-
公开(公告)号：CN109800790B
公开(公告)日：2022-08-19
申请号：CN201811580747.3
申请日：2018-12-24
Applicant: 厦门大学
IPC: G06K9/62
Abstract: 一种面向高维数据的特征选择方法，涉及一种特征选择方法。提供能高效、稳定地进行筛选特征的一种面向高维数据的特征选择方法。具体步骤：1)特征的稳定性评分；2)特征子集的选择；3)特征子集的评价；4)特征子集有效性的验证，具体方法如下：对于选出的特征子集，通过不同的分类器进行验证，说明所选的特征子集在不同分类器上具有的泛化性和代表性，进而说明特征选择方法的有效性。提出了一种新的面向高维数据的特征选择方法，通过结合wrapper和embedded的思想，能够获得较优的特征子集。结合贪心策略，可以自定义搜索的步长，能够较好地确定特征维度，并及时终止特征选择过程。
-
公开(公告)号：CN108681775B
公开(公告)日：2021-04-13
申请号：CN201810517482.6
申请日：2018-05-25
Applicant: 厦门大学
Abstract: 通过WordNet嵌入进行测试和更新的树形网络方法，涉及图片智能分类。构建树形网络；预训练；基于SVM的动态剪枝，在测试过程中，可以动态剪枝特征映射的激活值过低的节点和节点的子树，因为若节点的激活值太低，则该节点表示的类的概率较低，因此后代节点的概率会较低并且可以忽略；每张特征图的激活值之和的具有较强的线性可分性，因此使用SVM在测试过程中进行模型的加速；基于分支的在线更新，使用检测到的图像作为训练样本，将预测概率高的样本回传给树形网络进行训练。
-
公开(公告)号：CN108256629B
公开(公告)日：2020-10-23
申请号：CN201810046404.2
申请日：2018-01-17
Applicant: 厦门大学
Abstract: 基于卷积网络和自编码的EEG信号无监督特征学习方法，涉及卷积网络。对EEG数据样本的数据进行预见处理，通过0‑1标准化，即对样本数据进行线性变换，将数据映射到[0,1]间；基于深度卷积网络和自编码构建AE‑CDNN模型的构建，并利用训练数据对AE‑CDNN模型进行训练；测试数据通过训练好的AE‑CDNN模型降维到较低的维度，有利于EEG数据的分类。采用基于深度卷积网络和自编码构建AE‑CDNN模型，进行癫痫EEG信号无监督的特征学习。针对两个公开癫痫EEG数据集进行特征学习和分类。AE‑CDNN模型能够很好的应用于癫痫脑信号特征提取。
-
公开(公告)号：CN104361621A
公开(公告)日：2015-02-18
申请号：CN201410557799.4
申请日：2014-10-20
Applicant: 厦门大学
IPC: G06T13/40
CPC classification number: G06T13/40 , G06T2213/12
Abstract: 本发明公开了一种基于四维球面轨迹的运动编辑方法，该基于四维球面轨迹的运动编辑方法包括：选择动作的高层语义特征，即骨骼的转动方位作为编辑算法的特征输入，接着将该特征的可变域映射到连续的四维球面轨迹上进行参数编辑，以实现对运动捕捉数据的风格编辑。本发明具有简洁、直观、高效的特点，动画师可以利用本发明，在选择合适的骨骼和曲线参数的情况下创作出具有独特风格的动画作品，降低了工作量，通过对整个全局时间的根关节的位移数据进行校正，使得人体的根关节运动轨迹基本符合物理规律，解决了现有的修正算法存在的运动失真问题。
-
公开(公告)号：CN113254580B
公开(公告)日：2023-10-03
申请号：CN202110562840.7
申请日：2021-05-24
Applicant: 厦门大学
Abstract: 本发明公开了一种特殊群体搜索方法及系统。该方法包括：根据关联关系拓扑图，确定目标人物各阶邻居实体节点的嵌入表示以及可疑人物各阶邻居实体节点的嵌入表示，并将目标人物的原始嵌入表示与其各阶邻居实体节点的嵌入表示拼接在一起得到目标人物的嵌入表示；将可疑人物原始嵌入表示与其各阶邻居实体节点的嵌入表示拼接在一起得到可疑人物的嵌入表示；所述关联关系拓扑图中的实体节点人群中的各个人物、房屋、博客、地名、社会安全事件、毒品、法律条文，所述关联关系拓扑图中的关联关系包括实体节点之间的交互关系以及属性关系；根据目标人物可疑人物的嵌入表示，确定目标人物是否与可疑人物为同一类。本发明具有准确度高的特点。
-
Patent Agency Ranking
公开(公告)号：CN116150675A
公开(公告)日：2023-05-23
申请号：CN202310165895.3
申请日：2023-02-27
Applicant: 厦门大学
IPC: G06F18/241 , G06F17/16 , G06F17/18 , G06F18/214 , G16H70/40
Abstract: 本发明公开一种基于多组学数据整合的药物敏感性分类方法、系统及设备，涉及药物敏感性分类领域。本发明方法使用联合非负矩阵分解对所有多组学数据样本的多个组学矩阵进行分解，得到的共享矩阵表示所有样本的线性整合特征；同时使用变分自编码器(VAE)得到所有样本的非线性整合特征；由线性整合特征、非线性整合特征以及药物特征拼接获得的拼接后特征向量用于药物敏感性分类。其中线性整合特征包含所有组学的重要信息，消除了原始数据中的噪声，非线性整合特征包含多组学数据中的非线性和复杂关系信息，本发明利用两种特征的互补性，挖掘多组学数据间的潜在信息，从而极大提高了药物敏感性分类的准确率。
-
公开(公告)号：CN109800790A
公开(公告)日：2019-05-24
申请号：CN201811580747.3
申请日：2018-12-24
Applicant: 厦门大学
IPC: G06K9/62
Abstract: 一种面向高维数据的特征选择方法，涉及一种特征选择方法。提供能高效、稳定地进行筛选特征的一种面向高维数据的特征选择方法。具体步骤：1)特征的稳定性评分；2)特征子集的选择；3)特征子集的评价；4)特征子集有效性的验证，具体方法如下：对于选出的特征子集，通过不同的分类器进行验证，说明所选的特征子集在不同分类器上具有的泛化性和代表性，进而说明特征选择方法的有效性。提出了一种新的面向高维数据的特征选择方法，通过结合wrapper和embedded的思想，能够获得较优的特征子集。结合贪心策略，可以自定义搜索的步长，能够较好地确定特征维度，并及时终止特征选择过程。
-
公开(公告)号：CN109784496A
公开(公告)日：2019-05-21
申请号：CN201811638488.5
申请日：2018-12-29
Applicant: 厦门大学
IPC: G06N20/00
Abstract: 一种面向不平衡数据集的分类方法，涉及类别失衡。针对数据源中存在类别不平衡的问题，大部分方法对多数类样本进行下采样，造成大量有用信息的损失，提供基于集成学习与逻辑回归充分合理地使用多数类样本，从而进一步提升分类效果的一种面向不平衡数据集的分类方法。包括数据准备和模型训练。每个弱学习器使用完全不同的多数类样本进行学习，相比传统的欠采样方法能让多数类样本信息能够被充分的利用；每个弱学习器使用不同的多数类样本、特征集合、训练参数势必会提高它们的多样性，从而提升集成效果；利用逻辑回归自适应的结合各个弱学习器的输出，相比传统的简单平均输出更加合理且抗干扰。
-
公开(公告)号：CN108256629A
公开(公告)日：2018-07-06
申请号：CN201810046404.2
申请日：2018-01-17
Applicant: 厦门大学
Abstract: 基于卷积网络和自编码的EEG信号无监督特征学习方法，涉及卷积网络。对EEG数据样本的数据进行预见处理，通过0‑1标准化，即对样本数据进行线性变换，将数据映射到[0,1]间；基于深度卷积网络和自编码构建AE‑CDNN模型的构建，并利用训练数据对AE‑CDNN模型进行训练；测试数据通过训练好的AE‑CDNN模型降维到较低的维度，有利于EEG数据的分类。采用基于深度卷积网络和自编码构建AE‑CDNN模型，进行癫痫EEG信号无监督的特征学习。针对两个公开癫痫EEG数据集进行特征学习和分类。AE‑CDNN模型能够很好的应用于癫痫脑信号特征提取。
-
公开(公告)号：CN116226698A
公开(公告)日：2023-06-06
申请号：CN202310167903.8
申请日：2023-02-27
Applicant: 厦门大学
IPC: G06F18/23213 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于多组学数据整合的细胞类型识别方法、系统及设备，涉及细胞类型识别领域。本发明方法能够有效挖掘每个组学数据的特定信息和不同组学数据之间的共享信息；通过应用实例级对比学习来对齐不同组学间的共享信息，强化了其一致性；应用正交性约束强制分离特定信息和共享信息，提高了信息的纯度，减少了冗余和相互污染；由此获得的样本嵌入表示是完备的，更完备的样本嵌入表示对多组学数据整合和细胞类型识别非常重要，能够极大提高细胞类型识别的准确率。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.017 seconds)
