-
公开(公告)号：CN105740867B
公开(公告)日：2018-11-09
申请号：CN201610052476.9
申请日：2016-01-26
Applicant: 哈尔滨理工大学
Abstract: 图像纹理窗口形状与尺度的选择方法，属于图像处理领域。为了解决采用固定纹理窗口提取纹理特征时存在边缘定位误差和纹理描述的冗余问题。所述选择方法包括：将待处理图像分成多个图像分块，对每个图像分块进行纹理窗口形状与尺度的选择，包括：对每个图像分块，建立图像生成的混合概率模型，每个纹理窗口对应混合概率模型的一个混合分量；采用期望最大化算法，求取混合概率模型参数的极大似然估计值，确定每个像素针对不同混合分量的后验概率；根据确定的每个像素针对不同混合分量的后验概率，按照最大后验概率对像素进行分类，每个类别形成一个纹理窗口，即：获得纹理窗口的形状与尺度。本发明应用于图像纹理的提取与描述领域。
-
公开(公告)号：CN103973427B
公开(公告)日：2017-12-08
申请号：CN201310379191.2
申请日：2013-08-27
Applicant: 哈尔滨理工大学
IPC: H04L9/00
Abstract: 本发明提供一种基于虚拟计算和数据优化的混沌并行数据的加密方法，包括：S1、建立混沌方程，对数据进行划分，得到划分后的数据集，并确定虚拟计算核心集合；S2、判断所述数据集与所述虚拟计算核心集合的差值，根据所述差值与零的大小，确定执行态虚拟计算核心集合，并建立数据集与执行态虚拟计算核心的静态映射关系；S3、根据并行系统中物理计算核心集合建立执行态物理计算核心集合，并建立所述执行态虚拟计算核心集合到所述执行态物理计算核心集合的静态映射关系，执行态虚拟计算核心获取所述混沌方程的密钥并执行数据加密。本发明实施例中提出的加密方法能够根据实际需要充分利用物理计算核心，即充分利用并行系统的计算资源。
-
公开(公告)号：CN107330869A
公开(公告)日：2017-11-07
申请号：CN201710504878.2
申请日：2017-06-28
Applicant: 哈尔滨理工大学
CPC classification number: G06T5/001 , G06T7/11 , G06T2207/30096
Abstract: 重叠细胞分割后的异常像素点重构，本发明涉及DNA倍体分析技术中，重叠细胞分割后出现的像素点异常的问题。DNA倍体分析技术通过图像处理技术测量细胞DNA的相对含量，在癌症诊断方面有着广泛的应用。然而重叠细胞的分割后的像素点异常，导致细胞的纹理、灰度以及最重要的光密度等特征出现异常，在诊断中极易出现误诊。为改善这一问题，本发明提出了一种基于GMM-UBM模型的细胞重叠区域像素重构方法。实验表明，该方法能有效地调整细胞的纹理、灰度、光密度等特征值，减少DNA含量测量的误差，降低异常像素点对分类器识别率的影响。本发明应用于重叠细胞分割后的异常像素点重构。
-
公开(公告)号：CN103973666B
公开(公告)日：2017-07-14
申请号：CN201310351135.8
申请日：2013-08-13
Applicant: 哈尔滨理工大学
Abstract: 本发明提供了一种垃圾邮件僵尸主机检测方法及装置，涉及计算机网络安全领域。该方法包含训练阶段和检测阶段：S1、通过序贯概率比的方法估计正常主机和垃圾邮件僵尸主机的高斯模型参数，分别建立高斯模型，并计算高斯模型的门限值；S2、通过垃圾邮件分类器对待检测主机发出的邮件进行检测，得到检测分数；S3、将所述检测分数进行归一化处理，将检测分数调整在[0,1]区间内；S4、基于调整后的检测分数，通过步骤S1中建立的高斯模型计算垃圾邮件僵尸主机的统计量，并将统计量与所述门限值做比较，判决待检测主机是否为垃圾邮件僵尸主机。本发明通过检测发送垃圾邮件的僵尸主机，能够切断垃圾邮件发送的源头，从根本上减少垃圾邮件的发送。
-
公开(公告)号：CN102609714B
公开(公告)日：2017-07-07
申请号：CN201110458593.2
申请日：2011-12-31
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 基于信息增益和在线支持向量机的新型分类器及分类方法。在近几年学术研究中，尤其是在信息过滤领域，在线支持向量分类器受到部分学者的关注。一种基于信息增益和在线支持向量机的新型分类器的分类方法，本方法包括如下步骤：第一步对样本信息进行预处理，获得样本的特征；第二步使用信息增益Information Gain方法计算每个特征的信息量，再根据一定的策略选择所需的特征；第三步根据选择的特征建立能够适应在线支持向量机模型的特征向量；第四步利用在线模型训练基于在线支持向量机的新型分类器；第五步利用分类器分类样本。本发明用于文本分类、信息过滤。
-
Patent Agency Ranking
公开(公告)号：CN105975589A
公开(公告)日：2016-09-28
申请号：CN201610298079.X
申请日：2016-05-06
Applicant: 哈尔滨理工大学
IPC: G06F17/30
CPC classification number: G06F16/285 , G06F16/2465 , G06F16/283
Abstract: 本发明公开了一种高维数据的特征选择方法及装置，该方法包括获取待处理的原始数据集，所述原始数据集包括特征集、若干样本以及类别集，所述类别集包括每个样本的类别；计算获取所述特征集中每一个特征与类别集之间的最大信息系数MIC，以及每一个特征与已选特征子集的冗余值；根据所述最大信息系数MIC和所述冗余值，获取每一个特征的有效值，并根据所述有效值从特征集中选择出特征子集。本发明将MIC引入特征选择中，并基于MIC对特征进行有效评价，以根据评价产生的有效值选择特征，与现有技术相比，能有效地提高对高维数据特征选择的精确度。
-
公开(公告)号：CN103971702A
公开(公告)日：2014-08-06
申请号：CN201310332073.6
申请日：2013-08-01
Applicant: 哈尔滨理工大学
Abstract: 本发明提供一种声音监控方法、装置及系统，涉及声音信号处理和模式识别技术领域。该方法包含步骤：训练声音阶段和检测声音阶段，训练声音阶段包含：S1、获取训练声音信号，提取训练声音特征；S2、根据训练声音特征，训练声音事件模型；检测声音阶段包含：S3、提取待检测声音特征；S4、判断所述声音事件模型中是否存在至少一个与所述待检测声音特征匹配的声音事件模型，如为是，则判定存在暴力事件；如为否，判定不存在暴力事件。本发明通过提取声音信号的声音特征，将所提取的声音特征与训练好的声音事件模型做比较，分析得出电梯内是否存在暴力事件，实现了电梯内暴力事件的自动监控，实时给出监控结果，能有效保证检测的准确率。
-
公开(公告)号：CN102609714A
公开(公告)日：2012-07-25
申请号：CN201110458593.2
申请日：2011-12-31
Applicant: 哈尔滨理工大学
IPC: G06K9/62
Abstract: 基于信息增益和在线支持向量机的新型分类器及分类方法。在近几年学术研究中，尤其是在信息过滤领域，在线支持向量分类器受到部分学者的关注。一种基于信息增益和在线支持向量机的新型分类器的分类方法，本方法包括如下步骤：第一步对样本信息进行预处理，获得样本的特征；第二步使用信息增益InformationGain方法计算每个特征的信息量，再根据一定的策略选择所需的特征；第三步根据选择的特征建立能够适应在线支持向量机模型的特征向量；第四步利用在线模型训练基于在线支持向量机的新型分类器；第五步利用分类器分类样本。本发明用于文本分类、信息过滤。
-
公开(公告)号：CN116822515B
公开(公告)日：2024-07-09
申请号：CN202310743423.1
申请日：2023-06-21
Applicant: 哈尔滨理工大学
IPC: G06F40/295 , G06V10/40 , G06F18/213 , G06F18/25 , G06F40/30 , G06N3/048 , G06N3/047 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于实体跨度定位视觉区域的多模态命名实体识别方法及系统，涉及计算机视觉和自然语言处理技术领域，以克服现有的获取局部视觉信息方法的缺陷。本发明的技术要点包括：设计实体跨度定位视觉区域模块，以根据文本特征和图片特征，输出与输入文本中所有实体最相关的视觉区域特征；设计多模态交互模块，以根据文本特征获取的文本隐藏表示以及视觉区域特征，进行文本特征和视觉区域特征之间的跨模态语义交互，输出多模态融合特征；设计条件随机场解码模块，以根据输入的多模态融合特征，输出文本中每个单词的实体标签。本发明同时利用全局和局部两个角度的图片信息来提升性能，减轻了不相关物体图像对多模态命名实体识别的负面影响。
-
公开(公告)号：CN117077672B
公开(公告)日：2024-04-26
申请号：CN202310822927.2
申请日：2023-07-05
Applicant: 哈尔滨理工大学
IPC: G06F40/295 , G06F40/284 , G06F40/289 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/049 , G06N3/08
Abstract: 本发明提出一种基于词汇增强和TCN‑BILSTM模型的中文命名实体识别方法，属于计算机自然语言技术领域。包括S1、将输入语句中的字符映射成字符表示；S2、将语句中的词汇和分词信息拼接到字符表示上，得到词汇增强后的字符表示；S3、使用预训练的BERT模型，获得输入语句中具有上下文表示的字符表示，将具有上下文表示的字符表示与词汇增强后的字符表示做拼接，得到拼接后的字符表示；S4、对拼接后的字符向量表示做特征提取，得到具有上下文信息和长距离语义信息的特征向量表示；S5、将具有上下文信息和长距离语义信息的特征向量表示输入CRF解码模型预测每个字符的实体标签。解决对于多层次语义信息识别率低的问题。
-
-
-
-
-
-
-
-
-
Search Results
100
records
(took 0.02 seconds)
