-
公开(公告)号：CN104809895A
公开(公告)日：2015-07-29
申请号：CN201510185561.8
申请日：2015-04-19
Applicant: 北京工业大学
IPC: G08G1/081
Abstract: 相邻交叉口的干道协调控制模型及其优化方法，相邻交叉口四相位干道协调控制模型的建立；进行个体编码、初始化数据，并设定参数；进行种群初始化；计算种群内个体的适应度值；对种群进行最小生成树聚类；选择种群内个体参加遗传操作；对选择的个体进行遗传和变异操作；重复迭代直到得到最佳个体。本发明以各车队排队等候的总延误最小为性能指标，通过分析由上游交叉口在不同相位下放行车队的对首和队尾车辆到达下游交叉口前遇到的信号状态以及路口前车辆在放行期间是否完全放行建立的更为完善的相邻交叉口干道协调控制模型，并以改进的遗传算法作为优化算法，同时以周期长度，主街配时，信号配时以及相位差作为参数进行优化求解。
-
公开(公告)号：CN103745258A
公开(公告)日：2014-04-23
申请号：CN201310415022.X
申请日：2013-09-12
Applicant: 北京工业大学
IPC: G06N3/12
Abstract: 基于最小生成树聚类的遗传算法的复杂网络社区挖掘方法属于复杂网络社区挖掘技术领域，其特征在于，包括以下步骤：计算机初始化、种群初始化、用最小生成树法对种群聚类、对种群内聚类后的各个体进行单点交叉操作、变异操作和选择操作、迭代T次得到复杂网络的最佳社区划分。本发明通过对种群进行最小生成树聚类，利用种群间的交叉，维持种群多样性，抑制未成熟收敛现象，利用物种间较优的个体进行交叉操作，增大了搜索含有更优解的空间的概率，通过选择使局部模块度Ml最大的邻居结点作为变异值，提高了算法的搜索效率。
-
公开(公告)号：CN103246874A
公开(公告)日：2013-08-14
申请号：CN201310162456.3
申请日：2013-05-03
Applicant: 北京工业大学
Abstract: 一种基于联合稀疏模型和稀疏保持映射的人脸识别方法，用所有的训练图像组成的变换基代替JSM算法中的常用的随机矩阵，利用JSM算法提取每类训练人脸图像的公有部分及私有部分，人脸库中的图像按人分类，同一个人的所有图像归为一类，公有部分表示了每类人脸图像共有的人脸特征，私有部分表示了人脸不同的表情、光照等细节变化，利用稀疏的公有及私有部分重构出的图像逼近原始训练图像，通过求解重构误差最小的最优化问题，求得降维矩阵。最后求得的降维矩阵对测试图像进行降维处理，并用降维后的训练图象的每一类的公有和私有重构出测试图像，重构误差最小的即判别为测试图像所属类别。
-
公开(公告)号：CN103208027A
公开(公告)日：2013-07-17
申请号：CN201310080090.5
申请日：2013-03-13
Applicant: 北京工业大学
IPC: G06N3/12
Abstract: 一种基于局部模块度的遗传算法用于大规模复杂网络社区挖掘的方法，属于复杂网络社区挖掘技术领域，包括：对网络社区划分进行编码；种群初始化；计算适应度函数；进行遗传操作：交叉、变异、选择；解码，得到最佳社区划分。本发明通过在交叉算子中加入轮盘赌选择，而不是随机选择种群中的个体进行交叉操作，使高适应度个体具有优先选择性，可以加快最优划分的产生；在变异算子中引入局部模块度函数，使变异后的候选解更接近最优解，强化了变异算子的局部搜索能力，更具针对性，提高了算法的搜索性能；利用LMGACD算法进行复杂网络社区挖掘可以取得好的划分效果，且时间复杂度较低。
-
公开(公告)号：CN102737234A
公开(公告)日：2012-10-17
申请号：CN201210212659.4
申请日：2012-06-21
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于Gabor滤波和联合稀疏模型的人脸识别方法，该方法首先通过Gabor滤波对人脸图像进行滤波，提取对光照及表情不敏感的特征，然后利用提取出的Gabor特征作为联合稀疏模型(Joint Sparsity models，JSM)的输入，提取每类训练图像的公有部分及私有部分的和。最后利用所提取的公有部分及私有部分的和来构造字典，采用SRC（稀疏表示分类）方法获得待识别人脸图像在构造字典上的稀疏表示，根据稀疏表示系数得到识别结果。本发明的优势在于，仅用两个特征图像就可以有效的表示每一类训练人脸图像，减少了存储空间的大小。Gabor滤波的引入使得该算法对人脸表情及光照的变化具有较好的鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN101655926B
公开(公告)日：2011-11-16
申请号：CN200910092168.9
申请日：2009-09-01
Applicant: 北京工业大学
IPC: G06N1/00
Abstract: 本发明公开了一种用线性判别函数设计凸可分分类器的方法，依次包括以下步骤：输入两类数据向量样本集合X和Y；计算X中的每个点到Y的凸包的最近点，Y中的每个点到X的凸包的最近点，X关于Y的凸距离，Y关于X的凸距离，X和Y的凸距离以及X和Y的最佳凸可分方向；在区间(0，1]中选择参数γ，并根据X和Y的最佳凸可分方向，构造一组线性判别函数设计X和Y的凸可分分类器；本发明在解决凸可分分类问题时，不需要选择核函数，也不需要求解二次规划问题，编程实现容易，运行效率较高，泛化能力较强，而且能够明确判定两类数据向量样本集合是凸可分。
-
公开(公告)号：CN112800928B
公开(公告)日：2024-04-09
申请号：CN202110092972.8
申请日：2021-01-25
Applicant: 北京工业大学
IPC: G06F18/213 , G06F18/24 , G06F18/214 , G06F18/25 , G06N3/0464
Abstract: 本发明公开了融合通道和频谱特征的全局自注意力残差网络的癫痫发作预测方法，将脑电信号数据分割为发作前期和发作后期，然后计算发作前期和发作后期的数据比，对发作前期数据进行重叠采样，得到数据量相等的两类信号片段；再利用短时傅立叶变换将原始EEG信号转化成频谱图来表示EEG信号的时频特征；然后分别使用3种不同维度的3D卷积核挖掘各个通道映射之间的相互依赖性并将他们的结果进行拼接，利用一个卷积操作将上述的通道特征进行融合；通过全局自注意力模块将频谱图的局部特征与其全局特征进行集成，以加强脑电信号特征之间的关联性来获得上下文信息，使每个位置的特征都带有全局感受野，提高网络的表征能力，从而达到更好的分类效果。
-
公开(公告)号：CN116994014A
公开(公告)日：2023-11-03
申请号：CN202210417650.0
申请日：2022-04-21
Applicant: 北京工业大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于生成对抗网络与互学习的自蒸馏图像分类方法。为了让浅层学生网络提取的特征逼近深层网络提取的特征，我们运用了生成对抗网络。浅层学生网络因其结构简单，提取特征的能力较弱，我们将其提取的特征定义为生成样本；主干网络结构复杂，层次较深，特征提取能力较强，我们将其提取的特征定义为真样本。在此基础上，我们在自蒸馏框架中引入设计好的鉴别器，让生成器(浅层学生网络)与鉴别器之间进行博弈，从而提升学生网络的特征提取能力。为了使生成对抗网络训练较为稳定，我们采用激活层之前的学生特征及教师特征送入鉴别器进行训练。此外，自蒸馏框架中学生网络与教师网络是从随机初始化开始训练的，学生网络学习的好坏情况无法反馈到教师网络中，使得教师网络难以进行知识的优化调整，因此我们引入了互学习的训练方式。
-
公开(公告)号：CN116993646A
公开(公告)日：2023-11-03
申请号：CN202210419593.X
申请日：2022-04-21
Applicant: 北京工业大学
IPC: G06T7/00 , G06T7/11 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于MaskRCNN的肝脏肿瘤实例分割方法，该方法直接将CT转换为普通图像后的图像作为网络的输入，使用损失函数计算训练的损失值，通过优化损失值，反向传播更新模型参数，训练网络模型直至该模型收敛。在网络结构中，通过引入GAM模块来融合肝脏肿瘤实例分割过程中的位置信息和语义信息；通过提出多层特征融合模块使得网络可以学习到语义信息和位置信息权重的能力，可以更好的分割复杂情况下的肿瘤。通过在公开数据集Decathlon上进行交叉验证，验证了基于这种网络结构的肝脏肿瘤实例分割方法的有效性。
-
公开(公告)号：CN116992922A
公开(公告)日：2023-11-03
申请号：CN202210419592.5
申请日：2022-04-21
Applicant: 北京工业大学
IPC: G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08 , G06F18/15 , G06F18/214 , G06F18/2415 , G06F18/25 , A61B5/346 , A61B5/00
Abstract: 本发明公开了一种基于可变卷积和双向LSTM的心律失常分类自适应网络(ADLNet：Adaptive Deformed Convolution and LSTM for classification of arrhythmias)。本发明提出了残差可变卷积模块，利用可变卷积自适应调整感受野的形状，充分利用12导联心电图导联间的跨导联特征；引入了适用于学习长距离依赖的网络——双向长短记忆网络(Bi‑LSTM)，让其担任网络中学习导联内特征的任务。此外提出了自适应融合模块，将可变卷积和双向LSTM得到的特征图以自适应方式进行融合。本发明是一种端到端的心电分类方法。降低了解决问题的繁琐复杂过程，有效地提高了心电信号分类准确率。
-
-
-
-
-
-
-
-
-
Search Results
119
records
(took 0.025 seconds)
