-
公开(公告)号：CN102360388A
公开(公告)日：2012-02-22
申请号：CN201110320482.5
申请日：2011-10-20
Applicant: 苏州大学
IPC: G06F17/30
Abstract: 本申请公开了一种基于支持向量回归的时间序列预测方法及系统。一种基于支持向量回归的时间序列预测方法，包括：从已有的时间序列数据集中选取历史数据，得出多个训练数据集；确定待构建的SVR模型的正则参数和高斯核参数，构建每个训练数据集对应的支持向量回归SVR模型；选取t-T+1时刻至当前t时刻之间的T个历史数据；在被预测时刻与当前时刻的第一差值小于等于SVR模型的个数的情况下，选取与所述第一差值对应的SVR模型，对T个历史数据直接利用该SVR模型获得被预测时刻的预测值。本申请的一步预测获得预测值的方式相对于现有技术多步预测获得被预测时刻的预测值的方式，预测误差的累积减少，进而获得预测值的精确度提高。
-
公开(公告)号：CN115908828B
公开(公告)日：2024-08-16
申请号：CN202211415263.X
申请日：2022-11-11
Applicant: 苏州大学
IPC: G06V10/32 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及图像描述技术领域，尤其是指一种图像描述生成方法及装置。本发明所述的图像描述生成方法，通过局部通道注意力计算图像各个通道的权重，关注不同布纹之间的底层特征差异，从而提升网络的表征能力；通过全局通道注意力将局部通道注意力所提取的特征进行更好的融合。此外，本发明将通道注意力结构进行堆叠，局部邻域向全局进行扩散，局部特征与全局相关性结合，以提取图像局部与全局特征间以及特征通道间依赖关系，从而获得图像的上下文信息，有利于生成更精确的描述。该模块能够减少冗余特征并抑制与任务无关特征的干扰，使得网络高效的利用于生成描述强相关的特征，得到更加准确、质量更高的布纹图像描述。
-
公开(公告)号：CN111275135B
公开(公告)日：2023-09-12
申请号：CN202010125156.8
申请日：2020-02-27
Applicant: 苏州大学
IPC: G06F18/24 , G06F18/214
Abstract: 本申请公开了一种故障诊断方法、装置、设备、介质，该方法包括：获取待测样本；对所述待测样本进行预处理，得到目标待测样本；利用k近邻分类算法和预先得到的目标参考集对所述目标待测样本进行分类，以便确定所述目标待测样本是否是故障数据。由此可见，本申请在获取到待测样本之后，先对待测样本进行相应的预处理，得到目标待测样本，然后利用k近邻分类算法和预先得到的目标参考集对所述目标待测样本进行分类，根据分类结果确定所述目标待测样本是否是故障数据。这样能够利用预先得到的参考集对待检测数据进行分类，从而确定出待检测数据是否是故障数据，提高故障诊断的效率以及检测率。
-
公开(公告)号：CN110879982B
公开(公告)日：2023-06-20
申请号：CN201911122534.0
申请日：2019-11-15
Applicant: 苏州大学
IPC: G06V20/52 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种人群计数系统及方法，该系统包括图像预处理模块、模型训练模块及人群计数预测模块，其中：所述图像预处理模块，用于：获取训练集中每个训练样本的人群密度图及人数类别；其中，所述训练样本为人群图像；所述模型训练模块，用于：利用所述训练集中的每个训练样本、每个训练样本的人群密度图及每个训练样本的人数类别训练预先创建的神经网络，得到对应的预测模型；其中，所述神经网络包括实现人群计数预测的多尺度卷积神经网络及用于实现人数类别预测的人数分类器；所述人群计数预测模块，用于：利用所述预测模型预测待测样本的人群密度图；其中，所述待测样本为人群图像。从而能够准确预估不同密集度的人群图像的密度图。
-
公开(公告)号：CN109711469B
公开(公告)日：2023-06-20
申请号：CN201811615503.4
申请日：2018-12-27
Applicant: 苏州大学
IPC: G06T7/00 , G06V10/764 , G06V10/771 , G06V10/774 , G16H50/20
Abstract: 本发明公开了一种基于半监督邻域判别指数的乳腺癌诊断系统，包括数据获取模块、特征提取模块、特征筛选模块、分类模块，能够获取有标签的乳腺细胞数据样本和无标签的乳腺细胞数据样本，并提取出乳腺细胞数据样本的多个特征，然后计算各个特征的半监督邻域判别指数，并从这些特征中筛选出半监督邻域判别指数满足预设条件的特征，最后根据筛选出的特征对待诊断的乳腺细胞数据样本进行诊断，得到诊断结果。可见，该方法基于半监督学习实现，通过计算各个特征的半监督邻域判别指数，筛选出与乳腺癌关联程度最大的特征，并在诊断过程中从待诊断数据样本中提取出这些特征数据，最后得到诊断结果，避免了为大量数据增加标签的过程，大大节省了开销。
-
Patent Agency Ranking
公开(公告)号：CN109670552B
公开(公告)日：2023-03-10
申请号：CN201811585699.7
申请日：2018-12-24
Applicant: 苏州大学
IPC: G06F18/24 , G06F18/2413
Abstract: 本发明公开了一种图像分类方法，该方法在计算众多图像的特征权重矩阵时，仅关注不同图像之间的距离，而不关注图像的类别，因此当众多图像中包括多类别的图像时，该方法仍然适用；并且该方法处理的图像集合中包括有标签图像和无标签图像，因此能够很好地处理有标签图像和无标签图像。所以本发明打破了现有的图像分类方法的局限，提高了图像分类方法的通用性。相应地，本发明公开的一种图像分类装置、设备及可读存储介质，也同样具有上述技术效果。
-
公开(公告)号：CN112115359A
公开(公告)日：2020-12-22
申请号：CN202010974301.X
申请日：2020-09-16
Applicant: 苏州大学
IPC: G06F16/9535 , G06F16/9536 , G06Q30/06
Abstract: 本发明公开了一种基于多阶近邻预测的推荐系统及方法，该系统包括：用户评分矩阵建立模块，用于根据用户集合和物品集合建立用户评分矩阵；相似度计算模块，用于计算任意两个用户之间的相似度；迭代近邻查找模块，用于根据相似度计算结果为目标用户选择N个近邻用户作为其一阶近邻，再选择N个一阶近邻的一阶近邻作为其二阶近邻，并依次迭代，直至找出目标用户的k阶近邻集，其中，N和k均为正整数；预测及推荐模块，用于根据每一次迭代查找的近邻集重新预测目标用户对物品的评分，并为目标用户进行物品推荐。本发明基于多阶近邻预测的推荐系统及方法采用迭代查找的思想，使得该推荐系统和方法的预测评分更准确，有效性更高。
-
公开(公告)号：CN111145096A
公开(公告)日：2020-05-12
申请号：CN201911370222.1
申请日：2019-12-26
Applicant: 苏州大学
Abstract: 本发明涉及一种基于递归极深网络的超分辨图像重构方法及系统,包括设定训练集，对所述训练集进行数据增强；利用所述训练集对已经搭建好的神经网络模型进行训练；利用训练完成的神经网络模型在测试图像上进行重建。本发明使得卷积网络的前一层可以使用后一层的有用信息，达到使用高级信息来完善低级信息的目的。
-
公开(公告)号：CN110084155A
公开(公告)日：2019-08-02
申请号：CN201910294403.4
申请日：2019-04-12
Applicant: 苏州大学
Abstract: 本发明公开了一种密集人群计数的方法、装置、设备以及计算机可读存储介质，包括：将待测试图像输入预先完成训练的目标残差多尺度卷积神经网络，其中，所述目标残差多尺度卷积神经网络中的两个预选卷积层之间设有残差单元；利用所述目标残差多尺度卷积神经网络对所述待测试图像进行处理，得到所述待测试图像的估计密度图并输出；依据所述目标估计密度图，确定所述待测试图像中的人数。本发明所提供的方法、装置、设备以及计算机可读存储介质，利用残差单元有效解决了网络的退化问题，从而有效降低了密级人群计数的误差。
-
公开(公告)号：CN109711469A
公开(公告)日：2019-05-03
申请号：CN201811615503.4
申请日：2018-12-27
Applicant: 苏州大学
Abstract: 本发明公开了一种基于半监督邻域判别指数的乳腺癌诊断系统，包括数据获取模块、特征提取模块、特征筛选模块、分类模块，能够获取有标签的乳腺细胞数据样本和无标签的乳腺细胞数据样本，并提取出乳腺细胞数据样本的多个特征，然后计算各个特征的半监督邻域判别指数，并从这些特征中筛选出半监督邻域判别指数满足预设条件的特征，最后根据筛选出的特征对待诊断的乳腺细胞数据样本进行诊断，得到诊断结果。可见，该方法基于半监督学习实现，通过计算各个特征的半监督邻域判别指数，筛选出与乳腺癌关联程度最大的特征，并在诊断过程中从待诊断数据样本中提取出这些特征数据，最后得到诊断结果，避免了为大量数据增加标签的过程，大大节省了开销。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.025 seconds)
