的偏离，说明该特征可能是造成故障的一个重要原因，从而减少无用特征对分类结果的影响，本发明可较为容易选择出与故障相关的重要特征，提高了故障诊断的精度。
-
公开(公告)号：CN103870719B
公开(公告)日：2017-06-16
申请号：CN201410140707.2
申请日：2014-04-09
Applicant: 苏州大学
IPC: G06F19/10
Abstract: 本申请公开了一种启动子识别方法，通过对多个样本基因序列进行胞嘧啶、鸟嘌呤CG偏好特征的统计，将多个样本基因序列分为两类，针对每一类样本基因序列分别执行以下步骤：分别提取其中每一个样本基因序列的刚性特征、CpG岛特征和四联体组成成分特征，并构建对应的分类器来对样本基因序列进行启动子识别判断，对识别的非启动子序列提取其五联体组成成分特征并构成五联体分类器，再次进行启动子识别判断，并在识别结果满足预设条件时，确定当前样本基因序列为启动子序列，否则为非启动子序列。本申请充分考虑了基因的刚性特征、CpG岛特征和组成成分特征，通过分级识别，最终给出的启动子识别结果准确率更高。
-
Patent Agency Ranking
公开(公告)号：CN106651574A
公开(公告)日：2017-05-10
申请号：CN201611264984.X
申请日：2016-12-30
Applicant: 苏州大学
CPC classification number: G06Q40/025 , G06K9/6256 , G06K9/6269
Abstract: 本发明公开了一种个人信用评估方法及装置，其中该方法包括：获取训练样本集，训练样本集包括具有信用标签及多个信用属性的训练样本，信用标签为对对应训练样本的信用进行评估得到的标签；选取出分类效果最好的信用属性作为最优信用属性并组成对应的最优信用属性集，将每个训练样本中包含的最优信用属性集之外的信用属性去掉，得到对应的最优训练样本集；采用支持向量机对最优训练样本集建模，得到支持向量机分类模型；获取未知信用标签且仅具有最优信用属性的待测样本并作为支持向量机分类模型的输入，得到待测样本的信用标签。由此，避免了现有技术中因为专家的主观性及随机性导致分类精度较低的问题，且具有较高的分类精度。
-
公开(公告)号：CN106327520A
公开(公告)日：2017-01-11
申请号：CN201610692267.0
申请日：2016-08-19
Applicant: 苏州大学
IPC: G06T7/20
Abstract: 本申请公开了一种运动目标检测方法，包括：预先确定与视频监控设备的监控场景所对应的背景图像；对待检测灰度图像和背景图像进行相减处理，得到相应的差分图像；对差分图像进行二值化处理，确定出待检测灰度图像上的运动目标；其中，背景图像的确定过程包括，分别对视频监控设备已采集的灰度图像帧序列中的第一灰度图像帧和第二灰度图像帧进行图像块划分处理，相应地得到第一图像块集和第二图像块集，然后利用第一图像块集和第二图像块集之间的差异性，确定出背景图像。本申请公开的技术方案提升了运动目标的检测效果并降低了检测过程的复杂程度。另外，本申请还相应公开了一种运动目标检测系统。
-
公开(公告)号：CN103679161B
公开(公告)日：2017-01-04
申请号：CN201410003300.5
申请日：2014-01-03
Applicant: 苏州大学
Abstract: 本发明公开了一种人脸识别方法和装置，在该方法中，根据所述同类近邻集合所确定互为近邻的同类样本之间的实际距离以及根据所述异类近邻集合所确定互为近邻的异类样本之间的实际距离构造权值矩阵，进而构造类内邻接图和类间邻接图，最终将待测试样本按照投影变换矩阵映射到判别子空间中，得到判别子空间中的测试样本，利用最近邻分类器，依据所述判别子空间中的训练样本集对所述测试样本进行分类，本发明使得所构造的类内邻接图和类间邻接图能够真实反映出训练样本集的局部结构，提高了对待测试样本的分类性能。
-
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：CN106127220A
公开(公告)日：2016-11-16
申请号：CN201610381743.7
申请日：2016-06-01
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/627
Abstract: 本发明公开了一种时间序列分类方法及装置。该方法包括以下步骤：针对待分类的测试时间序列，确定测试时间序列与预先获得的训练时间序列集中每个训练时间序列的第一动态时间规整距离；针对确定的每个第一动态时间规整距离，确定基于该第一动态时间规整距离的第一高斯核函数，获得测试时间序列的高斯核变换矩阵；根据高斯核变换矩阵和预先生成的训练时间序列集的字典矩阵，获得测试时间序列的稀疏表示系数矩阵；针对每种类别，根据字典矩阵中与该类别位置对应的原子和稀疏表示系数矩阵，确定测试时间序列与该类别的残差；将最小残差对应的类别确定为测试时间序列的类别。应用本发明实施例所提供的技术方案，可以提高时间序列的分类精确度。
-
-
-
-
-
-
-
-
-
Search Results
231
records
(took 0.03 seconds)
