-
公开(公告)号：CN117237300A
公开(公告)日：2023-12-15
申请号：CN202311198584.3
申请日：2023-09-15
Applicant: 哈尔滨理工大学
IPC: G06T7/00 , G06T7/11 , G06T7/136 , G06V10/25 , G06V10/26 , G06V10/40 , G06V10/764 , G06V10/82 , G06N3/045 , G06N20/10
Abstract: 本发明涉及一种基于多视图结节联合纵隔脂肪特征方法。对于高危患者，通常需要有创的诊断方法来进一步证实肺癌的存在，但这些方法可能会增加一系列的风险。因此，开展准确的非侵入性风险评估显得至关重要。我们进行了一项回顾性研究，涉及来自三个著名的医疗中心的患者数据。将患者分为一个主要队列和两个外部试验队列。我们的多视图模型利用9个固定的视角将三维结节分解成不同的二维切片，从而提取出结节的特征。此外，为了帮助该模型更好地预测肺结节的良恶性性质，我们还提取了纵隔脂肪的特征。然后将这些提取的特征输入支持向量机(SVM)模型，便于准确预测结节的性质。最后，从模型的校准、鉴别和临床效用等方面进行了评价。
-
公开(公告)号：CN113239321A
公开(公告)日：2021-08-10
申请号：CN202110589440.5
申请日：2021-05-28
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及一种基于过滤式和封装式层次递进的特征选择方法。本发明首先使用过滤式的方差排序法和信息增益排序法和基于封装式的Boruta排序法，对特征进行排序，对排序后的特征根据重要性程度分配秩，对三种排序方法的结果进行融合，然后基于皮尔逊相关系数计算特征两两之间的相关性，设定特征的皮尔逊相关系数阈值，根据特征之间的相关性，选择性删除部分特征，最后基于封装式的序列向前选择法结合随机森林模型找到最好的特征组合，从而得到最优特征子集。本发明对数据集选择最优特征子集具有很好的效果，为学习模型提供比较准确的特征信息，从而提高学习模型的准确性。
-
公开(公告)号：CN113344491A
公开(公告)日：2021-09-03
申请号：CN202110618088.3
申请日：2021-06-02
Applicant: 哈尔滨理工大学
IPC: G06Q10/08
Abstract: 本发明公开了一种闭环供应链链际竞合管理平台，涉及供应链管理平台领域。本发明为了解决对于某个区域内的再生资源的闭环供应链链际竞合管理缺少管理平台，无法根据再生资源数据得到整体的收益数据信息。本发明包括回收库存单元，用以收集回收资源的库存数据；可再利用库存单元，用以获取所述回收库存单元中可再利用资源库存的数据；供应链单元，根据所述可再利用资源库存的数据获取供应链收益；收益输出单元，用以输出整体收益。本发明依据再生资源的闭合供应链及供应链之间数据进行处理，得到再生资源的收益数据信息，为再生资源的管理提供依据。
-
公开(公告)号：CN111639770A
公开(公告)日：2020-09-08
申请号：CN202010479144.5
申请日：2020-05-30
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了基于产品分级回收再制造的闭环供应系统模型及其搭建方法，属于闭环供应系统建模领域。本发明针对现有闭环供应模型未考虑产品更新速度，使模型存在局限性的问题。本发明包括制造节点模型、零售节点模型、消费者节点模型、回收节点模型、分拣中心节点模型和处理中心节点模型；本发明考虑电子科技产品更新换代速率越来越快这一因素，进一步提高资源的可再利用率，同时减少碳排放量，建立了新的闭环供应链仿真模型。
-
公开(公告)号：CN116630706A
公开(公告)日：2023-08-22
申请号：CN202310596126.9
申请日：2023-05-24
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/776 , G06V10/82 , G06V10/774 , G06T7/00 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种基于NAS、Lambda层、Resnet集成策略的深度神经网络改进方法，包括以下步骤：首先，对数据集进行数据预处理；其次对CT图像进行十倍的交叉验证分割，并划分训练集和测试集；然后建立基于NAS、Lambda层、Resnet集成策略的深度神经网络模型，进行肺结节良恶性分类，以及评估该模型的效果；最后使用Softmax损失函数来训练整个网络，进行特征判别，并使用使用Davis‑Bouldin指数(DBI)评估Softmax学习到的深度特征的可判别性。本发明基于NAS、Lambda层、Resnet集成策略的深度神经网络改进方法，可以实现较高的准确率来达到肺结节良恶性分类的目的。
-
Patent Agency Ranking
公开(公告)号：CN116485727A
公开(公告)日：2023-07-25
申请号：CN202310344256.3
申请日：2023-04-02
Applicant: 哈尔滨理工大学
IPC: G06T7/00 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于注意力机制的深度学习影像组学诺模图预测方法，该方法包括以下步骤：数据预处理模块，深度学习网络的训练和图像特征提取模块、临床病理的特征选择模块，深度学习特征评分的建立以及多模态特征融合模块；对深度学习网络的训练和图像特征提取模块，使用DenseNet121结合SENet注意力机制训练深度学习网络，并深度学习模型的倒数第二个全连接层输出，作为每个图像的网络特征；特征选择模块，采用单因素和多因素COX回归，将P值小于0.05的显著性因素纳入多变量COX回归中进行分析；本发明将SENet注意力机制信引入DenseNet121卷积神经网络，可以引导网络以高权重方式聚焦CT图像中的重要信息，使用逻辑回归诺模图的方法结合多模态特征，SEDLR‑N模型在预测乳腺癌预后方面具有很高的性能，并且将不同模态的信息进行融合，在融合多模态的同时也考虑了不同模态的重要程度并给予不同的权重。
-
公开(公告)号：CN116340746A
公开(公告)日：2023-06-27
申请号：CN202310309761.4
申请日：2023-03-28
Applicant: 哈尔滨理工大学
IPC: G06F18/2113 , G06F18/213 , G06F18/214 , G06F18/243 , G06F18/10
Abstract: 本发明公开了一种基于随机森林改进的的特征选择方法，包括以下步骤：先对完整数据集进行缺失值处理、离散化处理；其次建立传统随机森林模型，并计算传统模型准确率，然后计算设定树木颗数时最佳树深度，以最佳深度重新生成随机森林，并且计算新生成森林中每棵树的准确率，选取准确率靠前的一定百分比的树，然后通过计算各个树的数据相似度，排除相似度超过设定值且准确率较小的树，最后计算最终准确率，从而得到改进后的随机森林。导致分类器性能下降的原因往往是因为这些高维度特征中含有无关特征和冗余特征，本发明基于随机森林的改进特征选择方法可以有效进行数据降维，可以实现较高的准确率来达到选择最优子集的目的。
-
公开(公告)号：CN113360730A
公开(公告)日：2021-09-07
申请号：CN202110620273.6
申请日：2021-06-03
Applicant: 哈尔滨理工大学
IPC: G06F16/9035 , G06F16/906 , G06K9/62
Abstract: 本发明涉及一种基于过滤器和RF‑RFE算法的特征选择方法，该方法包括以下步骤：数据预处理模块，对完整数据集进行缺失值处理、离散化处理；冗余特征处理模块，使用信息增益和相关性相结合的过滤器方法对冗余特征进行删除；特征选择模块，采用RF‑RFE方法对冗余特征处理后剩余的特征进行特征选择，本发明使用过滤器方法中的相关性和信息增益相结合来删除冗余特征，采用递归特征消除(RFE)方法结合随机林来度量变量的重要性，RF‑RFE在寻找特征子集方面具有很高的识别能力，并且不需要调整参数就可以产生竞争性结果，在考虑特征之间的冗余性同时也考虑了特征选择的高效性。
-
公开(公告)号：CN113096814A
公开(公告)日：2021-07-09
申请号：CN202110589378.X
申请日：2021-05-28
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及一种基于多分类器融合的阿尔兹海默症分类预测方法。本发明首先对所获得数据中含有的缺失数据和异常数据进行处理和评估，确保数据的有效性；然后结合专家知识和特征选择算法，从k个特征指标中选择出n个特征子集，n≤k，去掉冗余特征和无关特征，提高最终模型的预测效果；提出基于多分类器融合的预测模型；将经过预处理的数据集输入到所提出的模型中，通过多种评估方法评估模型的性能。本发明对阿尔兹海默症的分类预测具有更好的效果和普适性。
-
公开(公告)号：CN119170283A
公开(公告)日：2024-12-20
申请号：CN202411203066.0
申请日：2024-08-29
Applicant: 哈尔滨理工大学
IPC: G16H50/50 , G16H50/30 , G16H50/70 , G06T7/11 , G06T7/00 , G06V10/774 , G06V10/82 , G06V10/764 , G06V10/25 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种结合卷积神经网络(CNN)和Transformer模型的结直肠癌腹膜转移预测模型，旨在提高结直肠癌早期检测和诊断的准确性与效率。通过收集结直肠癌患者的手术前腹部CT图像数据，并对这些数据进行处理，构建基于CNN和Swin‑Transformer的深度学习网络，模型能够自动提取和学习图像中的重要特征。预训练模型后，对其进行进一步训练，以准确预测患者的腹膜转移风险。该模型实现了更高的预测准确性、自动化的特征提取以及更高效的诊断过程，有助于结直肠癌风险预测和防控领域的应用。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.016 seconds)
