-
公开(公告)号：CN117113120A
公开(公告)日：2023-11-24
申请号：CN202310493547.9
申请日：2023-05-05
Applicant: 哈尔滨理工大学
IPC: G06F18/231
Abstract: 本文发明提出了一种方法，对于层次聚类中BIRCH算法对非球形簇不能很好的聚类提出了一种解决方法。BIRCH算法是层次聚类算法中比较典型的一种算法，通过采用聚类特征和聚类特征树来进行聚类。但BIRCH算法是用直径来控制聚类的边界，对非球形聚类效果不好，有可能会把非球状的簇分割为不同簇。针对这种情况，提出一种基于密度的层次聚类算法，利用密度的思想，先将密度最小的约10％数据点当作偏离点排除掉，不参与聚类，对其剩余的数据集进行分层聚类，分为高密度层和低密度层，对其进行分层聚类，在分层聚类的结果上进行整体的聚类，最后将偏离点数据按照最近距离划分到相应的簇中。建立多棵CF树，每棵CF树表示一个簇，实现对任意形状的簇进行聚类。
-
公开(公告)号：CN113378927A
公开(公告)日：2021-09-10
申请号：CN202110650447.3
申请日：2021-06-11
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于聚类的自适应加权过采样方法，本发明首先对少数类样本数据进行k‑means聚类，对聚类形成的簇分别与多数类样本结合形成多个数据集，对于每个数据集使用随机森林算法进行分类并通过5折交叉验证的方式计算对应的得分值，并将计算得分值的平均值做为该簇的评分；根据各个簇得到的评分值，从而计算各个簇的合成权重；根据权重值，计算各个簇的生成样本个数，根据指定个数，在簇内进行样本之间随机线性插值，最终达到平衡数据集的目的。
-
公开(公告)号：CN119272079A
公开(公告)日：2025-01-07
申请号：CN202411059543.0
申请日：2024-08-04
Applicant: 哈尔滨理工大学
IPC: G06F18/23213 , G06F18/241 , G06F18/10
Abstract: 本发明涉及一种基于少数类簇加权的过采样算法。本发明首先对原始数据集中的所有少数类样本进行k‑means聚类，形成多个少数类簇，将少数类样本划为安全点，边界点和噪声点，并将噪声点删除。其次结合采样率计算出每个少数类簇需要合成的少数类样本的数量，然后根据边界点样本和安全点样本的分布情况，分别以不同的方法为边界点样本和安全点样本分布权重。最后根据每个少数类样本点的权重使用改进后的SMOTE算法生成少数类样本，使数据集达到平衡状态；利用UCI数据库中的6组标准版公开数据集进行测试，验证了该方法可以有效降低少数类样本的重叠率，提高分类器对少数类样本的分类精度。本发明更准确分析了数据集原始分布情况，降低了样本间的冗余性，从而提高了分类器的性能。
-
公开(公告)号：CN116720090A
公开(公告)日：2023-09-08
申请号：CN202310823043.9
申请日：2023-07-06
Applicant: 哈尔滨理工大学
IPC: G06F18/23 , G06F18/232
Abstract: 本文发明提出了一种方法，对于层次聚类中BIRCH算法对高维数据集聚类效果不佳且参数的选取敏感问题提出了一种解决方法。BIRCH算法是层次聚类算法中比较典型的一种算法，通过采用聚类特征和聚类特征树来进行聚类。但BIRCH算法为叶子节点中的簇设置统一的空间阈值T，根据数据对象与簇之间的欧式距离来决定数据对象的插入位置，从而忽略了簇与簇之间的关系。针对这种情况，本文提出了一种自适应的层次聚类方法。该算法使用了测地距离代替欧氏距离，克服欧式距离对高维数据的局限性，更好地刻画数据集的真实情况。通过分析数据的分布特征来自适应确定叶子节点的空间阈值T，构造一棵CF树。
-
公开(公告)号：CN114662604A
公开(公告)日：2022-06-24
申请号：CN202210317433.4
申请日：2022-03-29
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于密度峰的聚类中心选择方法。本发明首先计算每个数据点的密度，定义变量γ视为衡量聚类中心的指标，因为γ值较大的点很可能是聚类中心，所以将γ的值在排序图上进行降序排序；然后定义拐点，拐点是排序图中前后整体差异较大的点，通过排序图中的拐点对潜在聚类中心进行选取，将潜在聚类中心存入到集合中；然后在潜在聚类中心集合中选择密度最大的点加入到实际聚类中心集合中，计算每个数据点与其之间的距离，进一步确定每个数据点是新的实际聚类中心还是簇成员，对实际聚类中心集合进行筛选，直到实际聚类中心集合为空。
-
Patent Agency Ranking
公开(公告)号：CN118823307A
公开(公告)日：2024-10-22
申请号：CN202410798569.0
申请日：2024-06-19
Applicant: 哈尔滨理工大学
IPC: G06V10/25 , G06V10/82 , G06V10/80 , G06N3/0464
Abstract: 本发明公开了一种基于改进YOLOv8的烟雾检测方法，属于图像处理技术领域。该方法步骤主要包括：获取目标检测常用数据集，对获取的数据进行人工筛选；利用labelimg工具对收集的烟雾图像数据重新进行标注，得到新的数据集；将融合S2注意力机制的C2f模块、BiFPN多尺度特征融合金字塔、CARAFE上采样算子与YOLOv8模型相结合，构建YOLOv8‑CBS模型；将标注好的烟雾数据集输入到YOLOv8‑CBS模型中进行训练；利用经过训练的YOLOv8‑CBS模型对待识别的烟雾图像数据进行目标检测与定位。改进后的模型对比原始模型有效提升了烟雾目标检测的准确率，减少了烟雾目标在检测中出现的错检、漏检的问题。
-
公开(公告)号：CN115486620A
公开(公告)日：2022-12-20
申请号：CN202211382312.4
申请日：2022-11-07
Applicant: 哈尔滨理工大学
Abstract: 本发明是一种多功能的智能手杖，主要包括GPS导航系统、LED灯、报警器和闪光灯、通讯设备、触摸电子显示屏，所述的GPS导航系统可以通过语音识别模块输入地址，自动规划出合理的行走路线，能够实时播报路线规划，提供有语音播送功能，方便对于不熟悉路线的人到达目的地，对于老年人更加方便，所述的触摸显示屏可以查看天气情况，方便进行相应的应对，可以通过把手上的温度扫描仪检测持杖人的体温健康情况，可以进行持杖人的指纹添加和删除等操作。所述的警报器和闪光灯可以及时发现老人的异样，对其进行救助。所述的通讯设备可以及时联系亲人或者第一时间求助。杖体的底座是由防滑减震材质所组成，通过与手杖杖体底部的轴承相连接，支撑整个杖体，所述的LED灯由手杖把手处的开关控制，方便扩大对于夜间视力障碍的人的行动范围。
-
公开(公告)号：CN114611596A
公开(公告)日：2022-06-10
申请号：CN202210223360.2
申请日：2022-03-07
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于自适应的密度峰值聚类方法，属于密度聚类的基本算法之一，本发明旨在解决传统的DPC聚类算法中存在的问题，传统的DPC算法对数据进行处理，计算局部密度和最小距离，通过局部密度和最小距离构造决策图，人工选取局部密度和最小距离都较大的点作为聚类中心点，导致聚类的准确度不高，因此针对密度峰值聚类算法不能自适应选取簇的数目，人工选取聚类中心等问题，引入了迪杰特斯拉算法和模糊C‑均值算法，对DPC聚类算法进行改进，从而改善了DPC聚类算法中存在的不足，提高了聚类的精确度，达到优化密度峰聚类算法效果的目的。
-
公开(公告)号：CN113160432A
公开(公告)日：2021-07-23
申请号：CN202110422140.8
申请日：2021-04-20
Applicant: 哈尔滨理工大学
IPC: G07B15/02
Abstract: 本发明是一种基于大数据的智能停车场选位器，主要包括触摸电子显示屏、扫描仪、支付设备，所述的扫描仪负责扫描车身，识别车型，通过电路板与触摸电子显示屏相连接，显示屏根据扫描仪下方的数据处理器所分析的车型随时更新车位，所述的触摸电子显示屏上面显示了小型、中型和大型车的车位情况，选定好车位后，通过支付设备获取某个车位，所述的的支付设备包括纸币、硬币以及二维码扫描装置，同时二维码扫描装置中设有扬声器，播放支付金额等支付信息，这些支付设备同时又与传送带相连接，通过传送带将纸币以及硬币送到钱箱中，方便工作人员获取。本发明通过大数据的分析随时对车位进行更新，方便于市民，操作简单，为各种出行者提供停车服务。
-
公开(公告)号：CN117251750A
公开(公告)日：2023-12-19
申请号：CN202311136544.6
申请日：2023-09-04
Applicant: 哈尔滨理工大学
IPC: G06F18/232 , G06F18/10
Abstract: 本发明涉及一种基于密度的层次聚类算法改进研究,主要是针对层次聚类算法中BIRCH算法。BIRCH算法对非球形聚类效果不好，有可能会把非球状的簇分割为不同簇。针对这种情况，提出了一种基于密度的改进方法。该方法先用DBSCAN算法求出数据的核心点、边界点、噪声点，先将噪声点排除，不参加聚类，将核心点和边界点定义为高密度点和低密度点，然后对高密度点和低密度点分别用BIRCH算法进行聚类，形成高密度簇和低密度簇，然后将高密度簇和低密度簇合并，形成更大的簇，最后对噪声点进行处理。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.027 seconds)
