公开(公告)号：CN112716447A

公开(公告)日：2021-04-30

申请号：CN202011409383.X

申请日：2020-12-03

Applicant: 北京信息科技大学

Inventor： 祝连庆 ,  闫昊 ,  于明鑫 ,  董明利 ,  何巍 ,  庄炜 ,  张旭

IPC: A61B5/00

Abstract: 本发明公开了一种基于拉曼检测光谱数据深度学习的口腔癌分类系统，该分类系统通过以下步骤：1)拉曼光谱数据的采集与预处理；2)构建并训练卷积神经网络模型；3)评价卷积神经网络模型；4)测试样本，进行分类，采集已知种类的口腔癌样本的拉曼光谱数据并构建模型，并对模型进行训练、评价成为成熟的卷积神经网络模型，然后采集未知种类口腔癌样品数据，输入卷积神经网络模型进行识别分类，本发明提供的基于拉曼检测光谱数据深度学习的口腔癌分类系统可以准确的识别口腔癌样本的生化特征达到对口腔癌进行准确分类的目的。

公开(公告)号：CN112700000A

公开(公告)日：2021-04-23

申请号：CN202011456483.8

申请日：2020-12-11

Applicant: 北京信息科技大学

Inventor： 董明利 ,  孙一辰 ,  于明鑫 ,  祝连庆 ,  张东亮 ,  庄炜 ,  张旭

IPC: G06N3/067 ,  G06N3/04 ,  G06N3/08

Abstract: 深度学习是增长最快的机器学习方法之一，光学机器学习在功率效率，可扩展性和计算速度方面具有优势。已经引入了基于衍射深度神经网络(D2NN)的光学机器学习方法来执行功能，因为输入光通过使用计算机的深度学习设计的无源层衍射。我们通过改变训练损失函数并减少误差反向传播步骤中消失梯度的影响来介绍D2NN的改进。除了创建低功耗和高帧率无处不在的机器学习平台之外，这种基于D2NN的混合神经网络将在智能光学成像器和传感器设计中得到应用。本方法的目的是提供光电混合深度神经网络的方法，该方法操作简单，并且能够提高识别图像的准确率。

公开(公告)号：CN112699993A

公开(公告)日：2021-04-23

申请号：CN202011459726.3

申请日：2020-12-11

Applicant: 北京信息科技大学

Inventor： 董明利 ,  孙一辰 ,  于明鑫 ,  祝连庆 ,  张东亮 ,  庄炜 ,  张旭

IPC: G06N3/04 ,  G06N3/067

Abstract: 深度神经网络利用各种图像特性的空间不变性的卷积神经网络(CNN)在计算机视觉问题中特别流行。为了提高效率，现在采用许多策略来压缩CNN，同时保持性能。CNN的计算效率仍然是一个活跃的研究领域，由于对功率和带宽的严格限制。卷积神经网络(CNN)在各种计算机视觉应用中表现十分出色。我们探索一种互补策略，在模拟或数字电子计算之前结合多层光学计算，提高性能，同时增加最小的电子计算成本和处理时间。进行傅里叶变换可优化且可拓展的光学配置保留了这些优点，作为构建光学CNN的框架。提出一个计算成像系统，模拟前馈CNN，有助于执行输入图像的分类。该方法的目的是提供多层光学卷积神经网络的方法，该方法操作简单，能够提高图片识别的准确率。