公开(公告)号：CN118094336A

公开(公告)日：2024-05-28

申请号：CN202410302626.1

申请日：2024-03-18

Applicant: 湖南大学

Inventor： 夏飞 ,  窦钰涛 ,  赵祥 ,  赵飞 ,  张洋

IPC: G06F18/241 ,  G06F18/214 ,  G06N3/0464 ,  G06N3/084 ,  G06N20/20

Abstract: 本发明属于水声信号处理技术领域，尤其涉及一种基于集成学习和样本合成的水声信号识别方法。包括如下步骤：采集水声信号样本数据，制作初始数据集；采集水声背景样本数据，制作背景噪声数据集；迭代训练弱分类器；构建随机初始化的神经网络进行重复训练的得到弱分类器；用弱分类器对数据集进行运算，并计算总误差及权重；通过合成的方法添加需要识别的样本，生成新数据集；将弱分类器加权组合为强分类器Q；本申请采用集成学习的方法训练了多个用于水声信号分类的弱分类器，并通过加权方式将多个弱分类器集成，从而得到一个功能更加强大的分类器。尤其是在设计权重时考虑了各个弱分类器的识别误差，进一步提高了集成后分类器的识别能力。

公开(公告)号：CN117912458A

公开(公告)日：2024-04-19

申请号：CN202410147800.X

申请日：2024-02-02

Applicant: 湖南大学

Inventor： 夏飞 ,  窦钰涛 ,  赵祥 ,  赵飞 ,  张洋

IPC: G10L15/08 ,  G10L15/16 ,  G06N3/0455 ,  G06N3/0895 ,  G06V10/82 ,  G06V10/77

Abstract: 本发明涉及水声信号处理技术领域，尤其公开一种水声异常信号检测方法。包括如下步骤：抽取具有相同样本大小的正常水声数据样本建立样本数据集，进行短时傅里叶变换得到对应的时频图数据集，构建自监督训练模型，利用样本数据集和自监督训练模型对神经网络模型进行训练，制作掩码输入数据，制作重构目标，对神经网络模型进行训练；应用神经网络模型。本申请相对于传统分类异常检测方法，可以有效降低对于大量原始数据的需求。本申请通过数据重构以及渐进式训练方式，相对于传统的自监督训练方法，能够有效降低神经网络的复杂度，提高训练过程的有效性和效率，还可通过逐步增加重构细节或多样性来实现来保障持续训练的成功率。

公开(公告)号：CN116628489A

公开(公告)日：2023-08-22

申请号：CN202310352952.9

申请日：2023-04-04

Applicant: 湖南大学

Inventor： 彭绍亮 ,  窦钰涛 ,  夏飞 ,  刘达政 ,  潘良睿

IPC: G06F18/214 ,  G06F18/10 ,  G16H50/70

Abstract: 本发明公开了一种用于医疗特征生成模型的半监督条件迁移学习方法，包括S1、对输入源域和目标域数据进行特征预处理；S2、按照预设的规则对源域数据进行筛选，得到筛选后的源域数据；S3、将筛选后的源域数据根据特征是否稀有分为预训练的训练集和测试集；S4、构建基于源域数据特点的特征生成模型；S5、按照预设的规则对目标域数据进行筛选，得到筛选后的目标域数据；S6、生成目标域数据表征；S7、生成与源域数据维度相同的数据集；S8、将筛选的源域数据与目标域数集合并，形成混合数据集；S9、基于混合数据集进行重新训练得到带有目标域数据特点的特征生成模型；S10、重复步骤S5‑S9。本发明通过多种特征增强方法，强化了原始数据的特点。

公开(公告)号：CN116631636A

公开(公告)日：2023-08-22

申请号：CN202310352774.X

申请日：2023-04-04

Applicant: 湖南大学

Inventor： 彭绍亮 ,  窦钰涛 ,  夏飞 ,  潘良睿 ,  刘达政

IPC: G16H50/70 ,  G16H50/20 ,  G06F18/10 ,  G06F18/214 ,  G06F18/243

Abstract: 本发明公开了一种基于机器学习的特征生成方法，包括：S1、对输入的原始数据进行预处理以及筛选；S2、将筛选后的数据分为预训练的特征集和标签集；S3、通过基于树的集成学习算法训练得到特征生成模型；S4、将疾病早期数据输入至特征生成模型进行疾病早期检测。本发明通过多种特征增强方法，强化了原始数据的特点，并一定程度的记录了病例的历史事件，采用基于树的集成学习算法，可以在有数据缺失的情况下完成数据生成，本发明符合人体生理指标的潜在规律，因此可以轻易的将模型迁移至其他具有相同格式的数据集中直接使用，具有较强的可迁移性。