-
公开(公告)号：CN112972131A
公开(公告)日：2021-06-18
申请号：CN202110381989.5
申请日：2021-04-09
Applicant: 苏州大学附属儿童医院
Abstract: 本发明公开了一种带有指纹识别的便携式转运药箱，包括：箱体、透气板和加固板，所述箱体的内部设置有透气板，所述箱体的内部通过支撑杆设置有内箱体，且内箱体位于透气板的上方，所述内箱体的顶部嵌合设置有药盒，所述箱体的顶部通过合页活动设置有箱盖，且箱盖位于药盒的上方，所述箱体的正面通过螺栓设置有指纹锁，所述箱体的外侧通过螺栓固定设置有加固板。本发明通过安装的加固板在放置箱体时对箱体进行加固，避免箱体受到碰撞后倾倒，同时将水气从箱体内部引到透气板下方，并对水气进行处理，保持箱体内部的干燥。
-
公开(公告)号：CN112364629A
公开(公告)日：2021-02-12
申请号：CN202011363953.6
申请日：2020-11-27
Applicant: 苏州大学
IPC: G06F40/216 , G06F40/166 , G06K9/62
Abstract: 本发明涉及一种基于去冗余互信息特征选择的文本分类系统及方法，包括：数据预处理模块，对输入的多条文本数据进行预处理，得到多个特征的文本特征矩阵；特征选择模块，对目标特征子集和待选择的特征集合进行初始化，设置需要选择的特征数，对每一个特征，计算其评分，选取得分最大的特征，添加到目标特征子集，从所述待选择的特征集合中删除得分最大的特征，得到更新后的目标特征子集；分类模块，根据所述更新后的目标特征子集，生成新的训练集和测试集，并根据所述更新后的目标特征子集生成新的训练集及测试集，并进行分类，得到分类准确度。本发明更加有效的去除冗余。
-
公开(公告)号：CN112215290A
公开(公告)日：2021-01-12
申请号：CN202011110501.7
申请日：2020-10-16
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明涉及一种基于Fisher得分的Q学习辅助数据分析方法及系统,包括：将待处理数据输入训练样本中，初始化Q值表；从所述训练样本中任意选择多个数据组成本轮迭代的片段，计算所述片段中每个特征类内距离和类间距离，初始化本轮训练特征子集，获得本轮学习率和更新概率；根据Q值表选择当前状态下的动作，更新Q值表及本轮子集状态；判断本轮子集是否已满，若未满，则返回上一步，若已满，则继续判断是否满足迭代次数，若未满，则返回第二步，若已满，进入下一步；根据Q值表获得当前排序，返回目标子集。本发明不但提升速度快、更加稳定，且具有更好的泛化性能，时间复杂度较低。
-
公开(公告)号：CN111563843A
公开(公告)日：2020-08-21
申请号：CN202010365311.3
申请日：2020-04-30
Applicant: 苏州大学
Abstract: 本申请提供一种图像超分辨重构方法，包括：获取高分辨率图像；对所述高分辨率图像进行图像预处理，得到训练集；利用多尺度损失卷积神经网络对所述训练集训练，得到训练模型；利用所述训练模块对待重构图像进行超分辨率重建，得到超分辨率图像。本申请基于多尺度损失卷积神经网络得到训练模型，对模型中的损失函数加以改进，综合考虑了不同尺寸下SR图像与HR图像间的差异，实现高低层信息的融合，有效提高了图像超分辨率重构质量。本申请还提供一种图像超分辨重构系统、计算机可读存储介质和图像处理终端，具有上述有益效果。
-
公开(公告)号：CN111445339A
公开(公告)日：2020-07-24
申请号：CN202010312349.4
申请日：2020-04-20
Applicant: 苏州大学
Abstract: 本发明公开一种双线性注意力卷积神经网络限价单预测分析方法及系统。所述方法在卷积神经网络的基础上增加双线性注意力机制，加强网络对时间信息的关注；通过池化层和Dropout层减少模型参数数量防止过拟合现象的发生，减少了计算量。在网络训练过程的反向传播中，使用Adam算法计算并更新权重，优化传统梯度下降过程；通过损失函数L，优化更新模型的参数，从而优化双线性注意力卷积神经网络。与传统神经网络相比，本发明不仅提高了网络梯度下降的计算性能，而且提高了预测结果的准确率，能够捕捉到限价单中不同档的价格与成交量对未来趋势的影响。本发明所述系统包括数据预处理模块、网络训练模块和股票限价单趋势预测模块。
-
Patent Agency Ranking
公开(公告)号：CN106327520B
公开(公告)日：2020-04-07
申请号：CN201610692267.0
申请日：2016-08-19
Applicant: 苏州大学
Abstract: 本申请公开了一种运动目标检测方法，包括：预先确定与视频监控设备的监控场景所对应的背景图像；对待检测灰度图像和背景图像进行相减处理，得到相应的差分图像；对差分图像进行二值化处理，确定出待检测灰度图像上的运动目标；其中，背景图像的确定过程包括，分别对视频监控设备已采集的灰度图像帧序列中的第一灰度图像帧和第二灰度图像帧进行图像块划分处理，相应地得到第一图像块集和第二图像块集，然后利用第一图像块集和第二图像块集之间的差异性，确定出背景图像。本申请公开的技术方案提升了运动目标的检测效果并降低了检测过程的复杂程度。另外，本申请还相应公开了一种运动目标检测系统。
-
公开(公告)号：CN110930241A
公开(公告)日：2020-03-27
申请号：CN201911161204.2
申请日：2019-11-24
Applicant: 苏州大学
Abstract: 本申请公开了一种信用卡审批方法，包括：预先基于相关熵诱导损失函数，利用样本审批信息确定出目标判别模型；获取目标申请人的目标审批信息，并将目标审批信息输入至目标判别模型中，得到目标判别值；利用目标判别值确定出对应的审批结果。可见，由于相关熵诱导损失函数能够相对消除噪音特征对目标审批信息的影响，因此，本方法能够提高信用卡审批的准确度。本申请还公开了一种信用卡审批装置、设备及计算机可读存储介质，均具有上述有益效果。
-
公开(公告)号：CN105608471B
公开(公告)日：2020-01-14
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：CN105608478B
公开(公告)日：2019-12-06
申请号：CN201610192000.5
申请日：2016-03-30
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 发明公开了一种图像特征提取与分类联合方法及其系统，首先根据训练样本间的相似性，构造近邻图，并计算重构系数矩阵。进而引入基于核范数度量的近邻重构错误最小化的非线性流形学习，对训练图像样本进行低维流形特征学习，得到一个可获取样本低维流形特征的线性投影矩阵；再利用所述训练样本低维特征,最小化L2,1‑范数正则化的分类错误，完成鲁棒稀疏分类器学习，输出一个最优分类器，从而对测试样本进行特征提取和分类。与现有技术相比，本发明通过采用核范数度量和L2,1‑范数正则化的联合问题，有效提高了提取特征的描述性与分类准确率。
-
公开(公告)号：CN105335756B
公开(公告)日：2019-06-11
申请号：CN201510726581.1
申请日：2015-10-30
Applicant: 苏州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于鲁棒学习模型的图像分类方法与图像分类系统，包括：对训练集进行初始化，得到初始类别标签矩阵，训练集中的训练样本包括已知其类别并标定有与其类别对应的类别标签的样本及未知其类别且未标定类别标签的样本；基于近邻定义及重构权的构造方法对训练样本进行处理，根据样本间的相似性，构造重构系数矩阵，并进行对称化、归一化处理；利用重构系数矩阵及初始类别标签矩阵确定无标定样本的软标签，采用迭代的方式对训练样本的软标签进行l2，1范数正则化，得到投影矩阵及软标签矩阵；利用投影矩阵对待测样本进行映射，得到其软标签；待测样本为未知其类别且未标定类别的样本。提高了分类准确性。
-
-
-
-
-
-
-
-
-
Search Results
363
records
(took 0.032 seconds)
