-
公开(公告)号：CN114022667A
公开(公告)日：2022-02-08
申请号：CN202111261487.5
申请日：2021-10-28
Applicant: 同济大学
IPC: G06V10/25 , G06V10/774 , G06V10/764 , G06K9/62 , G06N3/04 , G06T3/60 , G06T5/00
Abstract: 本发明涉及一种糖尿病性视网膜病变影像数据处理方法，该方法包括：数据预处理：获取高清眼底图像X，经过降噪与细节增强得到预处理高清眼底图像再经过缩放与数据增强得到分辨率较小的预处理高清眼底图像特征提取：将分辨率较小的预处理高清眼底图像输入至卷积神经网络A中得到特征图F；分别采用整体处理分支处理以及感兴趣区域处理分支处理方法，获取全局处理结果ywhole以及关注区域处理结果yattention；将全局处理结果ywhole与关注区域处理结果yattention进行分数平均，得到最终的处理结果ypred。与现有技术相比，本发明具有准确度高、鲁棒性高以及节省计算资源的优点。
-
公开(公告)号：CN114021630A
公开(公告)日：2022-02-08
申请号：CN202111260818.3
申请日：2021-10-28
Applicant: 同济大学
Abstract: 本发明涉及一种面向类别不平衡数据集的序数回归问题解决方法，包括：获取数据集，构建神经网络，数据集包括多个样本，每个样本带有标签，标签用于表示样本所属的类别，神经网络的损失函数为weight kappa loss损失函数；自数据集中选择一个batch，将该batch的所有样本送入神经网络，神经网络的输出为各个样本属于各个类别的预测概率；基于神经网络的输出统计概率混淆矩阵，并计算概率混淆矩阵的两个边缘分布的距离；基于两个边缘分布的距离更新损失函数；计算网络误差，反向传播更新神经网络参数。与现有技术相比，本发明通过对边缘分布进行惩罚，解决了混淆矩阵的全零列问题，消除了某种类别无法被检出的严重后果，提升了神经网络模型的性能。
-
公开(公告)号：CN112163316A
公开(公告)日：2021-01-01
申请号：CN202010893005.7
申请日：2020-08-31
Applicant: 同济大学
Abstract: 本发明涉及一种基于深度学习的硬岩隧道掘进机的掘进参数预测方法，具体包括以下步骤：S1.获取传感器连续记录的掘进数据，划分出原始掘进段进行优化，获得目标掘进段组，并将目标掘进段组划分为训练样本集和测试样本集；S2.构建卷积神经网络模型，将训练样本集输入卷积神经网络模型进行深度学习，获取初步预测模型；S3.获取测试样本集，输入初步预测模型进行测试，根据测试结果调整初步预测模型的超参数；S4.重复步骤S3，记录每次调整超参数后模型的预测误差，当预测误差小于设定阈值时，将当前模型作为最终预测模型输出。与现有技术相比，本发明具有提高掘进机的刀盘转速和推进速度的预测精度、避免经济损失和工期延误等优点。
-
公开(公告)号：CN110501568A
公开(公告)日：2019-11-26
申请号：CN201910606143.X
申请日：2019-07-05
Applicant: 同济大学
IPC: G01R21/133
Abstract: 本发明涉及一种基于图信号处理的非侵入式设备负载监测方法，包括数据预处理、起始点获取和目标函数整体优化三个步骤，首先对数据进行预处理，为各已知设备选取合适的时间段作为训练集；然后确定目标函数，对目标函数的正则化项进行最小值求解，获得解析解；最后将已获得的解析解作为起始点，执行梯度投影优化算法对目标函数进行整体优化求解。与现有技术相比，本发明具有提高了算法性能，获得更好的电力分离结果，实现更高精度的非侵入式设备的负载监测等优点。
-
公开(公告)号：CN113763343B
公开(公告)日：2024-03-29
申请号：CN202111008957.7
申请日：2021-08-31
Applicant: 同济大学
IPC: G06T7/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/096
Abstract: 本发明涉及一种基于深度学习的阿兹海默症检测方法及计算机可读介质，其中阿兹海默症检测方法包括：步骤1：获取结构性核磁共振成像sMRI图像训练集，进行数据预处理；步骤2：基于熵选择最具信息量的图像切片；步骤3：构建阿兹海默症检测模型，并使用步骤2筛选的图像切片对检测模型进行训练；步骤4：将待检测的结构性核磁共振成像sMRI图像输入检测模型，获得检测结果。与现有技术相比，本发明具有准确度高、鲁棒性好、计算开销小等优点。
-
Patent Agency Ranking
公开(公告)号：CN116963294A
公开(公告)日：2023-10-27
申请号：CN202310884614.X
申请日：2023-07-18
Applicant: 同济大学
Abstract: 本发明公开了一种基于交替方向惩罚法的无人机群感知资源联合调度方法，包括以下步骤：首先设定机群内无人机个数、无人机感知频段范围、无人机定向天线波束宽度、无人机可部署区域、无人机间距离约束、待感知目标个数、待感知目标工作频率、待感知目标预估位置及环境参数等；然后构造基于信号能量检测的多无人机联合感知模型，提出多无人机感知资源联合调度问题；最后将原问题转化为等价问题，设计基于交替方向惩罚的迭代算法对问题高效求解。基于以上方法实现对无人机群感知资源的有效调度。本发明的有益效果是：该方法实现了在无人机群频域、空域、波束域等资源受限条件下对目标感知性能的优化。
-
公开(公告)号：CN116630353A
公开(公告)日：2023-08-22
申请号：CN202310660211.7
申请日：2023-06-06
Applicant: 同济大学
Abstract: 本发明提供了一种基于联邦学习的糖尿病性视网膜病变诊疗系统，具有这样的特征，联邦模型采用如下方法获得：步骤S1，对服务端和各个客户端进行初始化；步骤S2，各个客户端与服务端进行通讯连接；步骤S3，对本地数据进行数据预处理；步骤S4，服务端构建联邦全局模型，再将联邦全局模型发送至与该服务端相连的各个客户端；步骤S5，各个客户端分别根据预处理数据迭代训练联邦全局模型，将得到的学习数据发送至服务端；步骤S6，服务端根据所有学习数据更新联邦全局模型，再将更新后的联邦全局模型发送至各个客户端；步骤S7，重复执行步骤S5至步骤S6，直至达到训练完成条件，得到联邦模型。总之，本方法能够提高分割准确率。
-
公开(公告)号：CN116528295A
公开(公告)日：2023-08-01
申请号：CN202310350799.6
申请日：2023-04-04
Applicant: 同济大学
Abstract: 本发明提出了一种基于多智能体强化学习的车联网雾计算分层任务卸载方法，其主要内容包括：在服务区域内部构建车对车的计算任务卸载架构、不同的区域之间形成协作组进行计算资源共享、服务车辆对计算资源信息的收集与广播、区域内分布式车辆任务卸载决策，车辆根据自身信息与接收到的资源信息应用多智能体深度强化学习算法协作实现最大化全局收益。同时本发明给出了基于聚类的分层雾计算框架和多智能体深度强化学习算法，车辆在满足自身意愿前提下加入服务区域共享自身资源或者卸载任务，多个服务区域之间共享空闲资源，有效地提升广域车联网的任务完成率和计算能力。
-
公开(公告)号：CN116502909A
公开(公告)日：2023-07-28
申请号：CN202310392547.X
申请日：2023-04-12
Applicant: 同济大学
IPC: G06Q10/0637 , G06Q50/26 , G06N3/044
Abstract: 本发明涉及一种适用于防空作战领域，在空地协同架构下的基于循环神经网络的无人机威胁评估方法及系统，其中方法包括以下步骤：考虑无人机目标慢、小、低的特性，构建无人机威胁评估指标并定量分析；将无人机飞行过程离散化，划分多个时间片，获取以时间序列为基础的飞行状态数据；基于循环神经网络构建无人机威胁评估模型，以当前时刻及其前预配置个数时间片的飞行状态数据作为输入，威胁评估值作为输出，综合评估敌方无人机威胁。与现有技术相比，本发明能够有效地提升对敌方无人机的威胁评估精准度，避免与飞鸟等目标混淆，提高置信度。
-
公开(公告)号：CN112115830B
公开(公告)日：2023-06-02
申请号：CN202010945655.1
申请日：2020-09-10
Applicant: 同济大学
IPC: G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明涉及一种基于比特域特征提取的目标分布式融合识别方法，用于边缘设备和边缘域融合中心中，方法包括以下步骤：1)从多种边缘设备中获取感知信号；2)获取预先构建并训练好的深度神经网络，根据预设的部署规则，拆分深度神经网络，并部署到多种边缘设备和边缘域融合中心中，获得分布式神经网络架构；边缘设备中部署的深度神经网络通过对输出信号进行比特域特征提取，生成比特域特征向量，从而进行数据传输3)载入感知信号，获取目标识别结果。与现有技术相比，本发明可在边缘设备上对目标信号进行预处理，并得到量化压缩后的比特域特征，进行数据传输，缓解云中心的计算存储压力和网络带宽压力，并提高目标识别过程的响应速度。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.019 seconds)
