-
公开(公告)号：CN108121962A
公开(公告)日：2018-06-05
申请号：CN201711393961.3
申请日：2017-12-21
Applicant: 苏州大学
Abstract: 本发明实施例公开了一种基于非负自适应特征提取的人脸识别方法、装置、设备及计算机存储介质。其中，方法包括将非负矩阵分解，特征提取和自适应邻域学习集成进为统一的框架，利用非负矩阵分解技术得到局部重构数据，在非负重构空间和特征嵌入空间对重构误差同时进行最小化，对重构数据进行权重自适应构造和标签传播学习，并利用基于投影的特征近似错误项进行最小化学习；通过对人脸识别模型进行交替优化和学习，得到用于保持近邻信息的自适应权重系数矩阵、用于提取特征的投影矩阵及近邻保持非负分解矩阵；利用投影矩阵提取人脸测试样本集的识别特征，以利用人脸识别模型根据识别特征实现人脸识别。本申请提供的技术方案提升了人脸识别的准确率。
-
公开(公告)号：CN107958229A
公开(公告)日：2018-04-24
申请号：CN201711395361.0
申请日：2017-12-21
Applicant: 苏州大学
CPC classification number: G06K9/00268 , G06K9/00288 , G06K9/6276
Abstract: 本发明实施例公开了一种基于近邻保持低秩表示的人脸识别方法、装置、设备及计算机存储介质。其中，方法包括将相似性自适应保持和低秩表示集成为统一学习框架，得到表示系数矩阵和用于提取特征、基于核范式和L2，1-范式约束下的稀疏投影矩阵；利用稀疏投影矩阵分别提取训练样本集和测试样本集的相似性自适应保持的显著特征，生成嵌入显著特征的人脸特征训练样本集和人脸特征测试样本集；利用人脸特征训练样本集将表示系数矩阵和显著特征的重构误差最小化项进行集成优化；将人脸特征测试样本集输入人脸特征训练样本集构造的最近邻分类器，根据相似性进行识别，得到识别结果。本申请提供的技术方案提升了人脸图像特征提取和识别能力。
-
公开(公告)号：CN107507611A
公开(公告)日：2017-12-22
申请号：CN201710774048.1
申请日：2017-08-31
Applicant: 苏州大学
CPC classification number: G10L15/08 , G10L15/063 , G10L15/083 , G10L2015/0631 , G10L2015/085
Abstract: 本发明公开了一种语音分类识别的方法，向预先创建的分类器模型中输入待判别的语音数据样本，根据所述分类器模型的输出值得到所述语音数据样本的分类结果；其中，所述分类器模型是基于采用L1范式正则参数和拉普拉斯正则参数确定以及支持向量机的约束条件，获得支持向量样本集合，从而使得获得的分类器模型，具有较强的稀疏性和可解释性，且对噪音具有较强的过滤能力，从而对噪音具有较强的鲁棒性，从而能够获得对语音分类的一个较为准确的结果。本发明还提供一种语音分类识别的装置，具有上述有益效果。
-
公开(公告)号：CN107203786A
公开(公告)日：2017-09-26
申请号：CN201710425040.4
申请日：2017-06-06
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/6235 , G06K9/6256 , G06K2009/6236
Abstract: 本发明公开了一种基于稀疏边界Fisher算法的图像识别方法及装置，该方法包括：获取第一训练数据集，根据第一训练数据集得到投影矩阵；对投影矩阵进行稀疏化处理，得到稀疏投影矩阵；将第一训练数据集通过稀疏投影矩阵进行投影得到第二训练数据集；接收待识别图像的第一测试数据，对第一测试数据通过稀疏投影矩阵进行投影得到第二测试数据；利用分类算法对第二测试数据在第二训练数据集上进行识别。因此，通过对训练数据集进行投影得到投影矩阵，可以最大程度的保留数据的几何结构，再将投影矩阵进行稀疏化处理，可以得到更好的泛化能力和判别能力，解决了对所有数据的判别学习失去平衡的问题，同时提高了识别率。
-
公开(公告)号：CN106446931A
公开(公告)日：2017-02-22
申请号：CN201610767804.3
申请日：2016-08-30
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于支持向量数据描述的特征提取及分类方法，包括分别计算每个样本到对应于各种数据类型的多个超球体模型的球心的欧式距离；其中多个超球体模型采用支持向量数据描述算法预先训练得到；将各个欧式距离与其对应的超球体模型的半径带入新特征关系式，得到每个样本对应的新特征样本；各个新特征样本的集合为新特征样本集；采用预设分类算法对新特征样本集进行分类处理，得到分类结果。本发明能够减小特征提取时的计算量，提高数据分类的速度。本发明还提供了一种采用上述方法的基于支持向量数据描述的特征提取及分类系统，具有上述优点，在此不再赘述。
-
Patent Agency Ranking
公开(公告)号：CN106444653A
公开(公告)日：2017-02-22
申请号：CN201610696202.3
申请日：2016-08-19
Applicant: 苏州大学
IPC: G05B19/418
CPC classification number: Y02P90/02 , G05B19/41885 , G05B2219/31357
Abstract: 本发明公开了一种故障检测方法和系统，将工业过程中的已有训练数据集映射到非线性特征空间，生成映射后的训练样本数据集；将在所述工业过程中收集的数据映射到所述非线性特征空间，生成映射后的测试数据；根据所述训练样本数据集判断所述测试数据是否为故障数据。本申请提供的技术方案把工业过程中采集的数据经非线性映射投影到非线性特征空间，在非线性特征空间中利用训练样本数据集对测试数据进行高效的故障检测，可以提高对于故障的检测精度，能够获得更高的故障检测率。
-
公开(公告)号：CN105825081A
公开(公告)日：2016-08-03
申请号：CN201610246971.3
申请日：2016-04-20
Applicant: 苏州大学
IPC: G06F19/24
CPC classification number: G06F19/24 , G06F17/30321 , G06F17/30598 , G06F19/22 , G06N99/005 , G16H50/20
Abstract: 本申请公开了一种基因表达数据分类方法及分类系统，其中，所述基因表达数据分类方法中在获得所述基因特征数据集之后，采用聚类算法对所述基因特征数据集进行聚类，获得第一预设参数个的聚类集合，然后对所述聚类集合进行处理获得第二样本矩阵、第二训练集以及特征索引集以对基因表达数据进行降维，从而降低基因表达数据之间的冗余度，进而在很大程度上降低了在之后对所述第二训练集进行特征选择的过程中占用的计算资源以及耗费的计算时间；而采用聚类算法对所述基因特征数据集进行聚类操作所占用的计算资源以及耗费的计算时间都很少，因此采用所述基因表达数据分类方法对待测基因表达数据进行分类占用的计算资源和耗费的计算时间都较少。
-
公开(公告)号：CN105608471A
公开(公告)日：2016-05-25
申请号：CN201511002862.9
申请日：2015-12-28
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种鲁棒直推式标签估计及数据分类方法和系统，方法包括：利用有标签和无标签训练样本人工初始化类标签矩阵，经近邻搜索构造相似近邻图和归一化后的权重系数矩阵；通过平衡近邻重构项和标签拟合项得到未知标签训练样本的软标签矩阵；基于鲁棒l2,1-范数度量的近邻重构错误，定义流形平滑项；对标签拟合项进行l2,1-范数正则化；通过迭代计算得到每个未知标签样本数据的软类别标签向量，估计出样本类别，得到分类结果。采用该方法构建的系统，通过引入l2,1-范数正则化技术，有效提升了系统对于噪音的鲁棒性，增强分类性能。
-
公开(公告)号：CN105550538A
公开(公告)日：2016-05-04
申请号：CN201610076071.9
申请日：2016-02-03
Applicant: 苏州大学
IPC: G06F19/24
CPC classification number: G06F19/24
Abstract: 本申请公开了一种人类基因启动子识别方法和系统。该方法在获取人类基因训练样本后，基于启动子与三个非启动子之间的对称散度，从所有N联体集合中确定最具有分辨率的N联体集合。进而，利用具有分辨率的N联体集合完成对分类器的训练，并利用训练后的分类器对人类基因测试样本进行识别。与先有技术相比，本发明采用对称散度作为述启动子和非启动子的之间的距离度量，由于对称散度的对称性，因而其作为距离度量的测量精度更高，从而提高了对启动子的识别度。
-
公开(公告)号：CN105469117A
公开(公告)日：2016-04-06
申请号：CN201510882718.2
申请日：2015-12-03
Applicant: 苏州大学
IPC: G06K9/62
CPC classification number: G06K9/6276 , G06K9/6256
Abstract: 本发明公开了一种基于鲁棒特征提取的图像识别方法及装置，通过对原始训练样本进行判别学习，在紧凑局部类内散度和分离局部类间散度的同时有效保持图像像素间的拓扑结构，设计基于1范数度量的特征学习框架，可输出一个可用于样本内和样本外图像特征提取的投影矩阵,进而通过投影矩阵获取原始训练样本的二维鲁棒特征，构造出可用于对待测样本进行分类的最近邻分类器。可见，本申请中提供的上述方案无需将图像对应的二维矩阵转换到高维的向量空间，而是可直接作用于图像，由此，不但可有效保持图像像素间的拓扑结构和内在相关性，而且可有效降低模型计算过程的复杂度。此外，基于1范数度量，可确保在特征提取过程中对噪音的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
141
records
(took 0.027 seconds)
