-
公开(公告)号：CN119988952A
公开(公告)日：2025-05-13
申请号：CN202510073288.3
申请日：2025-01-17
Applicant: 重庆大学 , 重庆大学附属肿瘤医院
IPC: G06F18/2132 , G06F18/214 , G06F18/241 , G06F18/22 , G06F18/25
Abstract: 本发明涉及用于机器学习的数据处理技术领域，具体公开了一种核转置投影包络LDA数据降维方法及系统，其设计了一种核转置投影包络LDA(线性判别分析)模式，具体是设计了转置投影包络变换算法并对其进行核化改进，对原始样本进行变换以生成包络样本，尽最大可能地挖掘了相似样本间的关联信息；将该包络样本加载到LDA输入端，从而实现在相似样本间关联信息上的投影降维。实验结果表明，在引入核转置投影包络LDA模式后，各种LDA算法的分类准确率均取得了显著提升，这表明核转置投影包络LDA模式优于原LDA模式，实现了相似样本间关联信息上的投影降维，弥补了原LDA模式在建模的过程中忽略或者破坏相似样本间关联信息的缺陷。
-
公开(公告)号：CN113689470B
公开(公告)日：2023-08-11
申请号：CN202111024236.5
申请日：2021-09-02
Applicant: 重庆大学
IPC: G06T7/246 , G06T7/73 , G06V10/774 , G06V10/80 , G06N3/006 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及自动驾驶技术领域，具体公开了一种多场景融合下的行人运动轨迹预测方法，包括步骤：采集J+1个场景下N个行人的运动轨迹，生成对应的J个训练数据集和1个测试数据集，并生成训练输入样本集、训练输出参考集、测试输入样本集；构造每个训练输入样本集、测试输入样本集中N个行人每帧的行人间关系矩阵；采用训练输入样本集及对应的行人间关系矩阵对各自构建的时空卷积网络进行训练，得到每个场景的预测模型；将测试输入样本集及对应行人间关系矩阵输入J个预测模型中，得到每个行人的J条预测轨迹；将运动能量最小化约束、回避拥堵约束融入到蚁群优化算法中，得到每个行人的最优预测轨迹。本发明通过上述步骤能够更加精准地预测行人轨迹。
-
公开(公告)号：CN113284512B
公开(公告)日：2022-05-27
申请号：CN202110568802.2
申请日：2021-05-25
Applicant: 重庆大学
Abstract: 本发明涉及帕金森语音数据集分类技术领域，具体公开了一种基于深度稀疏迁移学习的帕金森语音分类方法，该方法首先采用基于中间集的稀疏迁移学习方法对帕金森公共语音数据集生成最优卷积核(步骤S1)，进一步采用聚类方法聚类生成帕金森目标数据集A的深度样本空间(步骤S2)，进一步采用卷积稀疏编码基于最优卷积核组生成深度样本空间dA的深度特征映射空间(步骤S3)，进一步将深度特征映射空间dE向量化扩展为dG并划分为训练集和测试集(步骤S4)。本发明迁移适用于帕金森目标数据集A的最优结构表达并挖掘其复杂结构信息(步骤S1～S4)，从而提高最终的分类准确率，LOSO交叉验证下准确率高达99.5％，优于目前的最优方法(准确率97.5％)。
-
公开(公告)号：CN113689470A
公开(公告)日：2021-11-23
申请号：CN202111024236.5
申请日：2021-09-02
Applicant: 重庆大学
Abstract: 本发明涉及自动驾驶技术领域，具体公开了一种多场景融合下的行人运动轨迹预测方法，包括步骤：采集J+1个场景下N个行人的运动轨迹，生成对应的J个训练数据集和1个测试数据集，并生成训练输入样本集、训练输出参考集、测试输入样本集；构造每个训练输入样本集、测试输入样本集中N个行人每帧的行人间关系矩阵；采用训练输入样本集及对应的行人间关系矩阵对各自构建的时空卷积网络进行训练，得到每个场景的预测模型；将测试输入样本集及对应行人间关系矩阵输入J个预测模型中，得到每个行人的J条预测轨迹；将运动能量最小化约束、回避拥堵约束融入到蚁群优化算法中，得到每个行人的最优预测轨迹。本发明通过上述步骤能够更加精准地预测行人轨迹。
-
公开(公告)号：CN111354338B
公开(公告)日：2022-03-15
申请号：CN202010119313.4
申请日：2020-02-26
Applicant: 重庆大学
Abstract: 本发明公开一种基于PSO卷积核优化稀疏迁移学习的帕金森语音识别系统，包括：数据采集模块、公共数据库、目标数据库和分类识别器；系统将公共语音数据集的语音特征进行卷积稀疏学习，得到相应的卷积核；然后利用目标数据库中的一部分目标数据集进行卷积稀疏编码及样本和特征并行优选；通过PSO算法得到最优卷积核；然后基于最优卷积核，利用目标数据库中的另一部分目标数据集进行卷积稀疏编码及样本和特征并行优选；从而得到系统最优卷积核及最佳样本和特征；最后数据采集模块采集待测对象的语音数据基于最优卷积核进行卷积稀疏编码，提取编码后的最佳样本和特征，由分类识别器得出测试结果。本系统分类准确率高，样本需求量少，实施方便。
-
Patent Agency Ranking
公开(公告)号：CN113393932A
公开(公告)日：2021-09-14
申请号：CN202110761463.X
申请日：2021-07-06
Applicant: 重庆大学
Abstract: 本发明涉及语音分类技术领域，具体公开了一种帕金森病语音样本段多类型重构变换方法，首先，设计重构算子对原始数据样本段进行变换，从而得到第一目标数据集；其次，考虑到样本间的差异性，对原始数据集进行聚类重构，得到第二目标数据集；再次，利用聚类重构的新样本段集对聚类后的数据样本集进行卷积处理，得到第三目标数据集；最后，基于这三个新数据集分别训练子分类器，然后对分类结果进行决策加权融合。本发明提出了基于多类型重构和聚类算法的PD语音样本变换算法，有效获得高质量新样本，从而提高识别准确率。实验结果表明本方法构建的三个新样本数据集都比变换前的原数据集具有较高的准确率。
-
公开(公告)号：CN113284512A
公开(公告)日：2021-08-20
申请号：CN202110568802.2
申请日：2021-05-25
Applicant: 重庆大学
Abstract: 本发明涉及帕金森语音数据集分类技术领域，具体公开了一种基于深度稀疏迁移学习的帕金森语音分类方法，该方法首先采用基于中间集的稀疏迁移学习方法对帕金森公共语音数据集生成最优卷积核(步骤S1)，进一步采用聚类方法聚类生成帕金森目标数据集A的深度样本空间(步骤S2)，进一步采用卷积稀疏编码基于最优卷积核组生成深度样本空间dA的深度特征映射空间(步骤S3)，进一步将深度特征映射空间dE向量化扩展为dG并划分为训练集和测试集(步骤S4)。本发明迁移适用于帕金森目标数据集A的最优结构表达并挖掘其复杂结构信息(步骤S1～S4)，从而提高最终的分类准确率，LOSO交叉验证下准确率高达99.5％，优于目前的最优方法(准确率97.5％)。
-
公开(公告)号：CN111354338A
公开(公告)日：2020-06-30
申请号：CN202010119313.4
申请日：2020-02-26
Applicant: 重庆大学
Abstract: 本发明公开一种基于PSO卷积核优化稀疏迁移学习的帕金森语音识别系统，包括：数据采集模块、公共数据库、目标数据库和分类识别器；系统将公共语音数据集的语音特征进行卷积稀疏学习，得到相应的卷积核；然后利用目标数据库中的一部分目标数据集进行卷积稀疏编码及样本和特征并行优选；通过PSO算法得到最优卷积核；然后基于最优卷积核，利用目标数据库中的另一部分目标数据集进行卷积稀疏编码及样本和特征并行优选；从而得到系统最优卷积核及最佳样本和特征；最后数据采集模块采集待测对象的语音数据基于最优卷积核进行卷积稀疏编码，提取编码后的最佳样本和特征，由分类识别器得出测试结果。本系统分类准确率高，样本需求量少，实施方便。
-
公开(公告)号：CN107170445B
公开(公告)日：2020-03-31
申请号：CN201710325414.5
申请日：2017-05-10
Applicant: 重庆大学
Abstract: 本发明公开了一种基于语音混合信息特征协同优选判别的帕金森症检测装置，包括：信号采集器、处理器以及结果输出模块；所述信号采集器：用于获取诊断对象的语音信息；所述处理器：包括用于提取语音特征的特征提取模块以及预先训练好的分类器，通过所述分类器判断诊断对象是否属于帕金森症患者；所述结果输出模块：用于输出分类器的判断结果。本发明提供的一种基于语音混合信息特征协同优选判别的帕金森症检测装置，诊断过程采用分类器，通过大量数据训练和测试，精度高，而且使用方便。
-
公开(公告)号：CN112529063B
公开(公告)日：2023-12-15
申请号：CN202011407694.2
申请日：2020-12-03
Applicant: 重庆大学
IPC: G06F18/24 , G06F18/2135 , G06F18/214 , G06N3/045 , G06N3/096
Abstract: 本发明涉及深度域适应分类技术领域，具体公开了一种适用于帕金森语音数据集的深度域适应分类方法，包括步骤：初始化DBN网络的参数，并以帕金森语音源域及目标域数据集分别训练；训练完成后，将语音源域及目标域样本分别输入到对应的源域和目标域DBN网络中进行变换，每一个输入样本变换得到多个隐含层样本：将源域及目标域DBN网络同一隐含层样本进行局部特性约束下的主成分迁移学习，从而构建输出域适应后的新帕金森语音源域和目标域数据集。本发明通过DBN深度网络表达学习数据集潜在的隐含信息，并对不同隐含层进行特征进行成分迁移和局部特性约束以使得源域及目标域分布对齐的同时最大程度保持各自数据集内部的隐含特性，提高最终的分类准确率。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.02 seconds)
