-
公开(公告)号：CN105740653A
公开(公告)日：2016-07-06
申请号：CN201610057637.3
申请日：2016-01-27
Applicant: 北京工业大学
IPC: G06F19/24
CPC classification number: G16B40/00
Abstract: 本发明为基于LLRFC和相关性分析去除冗余的特征选择方法LLRFC score+，DNA微阵列技术为临床肿瘤的诊断提供了一个新的方向。不同类型的肿瘤所对应的表达谱数据表现迥异，通过对肿瘤基因表达谱数据的分析，研究人员可以在分子水平上实现对肿瘤及其亚型的准确识别，这对肿瘤的诊断和治疗具有重要的生物学意义。利用LLRFC判别准则降序排列表达谱数据中的特征基因，结合动态相关性分析的策略进一步排除冗余特征，提出LLRFC score+的算法，选择最佳特征基因子集。本发明能有效提升分类器的分类精度，并且不要求样本数据集必须满足正态分布，适用于多种分布类型的数据。本发明可以帮助人们寻找癌症的致病基因，有助于临床上肿瘤疾病的早期诊断、肿瘤分期分型及预后治疗等。
-
Patent Agency Ranking
公开(公告)号：CN107229942A
公开(公告)日：2017-10-03
申请号：CN201710246604.8
申请日：2017-04-16
Applicant: 北京工业大学
CPC classification number: G06K9/6257 , G06N3/0454 , G06N3/084
Abstract: 本发明公开了一种基于多个分类器的卷积神经网络快速分类方法，该方法在除最后一个之外的卷积层后分别添加一个激活函数和线性分类器。在训练网络时，先获取卷积层的图像特征，使用交叉熵损失函数训练该卷积层后的分类器。训练完成后，调节激活函数，使分类准确率达到最佳。在进行图像分类任务时，前向传播过程会依次激活每一层的分类器，分类器对卷积后的图像特征进行计算分析，得出一个判别值，该判别值若符合激活函数的激活要求，就直接将分类器的分类结果输出，结束分类过程。反之，前向传播激活下一卷积层继续进行分类任务。该方法可以将易分类的图像提前进行分类而结束网络前向传播过程，从而提升网络分类速度，节省分类时间，具有良好的实用价值。
-
公开(公告)号：CN107229942B
公开(公告)日：2021-03-30
申请号：CN201710246604.8
申请日：2017-04-16
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于多个分类器的卷积神经网络分类方法，该方法在除最后一个之外的卷积层后分别添加一个激活函数和线性分类器。在训练网络时，先获取卷积层的图像特征，使用交叉熵损失函数训练该卷积层后的分类器。训练完成后，调节激活函数，使分类准确率达到最佳。在进行图像分类任务时，前向传播过程会依次激活每一层的分类器，分类器对卷积后的图像特征进行计算分析，得出一个判别值，该判别值若符合激活函数的激活要求，就直接将分类器的分类结果输出，结束分类过程。反之，前向传播激活下一卷积层继续进行分类任务。该方法可以将易分类的图像提前进行分类而结束网络前向传播过程，从而提升网络分类速度，节省分类时间，具有良好的实用价值。
-
公开(公告)号：CN107092744B
公开(公告)日：2020-11-06
申请号：CN201710247275.9
申请日：2017-04-16
Applicant: 北京工业大学
IPC: G06F30/27 , G06Q10/04 , G06Q50/08 , G06N3/00 , G06F111/10
Abstract: 本发明公开了基于EMD‑SVR的地表沉降量预测方法，该方法一个基于经验模态分解和量子粒子群优化的支持向量回归(SVR)以及自回归滑动平均模型的地表沉降时间序列预测方法。利用EMD将地表沉降实测序列分解重构为波动分量和趋势分量,采用滑动窗口法，将数据分为两类，一部分用于训练模型，另一部分用于测试，然后分别建立ARIMA模型和QPSO‑SVM模型对两个分量进行分析，最后对预测值进行求和，得出最后的预测结果。相比于其他的沉降预测方法，该方法具有预测精度高，满足施工要求，适用范围广的特点。
-
公开(公告)号：CN107092744A
公开(公告)日：2017-08-25
申请号：CN201710247275.9
申请日：2017-04-16
Applicant: 北京工业大学
Abstract: 本发明公开了基于EMD‑SVR的地表沉降量预测方法，该方法一个基于经验模态分解和量子粒子群优化的支持向量回归(SVR)以及自回归滑动平均模型的地表沉降时间序列预测方法。利用EMD将地表沉降实测序列分解重构为波动分量和趋势分量,采用滑动窗口法，将数据分为两类，一部分用于训练模型，另一部分用于测试，然后分别建立ARIMA模型和QPSO‑SVM模型对两个分量进行分析，最后对预测值进行求和，得出最后的预测结果。相比于其他的沉降预测方法，该方法具有预测精度高，满足施工要求，适用范围广的特点。
-
公开(公告)号：CN106934380A
公开(公告)日：2017-07-07
申请号：CN201710163200.2
申请日：2017-03-19
Applicant: 北京工业大学
CPC classification number: G06K9/00369 , G06K9/4647 , G06K9/6269 , G06T2207/10016
Abstract: 本发明公开了一种基于HOG和MeanShift算法的室内行人检测和跟踪方法，涉及在室内复杂环境下行人检测以及跟踪的技术领域，该方法包括Nao机器人与人体之间的定位、HOG算法特征提取、行人检测HOG+SVM的训练和验证、MeanShift算法目标跟踪以及在Nao机器人平台验证。其主要采用HOG算法和MeanShift算法，能实时地检测出行人，并对检测出的行人进行跟踪。本发明所述的室内行人检测和跟踪方法，与早期的通过Haar特征等进行行人检测相比，检测成功率更高。在背景比较复杂的INRIA行人图像数据库中，取得大约90％的检测成功率。本发明的室内行人快速检测和跟踪方法，具有实时性、检测准确的优点，而且具有良好的实用性。
-
-
-
-
-
Search Results
6
records
(took 0.026 seconds)
