-
公开(公告)号：CN119380100A
公开(公告)日：2025-01-28
申请号：CN202411516248.3
申请日：2024-10-29
Applicant: 中国矿业大学
IPC: G06V10/764 , G06V10/58 , G06V10/40 , G06V10/80 , G06V10/42 , G06V10/82 , G06V20/10 , G06N3/045 , G06N3/0464 , G06N3/042 , G06N3/0442 , G06N3/0895
Abstract: 本申请公开了一种基于双混合专家的多模态遥感图像分类方法，首先，利用多头混合波段的光谱混合专家对光谱波段进行多样的密集混合；然后，设计了多模态融合混合专家实现对高光谱图像和激光雷达数据多样化的特征融合；此外，通过引入信息熵来均衡融合专家的选择；最后，通过提出的基于候选伪标签修剪的半监督学习算法对候选伪标签进行修剪，使得未标记样本获取更可靠的伪标签。
-
公开(公告)号：CN117393175A
公开(公告)日：2024-01-12
申请号：CN202311337070.1
申请日：2023-10-16
Applicant: 中国矿业大学
Abstract: 一种基于多组学数据的癌症亚型识别方法，包括以下步骤，获取多个组学数据，并构建每个组学数据对应的全局相似矩阵；基于每个组学数据的全局相似矩阵进行融合，得到融合相似矩阵；对融合相似矩阵的拉普拉斯矩阵施加秩约束，得到接近理想聚类结构的聚类指示矩阵；利用全局相似矩阵、融合相似矩阵、自适应权值和聚类指示矩阵构建最终的目标函数；对最终的目标函数进行优化、求解，计算得到最优解；利用所述最优解确定最佳的聚类簇的数目，并得到最优聚类指示矩阵对应的聚类标签用于预测癌症亚型。本发明能够更好地学习组学数据的全局相似信息，并自适应确定不同组学数据对聚类结果的贡献度，从而提高病人癌症亚型的预测准确率。
-
公开(公告)号：CN110632625A
公开(公告)日：2019-12-31
申请号：CN201910764340.4
申请日：2019-08-19
Applicant: 中国矿业大学
Abstract: 本发明公开了一种GNSS时间序列阶跃探测与修复方法，针对GNSS时间序列阶跃问题，利用时间序列发生阶跃前后连续时间窗口内的趋势不变特性，通过移动窗口法和时间基函数保系数趋势项逼近方式构建了阶跃探测与修复模型，进而采用稳健最小二乘、广义最小二乘或其他最优估计理论进行阶跃参数估计和方差-协方差估计，并通过统计假设检验进行阶跃参数显著性检验与阶跃修复。本发明适用于非等时间间隔或数据缺失下多种类型的GNSS时间序列探测与修复，阶跃探测与修复估计理论严密、易于编程，探测结果具有最优统计性质、修复结果具有统计可靠性。
-
公开(公告)号：CN106023065B
公开(公告)日：2019-02-19
申请号：CN201610321578.6
申请日：2016-05-13
Applicant: 中国矿业大学
IPC: G06T3/00
Abstract: 本发明公开了一种基于深度卷积神经网络的张量型高光谱图像光谱‑空间降维方法，首先，鉴于直接使用高波段的张量数据会使得深度卷积神经网络的参数空间大幅度增加，引入最大似然本征维估计算法和主成分分析对归一化高光谱图像的波段维进行降维，得到低波段的高光谱图像；然后，通过窗口领域，将低波段高光谱图像转化为张量型低波段高光谱图像，保持每个像素点的光谱和空间信息；最后，利用深度卷积神经网络对张量型低波段高光谱图像进行光谱‑空间降维，使得降维后的特征同时包括光谱信息和空间信息。本发明能有效地利用高光谱数据的光谱特征和空间领域特征获得较高的整体分类精度和Kappa系数。
-
公开(公告)号：CN115410088A
公开(公告)日：2022-11-29
申请号：CN202211235431.7
申请日：2022-10-10
Applicant: 中国矿业大学
Abstract: 本发明公开了一种基于虚拟分类器的高光谱图像领域自适应方法，其用于无监督高光谱图像分类任务。首先，通过基于空‑谱近邻图的图卷积网络来提取高光谱图像的领域不变特征；然后，构建一个基于特征相似性度量的虚拟分类器来输出目标域样本的类别概率；此外，通过最小化真实和虚拟分类器之间的分歧，以使不同领域但具有相似特征的像素被分为同一个类别；最后，通过构造一个软原型对比损失并将其最小化，以对齐不同领域特征相似的样本且使不相似的样本互相远离。
-
Patent Agency Ranking
公开(公告)号：CN109685105B
公开(公告)日：2019-10-25
申请号：CN201811366436.7
申请日：2018-11-16
Applicant: 中国矿业大学
Abstract: 本发明的一种基于无监督宽度学习的高光谱图像聚类方法，首先，为保留原始高光谱图像的本征流形结，利用图正则稀疏自动编码器微调输入到映射特征和映射特征到增量节点的权重；接着，无监督宽度学习的模型目标函数由图正则项和连接权重的l2范数项构成，并通过求解广义特征值分解问题，得到无监督宽度学习的模型权重以及无监督宽度学习的输出；最后，利用谱聚类得到聚类结果。
-
公开(公告)号：CN106023065A
公开(公告)日：2016-10-12
申请号：CN201610321578.6
申请日：2016-05-13
Applicant: 中国矿业大学
IPC: G06T3/00
CPC classification number: G06T3/0037
Abstract: 本发明公开了一种基于深度卷积神经网络的张量型高光谱图像光谱‑空间降维方法，首先，鉴于直接使用高波段的张量数据会使得深度卷积神经网络的参数空间大幅度增加，引入最大似然本征维估计算法和主成分分析对归一化高光谱图像的波段维进行降维，得到低波段的高光谱图像；然后，通过窗口领域，将低波段高光谱图像转化为张量型低波段高光谱图像，保持每个像素点的光谱和空间信息；最后，利用深度卷积神经网络对张量型低波段高光谱图像进行光谱‑空间降维，使得降维后的特征同时包括光谱信息和空间信息。本发明能有效地利用高光谱数据的光谱特征和空间领域特征获得较高的整体分类精度和Kappa系数。
-
公开(公告)号：CN110632625B
公开(公告)日：2022-04-26
申请号：CN201910764340.4
申请日：2019-08-19
Applicant: 中国矿业大学
Abstract: 本发明公开了一种GNSS时间序列阶跃探测与修复方法，针对GNSS时间序列阶跃问题，利用时间序列发生阶跃前后连续时间窗口内的趋势不变特性，通过移动窗口法和时间基函数保系数趋势项逼近方式构建了阶跃探测与修复模型，进而采用稳健最小二乘、广义最小二乘或其他最优估计理论进行阶跃参数估计和方差‑协方差估计，并通过统计假设检验进行阶跃参数显著性检验与阶跃修复。本发明适用于非等时间间隔或数据缺失下多种类型的GNSS时间序列探测与修复，阶跃探测与修复估计理论严密、易于编程，探测结果具有最优统计性质、修复结果具有统计可靠性。
-
公开(公告)号：CN109685105A
公开(公告)日：2019-04-26
申请号：CN201811366436.7
申请日：2018-11-16
Applicant: 中国矿业大学
Abstract: 本发明的一种基于无监督宽度学习的高光谱图像聚类方法，首先，为保留原始高光谱图像的本征流形结，利用图正则稀疏自动编码器微调输入到映射特征和映射特征到增量节点的权重；接着，无监督宽度学习的模型目标函数由图正则项和连接权重的l2范数项构成，并通过求解广义特征值分解问题，得到无监督宽度学习的模型权重以及无监督宽度学习的输出；最后，利用谱聚类得到聚类结果。
-
公开(公告)号：CN118173279A
公开(公告)日：2024-06-11
申请号：CN202410274251.2
申请日：2024-03-11
Applicant: 中国矿业大学
IPC: G16H50/70 , G16H50/20 , G06F18/25 , G06F18/22 , G06N3/0464 , G06N3/0455 , G06N3/0895 , G06N3/048 , G06F18/23213 , G06N3/047
Abstract: 本发明提供一种基于双自监督多图卷积网络融合的癌症亚型识别方法，所述方法为：第一，利用多个图卷积网络模型学习多组学数据的高层图结构信息，得到组学数据的图结构表示；第二，利用多个栈式自动编码器模型学习多组学数据的自表示；第三，将图结构表示和自表示相结合融入到深度聚类模型；第四，根据不同数据表示的特点，通过误差重构融合和自适应加权融合方法，分别融合多组学数据的自表示和图结构表示，得到多组学融合表示；最后，利用双自监督模块对多组学融合表示进行自监督学习，实现整个模型的端到端聚类训练。本发明采用栈式自动编码器与图卷积模型相结合，并通过双自监督方式对癌症多组学数据进行聚类，进而实现癌症亚型的预测。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.02 seconds)
