-
公开(公告)号：CN110035378B
公开(公告)日：2020-10-27
申请号：CN201910229306.7
申请日：2019-03-25
Applicant: 徐州工程学院
Abstract: 本发明公开了一种基于RTT（Round Trip Time，往返时间）确定线形无线传感器网络节点相对位置的方法，节点之间通过应答和确认N次测量和邻居节点之间的往返时间值后组成样本，对样本中的采样取加权平均值作为和邻居节点之间的RTT值；将每个节点接收到的邻居节点的RTT值从小到大排列；在每个节点的邻居节点中查找RTT值之差大于阈值C的节点关系；将所有节点得到的记录组成一个结果集合；遍历连续节点集的所有可能的排列，最后生成的排列即是符合测试数据结果的有效排列；将所有连续节点集按照有效排列的顺序依次连接，得到整个线形网络的相对位置关系。本发明克服了由于接收信号强度误差过大而造成确定位置稳定性较差的缺陷，不受无线节点天线方位和剩余电池电量不确定的干扰。
-
公开(公告)号：CN117094980A
公开(公告)日：2023-11-21
申请号：CN202311124040.2
申请日：2023-09-01
Applicant: 徐州工程学院
IPC: G06T7/00 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08 , G06N3/096
Abstract: 本发明提供了基于深度学习的超声乳腺结节图像可解释性方法，首先利用经过专业医生标注的数据集训练Deeplabv3+网络作为分割网络模型，对乳腺结节进行精准定位和分割，再利用预训练AlexNet网络模型进行迁移学习，对乳腺结节进行良恶性分类，首先使用非属性方法，根据医生视角下的结节特征对结节进行边界和内核的分割切块，对子图像进行集成学习得出综合判别的可解释性诊断结果。再使用属性方法，利用多种可视化工具，将模型网络行为转换为用户可以解释的输出，提高可解释性。最后利用Matlab App Designer设计人机交互软件。本发明实现了深度学习模型在乳腺结节影像识别领域上的可解释性，减轻患者心理负担，提高乳腺癌良恶性识别的诊断准确率。
-
公开(公告)号：CN110035378A
公开(公告)日：2019-07-19
申请号：CN201910229306.7
申请日：2019-03-25
Applicant: 徐州工程学院
Abstract: 本发明公开了一种基于RTT（Round Trip Time，往返时间）确定线形无线传感器网络节点相对位置的方法，节点之间通过应答和确认N次测量和邻居节点之间的往返时间值后组成样本，对样本中的采样取加权平均值作为和邻居节点之间的RTT值；将每个节点接收到的邻居节点的RTT值从小到大排列；在每个节点的邻居节点中查找RTT值之差大于阈值C的节点关系；将所有节点得到的记录组成一个结果集合；遍历连续节点集的所有可能的排列，最后生成的排列即是符合测试数据结果的有效排列；将所有连续节点集按照有效排列的顺序依次连接，得到整个线形网络的相对位置关系。本发明克服了由于接收信号强度误差过大而造成确定位置稳定性较差的缺陷，不受无线节点天线方位和剩余电池电量不确定的干扰。
-
-
Search Results
3
records
(took 0.018 seconds)
