-
公开(公告)号：CN115186798A
公开(公告)日：2022-10-14
申请号：CN202210651346.2
申请日：2022-06-09
Applicant: 湖州师范学院
Abstract: 本发明提出了一种基于知识蒸馏的再生TSK模糊分类器，所述基于知识蒸馏的再生TSK模糊分类器记做CNNBaTSK，CNNBaTSK的模糊规则包含两个部分：基于软标签信息的前件部分和基于原始数据的后件部分，所述CNNBaTSK的模糊规则构建方法包括以下步骤：步骤一、CNNBaTSK将原始数据作为输入，通过逐层的神经表达获得输出层的概率分布，引入蒸馏温度，生成DATASET软标签信息；步骤二、在CNNBaTSK的模糊部分，将软标签信息划分成五个固定的模糊分区，构建模糊规则；步骤三、引入原始数据计算后件参数，采用非迭代学习方法对CNNBaTSK后件参数进行优化。NNBaTSK由于采用了模糊规则，保持了模型可解释性，模糊规则的语义解释是用软标签信息代替原始特征，有助于以可解释性的方式处理卷积神经网络所输出的暗知识。
-
公开(公告)号：CN113672865A
公开(公告)日：2021-11-19
申请号：CN202110849393.3
申请日：2021-07-27
Applicant: 湖州师范学院
Abstract: 本发明提出了一种基于深度图高斯过程的交通流量预测方法，包括以下步骤：S1.针对空间依赖中所存在的动态性，采用注意力核函数刻画拓扑图上各结点间的动态依赖，并用作聚合高斯过程中的协方差函数，以提取动态空间特征；S2.由不同时刻下的权重、服从高斯过程的卷积函数得到时序卷积高斯过程，并结合聚合高斯过程，获取交通数据中的时序特征；S3.由聚合高斯过程、时序卷积高斯过程以及具有线性核函数的高斯过程，构建融合高斯过程及深度结构的深度图高斯过程方法，将待预测的数据样本输入至深度图高斯过程方法中，得到的预测结果。该方法实现了在少量样本下获取复杂特征、预测交通流量、量化不确定性。
-
公开(公告)号：CN106503714B
公开(公告)日：2020-01-03
申请号：CN201610887062.8
申请日：2016-10-11
Applicant: 湖州师范学院
Abstract: 本发明提供了一种基于兴趣点数据识别城市功能区的方法，通过以下步骤实现：步骤一、地图分割：将地图栅格化；步骤二、寻找兴趣点所属的基站：找到距离该兴趣点最近的基站；步骤三、计算各基站兴趣点分布特征；步骤四、聚类：对步骤三中的矩阵进行模糊聚类分析，得到不同的聚类结果；步骤五、识别城市功能区：计算带有类别特征的兴趣点和步骤四得到的不同聚类结果在地图上的分布重叠率，对聚类后各基站进行识别。本发明根据兴趣点数据识别城市功能区的方法，无论是旅游区、工作区居民区，均能对这些城市区域功能识别，且结果与实际基本相吻合，效果是否能更总结性的完善下。
-
公开(公告)号：CN105792351B
公开(公告)日：2019-04-30
申请号：CN201610103907.X
申请日：2016-02-25
Applicant: 湖州师范学院
Abstract: 本发明公开了一种基于不等长序列相似性的无线指纹匹配方法，基于若干台部署的Wi‑Fi热点，用于实时检测Wi‑Fi信号的Wi‑Fi检测模块，所述的Wi‑Fi检测模块设置于移动终端上，用于存储Wi‑Fi指纹信息的数据库，包括确定候选序列和不等长序列相似性计算两个阶段。通过确定候选序列阶段获取与待识别序列相关的一组候选序列，作为下一步计算相似性、确定待测点位置标签的序列集合，通过不等长序列相似性计算阶段，实现了在候选序列中找出与待检序列最接近的序列，此结果将用于从后台数据库中查找位置信息。本发明一种基于不等长序列相似性的无线指纹匹配方法，能够在低成本部署前提下，实现适合停车场定位精度的定位需求，在大型地下停车场车辆定位的应用有较大实用价值。
-
公开(公告)号：CN106991142A
公开(公告)日：2017-07-28
申请号：CN201710172503.0
申请日：2017-03-22
Applicant: 湖州师范学院
CPC classification number: G06F16/29 , G06K9/6221
Abstract: 本发明提供了一种基于微信数据和兴趣点数据识别城市功能区的方法，其从微信数据中提取各基站人流量矩阵、出流人流量矩阵和入流人流量矩阵，从兴趣点数据中提取各基站的兴趣点类别分布矩阵，并分别对四个矩阵结合基站面积因素进行归一化处理；之后进行离群点删除操作，并对删除离群点后的基站重新进行划分城市空间、数据提取与归一化的处理，生成新的矩阵，再对生成的新矩阵进行聚类分析；最后，对聚类结果进行空间分布区域重叠率计算，根据重叠率计算结果确定城市区域的功能。本发明可以准确识别出城市各区域的功能，能较好实现城市区域的功能划分与特征分析，为城市结构布局和土地开发利用提供技术支撑，为城市空间的合理利用提供现实依据。
-
Patent Agency Ranking
公开(公告)号：CN103336790B
公开(公告)日：2015-02-25
申请号：CN201310224008.1
申请日：2013-06-06
Applicant: 湖州师范学院
IPC: G06F17/30
Abstract: 本发明公开了一种基于Hadoop的邻域粗糙集快速属性约简方法，包括a)建立基于Hadoop的分布式平台、b)邻域粗糙集定义、c)生成候选集、d)计算每个属性的重要度、e)选择重要度最大的属性加入到候选集、f)判断是否满足停止条件、g)保存特征选择的状态等步骤。本发明基于Hadoop分布式平台对并行的数据挖掘算法并行化进行分析，实现了邻域粗糙集属性约简算法的并行化，并行后的属性约简大大降低了时间复杂度，执行中间过程大大减少了中间结果的输出，提高了大规模数据的分析效率，从而将纷繁多样的海量数据转换成具有信息和商业价值的可用数据，进而完成数据挖掘和分析优化。
-
公开(公告)号：CN102607535B
公开(公告)日：2014-01-22
申请号：CN201210026463.6
申请日：2012-02-07
Applicant: 湖州师范学院
Abstract: 本发明提出了一种利用视差空间集束调整的高精度实时立体视觉定位方法。本发明仅利用立体相机得到的视频流进行移动机器人的导航定位，具有完全的自主性；本发明利用U-SURF描述符进行特征匹配，对运动过程中出现的光照变化、运动模糊、大的旋转和尺度变换具有较强的鲁棒性；本发明利用视差空间集束调整优化方法使自主导航车在长距离行进下也能够进行精度实时的定位，其具有对优化初始值依赖程度低，收敛速度快，数值稳定性高等优点，与利用集束调整的立体视觉定位方法相比，定位精度更高，速度更快。本发明整个立体视觉定位方法计算速度快，可在线实时运行。
-
公开(公告)号：CN116883527A
公开(公告)日：2023-10-13
申请号：CN202310681500.5
申请日：2023-06-09
Applicant: 湖州师范学院
IPC: G06T11/00 , G06N3/094 , G06N3/0464 , G06N3/0475 , G06N3/045
Abstract: 本发明公开了基于多阶段全维度动态卷积的单样本图像生成模型，包括多阶段生成器G＝{G1,G2,…,GN}和判别器D，所述多阶段生成器G由一个静态卷积模块ConvBlock和若干个全维度动态卷积模块ODConvBlock组成，所述判别器D由两个静态卷积模块ConvBlock和一个卷积操作Conv2D组成。本发明首次在单样本生成模型中引入动态卷积模块，并采用并行学习方式，以此提出基于多阶段全维度动态卷积的单样本图像生成模型，能够从多个阶段的并行训练出发，根据不同的输入内容图像进行自适应地卷积操作，从而有效地捕获更丰富的特征。与当前均采用静态卷积神经网络组成生成器架构的模型相比，MODConvGAN利用动态卷积提取更充分的输入图像特征信息，使得生成图像的质量更高，更具有结构一致性。
-
公开(公告)号：CN115828135A
公开(公告)日：2023-03-21
申请号：CN202211374690.8
申请日：2022-11-04
Applicant: 湖州师范学院
IPC: G06F18/24 , G06F18/2411 , G06N3/048 , G06N3/08
Abstract: 本发明提出了一种基于栈式结构的深度对抗ELM分类方法，包括以下步骤：S1.将多重ELM子模块进行深度堆叠，构建深度栈式网络；S2.以先前紧邻模块的预测作为当前模块的补偿性知识，将附加知识嵌入到原始输入中，从第二个子模块起，每个子模块的输入设置为先前嵌入知识后的输入数据，学习结果用于更新知识；S3.在多重子模块中提供输入样本时，每个子模块中通过污染一定比例的训练标签引入对抗样本，然后利用栈式结构进行逐层训练，生成基于对抗样本学习的深度栈式网络，该方法能够降低深度模型的复杂程度和计算代价，提高预测性能。
-
公开(公告)号：CN115186731A
公开(公告)日：2022-10-14
申请号：CN202210650416.2
申请日：2022-06-09
Applicant: 湖州师范学院
Abstract: 本发明提出了一种基于多层次特征融合的深度TSK模糊分类器，包括特征学习模块和知识推理模块；所述特征学习模块为基于卷积神经网络的特征学习模，将原始数据作为基于多层次特征融合的深度TSK模糊分类器的输入，特征学习模块采用局部连接的方式(即卷积核)提取局部信息，并通过逐层的神经表达获得隐含层的深度特征从原始数据中自动提取深层特征；所述知识推理模块为基于TSK模糊分类器的知识推理模块，将深度特征作为模糊规则的训练参数，采用FCM聚类算法生成模糊规则的前件参数，利用原始数据对模糊规则的后件参数进行训练。通过融合卷积神经网络的特征提取能力和模糊表示的不确定性处理能力，形成了一种更易于理解的深层TSK模糊分类器。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.031 seconds)
