-
公开(公告)号：CN102663142B
公开(公告)日：2014-02-26
申请号：CN201210157204.7
申请日：2012-05-18
Applicant: 大连海事大学
IPC: G06F17/30
Abstract: 本发明公开了一种知识抽取的方法，包括以下步骤：计算约简初值；启用双矩编码策略；搜索初始化；计算结束判据；计算搜索个体的适应值；最优保存；状态转移联合操作。本发明采用双矩编码策略，搜索个体位置编码成0、1字符串，维度与条件属性个数相同。当维度规模超过23时，完成约简所消耗的时间并不呈指数显著增长，节约了空间维度和时间。本发明采用粗糙集正区判别POS'E＝U′pos适应值为对应条件属性个数，如果POS'E≠U′pos适应值惩罚为条件属性总数，这一策略简单合理地保证了知识抽取效果。本发明用搜索个体所组成的群体优势动态地搜索，并采用一种有效的正区比较进行特征组合得到多知识的方法。
-
公开(公告)号：CN110797123B
公开(公告)日：2023-05-26
申请号：CN201911033766.9
申请日：2019-10-28
Applicant: 大连海事大学
Abstract: 本发明公开了一种动态脑结构的图卷积神经网络演化方法，采用图卷积神经网络来模拟正常人脑结构网络演变为抑郁症的演化过程。演化过程中引入了方向向量，该向量既包含了正常人的脑结构网络信息，又包含了抑郁症患者脑结构网络的信息，通过图卷积操作可以同时提取两者的特征，而且可以控制演化的方向以及演化的程度。本发明提出了脑结构网络演化的图卷积神经网络模型，利用基于tensorflow框架下的深度学习方法，通过计算第一次演化结果与真实的抑郁症患者脑网络的交叉熵，利用梯度下降的优化方法使网络的演化始终朝着抑郁症患者脑网络的方向进行。最终输出接近于真实抑郁症患者的脑结构网络，并得到更接近于真实的网络的演化模型。
-
公开(公告)号：CN104434109A
公开(公告)日：2015-03-25
申请号：CN201410805041.8
申请日：2014-12-19
Applicant: 大连海事大学
IPC: A61B5/055
CPC classification number: A61B5/055
Abstract: 本发明公开了一种功能核磁共振时间序列匹配方法，包括以下步骤：计算系数矩阵β的初始值；计算观测信号时间序列Y与设计时间序列X间的范式距离Fdist；随机获取新的记录点；计算新的范式距离Fdist；输出β，完成Y与X的β匹配。本发明在fMRI时间序列匹配中将时域信号经快速离散傅立叶模变换后得到频域序列，从而完全消除相位信息，以达到消除要匹配的fMRI时间序列间相位差的目的。本发明与当前相位校正的方法相比，更为简单，消耗的计算量少。本发明对离散傅里叶变换进行加权约束，以降低高频部分的影响，优先考虑了低频有效信号，更为明确地确定“最感兴趣频率”的位置，从而降低激活检验结果出现“伪阳性”体素的可能性。
-
公开(公告)号：CN112327915A
公开(公告)日：2021-02-05
申请号：CN202011247873.4
申请日：2020-11-10
Applicant: 大连海事大学
Abstract: 本发明公开了一种无人机的意念控制方法，包括以下步骤：建立通信和信号传输；模拟接收脑电信号；手柄上的蓝牙模块接收测试数据；修改手柄和无人机代码。本发明在多电极脑电信号采集设备获取人的脑电信号后将其转化为数字信号并通过蓝牙模块将脑电信号数据传递给手柄上的蓝牙模块，利用处理后的脑电信号数据对无人机进行控制，无人机根据指令进行飞行。由于脑电信号的传输需要用两个蓝牙模块，考虑到无人机与人相距较远，选择让手柄接收蓝牙数据，利用手柄上和无人机上的无线通信模块进行间接数据传输，从而扩大了信号传输距离。本发明无人机接收到的控制指令，均为原始手柄发送的控制信号，从而更稳定准确的实现意念控制无人机的飞行。
-
公开(公告)号：CN110797123A
公开(公告)日：2020-02-14
申请号：CN201911033766.9
申请日：2019-10-28
Applicant: 大连海事大学
Abstract: 本发明公开了一种动态脑结构的图卷积神经网络演化方法，采用图卷积神经网络来模拟正常人脑结构网络演变为抑郁症的演化过程。演化过程中引入了方向向量，该向量既包含了正常人的脑结构网络信息，又包含了抑郁症患者脑结构网络的信息，通过图卷积操作可以同时提取两者的特征，而且可以控制演化的方向以及演化的程度。本发明提出了脑结构网络演化的图卷积神经网络模型，利用基于tensorflow框架下的深度学习方法，通过计算第一次演化结果与真实的抑郁症患者脑网络的交叉熵，利用梯度下降的优化方法使网络的演化始终朝着抑郁症患者脑网络的方向进行。最终输出接近于真实抑郁症患者的脑结构网络，并得到更接近于真实的网络的演化模型。
-
Patent Agency Ranking
公开(公告)号：CN104434109B
公开(公告)日：2017-02-22
申请号：CN201410805041.8
申请日：2014-12-19
Applicant: 大连海事大学
IPC: A61B5/055
Abstract: 本发明公开了一种功能核磁共振时间序列匹配方法，包括以下步骤：计算系数矩阵β的初始值；计算观测信号时间序列Y与设计时间序列X间的范式距离Fdist；随机获取新的记录点；计算新的范式距离Fdist；输出β，完成Y与X的β匹配。本发明在fMRI时间序列匹配中将时域信号经快速离散傅立叶模变换后得到频域序列，从而完全消除相位信息，以达到消除要匹配的fMRI时间序列间相位差的目的。本发明与当前相位校正的方法相比，更为简单，消耗的计算量少。本发明对离散傅里叶变换进行加权约束，以降低高频部分的影响，优先考虑了低频有效信号，更为明确地确定最感兴趣频率”的位置，从而降低激活检验结果出现“伪阳性”体素的可能性。
-
公开(公告)号：CN103530505B
公开(公告)日：2017-02-08
申请号：CN201310454914.0
申请日：2013-09-29
Applicant: 大连海事大学
IPC: G06F19/00
Abstract: 本发明公开了一种人脑语言认知建模方法，包括以下步骤：认知状态实例初始化；映射激活特征与观测数据间的概率分布；定义脑隐态认知模型；隐态认知模型参数解析。本发明在认知建模过程中，将输入刺激、观测结果、隐态认知状态定义为动态事件相关的三重时间序列，即：认知刺激任务时间序列、观测特征时间序列、隐性认知状态时间序列，而且这三重时间序列通过一组概率分布相联系，不是将所采集的脑数据视为静态信息进行统计，因而本发明的认知建模方法无需满足基于统计的基本假定，在小样本数据条件下仍然成立，保证了认知分析结果的正确性，因而解决了小样本数据下的认知建模问题。本发明提高了认知建模的精度，也为复杂认知分析提供了有效途径。
-
公开(公告)号：CN103530505A
公开(公告)日：2014-01-22
申请号：CN201310454914.0
申请日：2013-09-29
Applicant: 大连海事大学
IPC: G06F19/00
Abstract: 本发明公开了一种人脑语言认知建模方法，包括以下步骤：认知状态实例初始化；映射激活特征与观测数据间的概率分布；定义脑隐态认知模型；隐态认知模型参数解析。本发明在认知建模过程中，将输入刺激、观测结果、隐态认知状态定义为动态事件相关的三重时间序列，即：认知刺激任务时间序列、观测特征时间序列、隐性认知状态时间序列，而且这三重时间序列通过一组概率分布相联系，不是将所采集的脑数据视为静态信息进行统计，因而本发明的认知建模方法无需满足基于统计的基本假定，在小样本数据条件下仍然成立，保证了认知分析结果的正确性，因而解决了小样本数据下的认知建模问题。本发明提高了认知建模的精度，也为复杂认知分析提供了有效途径。
-
公开(公告)号：CN102663142A
公开(公告)日：2012-09-12
申请号：CN201210157204.7
申请日：2012-05-18
Applicant: 大连海事大学
IPC: G06F17/30
Abstract: 本发明公开了一种知识抽取的方法，包括以下步骤：计算约简初值；启用双矩编码策略；搜索初始化；计算结束判据；计算搜索个体的适应值；最优保存；状态转移联合操作。本发明采用双矩编码策略，搜索个体位置编码成0、1字符串，维度与条件属性个数相同。当维度规模超过23时，完成约简所消耗的时间并不呈指数显著增长，节约了空间维度和时间。本发明采用粗糙集正区判别POS'E＝U′pos适应值为对应条件属性个数，如果POS'E≠U′pos适应值惩罚为条件属性总数，这一策略简单合理地保证了知识抽取效果。本发明用搜索个体所组成的群体优势动态地搜索，并采用一种有效的正区比较进行特征组合得到多知识的方法。
-
公开(公告)号：CN102419867A
公开(公告)日：2012-04-18
申请号：CN201110455563.6
申请日：2011-12-31
Applicant: 大连海事大学
IPC: G06T11/00
Abstract: 本发明公开了一种图像的润色方法，包括以下步骤：由RGB图像到lαβ图像空间变换算法和由lαβ图像到RGB图像空间变换算法。本发明采用泰勒二阶展开的图像润色方法，针对一幅待着色的灰度图像，用一幅彩色图像，按行扫描目标图像每一像素，在源图像中搜索亮度最佳匹配进行自动取色，然后将其赋到目标图像上，最终得到结果图像，结果图像保持灰度图像原有的信息不变，而增加了源图像的颜色和真实感。本发明引入了基于感知的颜色空间lαβ，l表示亮度信息，α表示黄蓝信息，β表示红绿信息。这三个通道相关性很小。这个颜色空间使得其三个通道的相关性最小化，着色过程中改变其中任何一个，都不会对其他两个通道有影响，不会产生结果失真。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.018 seconds)
