-
公开(公告)号：CN117577344A
公开(公告)日：2024-02-20
申请号：CN202311591955.4
申请日：2023-11-27
Applicant: 大连理工大学
IPC: G16H50/70 , G16H50/20 , G16H50/30 , G16H10/60 , G06F18/21 , G06F18/214 , G06F18/241 , G06N3/096 , G06N3/043
Abstract: 本发明提出了一种面向代谢性脂肪肝数据分类的分层模糊神经网络增量建模方法及装置，属于数据处理技术领域。首先收集关联于代谢性脂肪肝的生化指标数据作为特征，形成代谢性脂肪肝数据集；建立特征重要性评价指标，对特征进行降序排列并划分特征数据子集；然后，确定分层模型的层级结构数目，并确定输入各级子结构的特征数据子集；运用模糊神经网络和增量学习方法构造串联式级联分层模型，形成多阶段分层级增量化参数学习策略；最终构造分层模糊神经网络后件部分的参数学习过程，获得可迁移的分层模糊神经网络模型，得出代谢性脂肪肝数据预测结果。本发明具有优秀的泛化能力、稳定性和建模速度，是处理代谢性脂肪肝病数据的可行智能算法模型。
-
Patent Agency Ranking
公开(公告)号：CN114548239A
公开(公告)日：2022-05-27
申请号：CN202210106613.8
申请日：2022-01-28
Applicant: 大连理工大学
Abstract: 本发明提供一种基于类哺乳动物视网膜结构人工神经网络的图像识别与分类方法，属于人工智能(人工神经网络)图像识别与分类领域。本发明的目的是借鉴哺乳动物视网膜结构及其电学活动特性构建一种人工神经网络模型，最终实现对图像识别与分类任务性能的提升。实现该目的的大概思路是1)对哺乳动物视网膜网络电学特性活动进行建模仿真，2)获得视网膜各种功能细胞及其突触连接的输入输出映射曲线与拟合函数，3)以此为基础构建类视网膜前端特征提取网络，4)通过与后端卷积神经网络相结合实现一种新型的类视网膜人工神经网络结构的图像识别模型。
-
公开(公告)号：CN114548239B
公开(公告)日：2024-10-29
申请号：CN202210106613.8
申请日：2022-01-28
Applicant: 大连理工大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/08 , G06F30/27
Abstract: 本发明提供一种基于类哺乳动物视网膜结构人工神经网络的图像识别与分类方法，属于人工智能(人工神经网络)图像识别与分类领域。本发明的目的是借鉴哺乳动物视网膜结构及其电学活动特性构建一种人工神经网络模型，最终实现对图像识别与分类任务性能的提升。实现该目的的大概思路是1)对哺乳动物视网膜网络电学特性活动进行建模仿真，2)获得视网膜各种功能细胞及其突触连接的输入输出映射曲线与拟合函数，3)以此为基础构建类视网膜前端特征提取网络，4)通过与后端卷积神经网络相结合实现一种新型的类视网膜人工神经网络结构的图像识别模型。
-
公开(公告)号：CN118779705A
公开(公告)日：2024-10-15
申请号：CN202410927668.4
申请日：2024-07-11
Applicant: 大连理工大学
IPC: G06F18/24 , G06F18/22 , G06F18/231 , G06N3/0442 , G06N3/08 , G06N3/043 , G06F18/25 , G06F123/02
Abstract: 本发明属于数据处理技术领域，提出了一种用于多元时序数据分类的模糊认知图神经网络建模方法及装置，具体为：收集多元时序重症监护数据及相应的标签数据，应用表征学习模型提取具有区分性和代表性的多元时序表征数据。采用不同长度的时间窗口划分表征数据，并通过全局最大池化操作获取对应的实例级表征数据。基于相似性的尺度筛选原则确定用于集成建模的多尺度表征数据集合。针对筛选结果，利用极限梯度提升决策树对特征重要性进行量化识别后进行重排序。将重排序数据划分为多个特征子集，建立分层宽度网络模型，实现对应尺度下的分类预测。使用加权平均方法融合所有基模型的分类预测结果，得到最终的决策输出。
-
公开(公告)号：CN118824554A
公开(公告)日：2024-10-22
申请号：CN202410914464.7
申请日：2024-07-09
Applicant: 大连理工大学
IPC: G16H50/50 , G16H50/70 , G16H10/60 , G06F18/241 , G06F18/25 , G06F18/26 , G06F18/2433 , G06N5/01 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明提出了一种面向多元时序重症监护数据分类的多尺度信息融合神经网络建模方法，属于数据处理技术领域。具体为：收集多元时序重症监护数据及相应的标签数据，应用表征学习模型提取具有区分性和代表性的多元时序表征数据。采用不同长度的时间窗口划分表征数据，并通过全局最大池化操作获取对应的实例级表征数据。基于相似性的尺度筛选原则确定用于集成建模的多尺度表征数据集合。针对筛选结果，利用极限梯度提升决策树对特征重要性进行量化识别后进行重排序。将重排序数据划分为多个特征子集，建立分层宽度网络模型，实现对应尺度下的分类预测。使用加权平均方法融合所有基模型的分类预测结果，得到最终的决策输出。
-
公开(公告)号：CN116306817A
公开(公告)日：2023-06-23
申请号：CN202310258761.6
申请日：2023-03-17
Applicant: 大连理工大学
IPC: G06N3/0464 , G06N3/0499 , G06F18/241
Abstract: 本发明提供一种用于乳腺癌离散特征数据分类的径向基函数神经网络学习方法，属于人工智能模式数据拟合、识别和分类领域。本发明方法由于在每次迭代过程中同时确定了多个中心点，这极大地加快了模型训练速度，达到了传统OLS方法的50‑320倍；由于本方法确定的中心点和宽度值的有效性，因此模型的尺寸明显减少，只使用了很少的中心点即实现了对模型精度的提升；在模型参数相同的情况下，本方法获得的模型精度会提升3个数量级；同时，本方法由于是通过自动计算基函数宽度值，因此可以使用于不同类型数据和应用中，不需要针对不同应用进行不同的参数设置，简化了方法的使用难度。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
