-
Patent Agency Ranking
公开(公告)号：CN112288465B
公开(公告)日：2024-04-09
申请号：CN202011117305.2
申请日：2020-10-19
Applicant: 杭州电子科技大学
IPC: G06Q30/0201 , G06F18/214 , G06F18/2321 , G06F18/25 , G06F18/2413
Abstract: 本发明公开一种基于半监督聚类集成学习的客户细分方法，本发明首先收集客户的特征信息，将特征信息数字化，构建客户特征信息数据集；利用少量的标签样本来初始化聚类中心，并设置核模糊聚类算法的模糊度和高斯宽度两个参数，生成若干个差异性较大的基聚类；利用标签样本的聚类准确性来计算各基聚类的可信度；通过近邻法和各基聚类的可信度来构造质量函数；最后利用D‑S证据理论将质量函数进行证据融合，得到聚类结果。本发明将半监督集成学习引入到客户细分中，解决了算法参数敏感性的问题；利用了先验信息合理估计各基聚类的可信度，改变各基聚类在融合过程中所占的比重，解决了证据冲突问题，使得融合结果更加合理，提高了客户细分的准确性。
-
公开(公告)号：CN111612735A
公开(公告)日：2020-09-01
申请号：CN202010269007.9
申请日：2020-04-08
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于信息融合安全半监督聚类的肺结节图像分类方法，首先，输入标记与未标记肺结节图像，并进行图像预处理及特征提取。然后，建立标记样本的风险度评估模型。利用集成学习的思想构建并选择多个基聚类方法，通过D-S证据理论方法融合各基聚类方法对标记样本的划分结果，依据融合结果得到标记样本风险度。接着，构建基于图正则化的优化模型。最后，采用迭代寻优策略求解优化模型，得到聚类结果。本发明解决了标记样本的安全使用问题，提高了对肺结节分类的准确性和鲁棒性。
-
公开(公告)号：CN113158930A
公开(公告)日：2021-07-23
申请号：CN202110460929.2
申请日：2021-04-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于D‑S证据理论的疲劳驾驶检测方法。首先引入疲劳驾驶训练集，设置代价矩阵，引入训练集，选择不同的代价矩阵，由代价敏感极限学习机训练多个分类器，求得每个分类器最优参数，其次给定测试样本，采用训练集得到最优参数的代价敏感极限学习机，得到测试样本的预测结果，采用softmax函数将预测结果转换为概率向量，最后采用加权D‑S证据理论对基分类器进行融合，得到对疲劳驾驶测试样本鲁棒性好、准确度高的集成分类器。本发明一方面能够有效的应对类别不平衡的数据，另一方面能够提高分类器的鲁棒性和准确性。
-
公开(公告)号：CN112288465A
公开(公告)日：2021-01-29
申请号：CN202011117305.2
申请日：2020-10-19
Applicant: 杭州电子科技大学
Abstract: 本发明公开一种基于半监督聚类集成学习的客户细分方法，本发明首先收集客户的特征信息，将特征信息数字化，构建客户特征信息数据集；利用少量的标签样本来初始化聚类中心，并设置核模糊聚类算法的模糊度和高斯宽度两个参数，生成若干个差异性较大的基聚类；利用标签样本的聚类准确性来计算各基聚类的可信度；通过近邻法和各基聚类的可信度来构造质量函数；最后利用D‑S证据理论将质量函数进行证据融合，得到聚类结果。本发明将半监督集成学习引入到客户细分中，解决了算法参数敏感性的问题；利用了先验信息合理估计各基聚类的可信度，改变各基聚类在融合过程中所占的比重，解决了证据冲突问题，使得融合结果更加合理，提高了客户细分的准确性。
-
公开(公告)号：CN111166326A
公开(公告)日：2020-05-19
申请号：CN201911341281.6
申请日：2019-12-23
Applicant: 杭州电子科技大学
IPC: A61B5/0476 , G06F3/01
Abstract: 本发明公开一种基于自适应风险度的安全半监督学习的脑电信号识别方法。首先构建脑电信号数据库，进行预处理和特征提取，计算近邻图W，训练多类监督分类器并且得到未标记样本预测标签，利用l2，1范数构建目标函数，通过交替迭代优化方法寻找最优安全半监督分类器，利用安全半监督分类器对待识别样本进行识别。本发明提高半监督分类器增强了BCI系统的识别性能和鲁棒性。
-
-
-
-
Search Results
5
records
(took 0.018 seconds)
