“王冬越”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]基于GA参数优化SVM集成学习的甲状腺结节良恶诊断系统-CN202310383636.8在审
发明人：付超;李鑫鑫;王冬越 -专利权人：合肥工业大学
申请日： 2023-04-06 - 公布日： 2023-07-25 - 主分类号： G16H50/20 文献下载
摘要：本发明提供一种基于GA参数优化SVM集成学习的甲状腺结节良恶诊断系统，涉及医疗数据处理技术领域。本发明中，针对基分类器精度不高、性能不足的缺点，设计了第一训练模块，用于采用遗传算法优化SVM参数，找到最优参数以提升参与集成的基分类器的性能，确保单个基分类器的准确率；针对集成方法简单、可解释性差的不足，设计了第二训练模块，用于采用遗传算法优化基分类器权重以实现对基分类器的加权集成。根据基分类器性能以确定最优权重，发挥不同基分类器的预测优势，由此提升模型的分类精度和系统的泛化性能，提升了甲状腺结节良恶诊断结果的准确性。
基于 ga 参数优化 svm 集成学习甲状腺结节诊断系统

[发明专利]基于动态集成选择算法的乳腺癌肿块诊断系统-CN202210095136.X在审
发明人：付超;刘子华;王冬越;郑汉东 -专利权人：合肥工业大学
申请日： 2022-01-26 - 公布日： 2022-06-21 - 主分类号： G16H50/20 文献下载
摘要：本发明提供一种基于动态集成选择算法的乳腺癌肿块诊断系统，涉及医疗技术领域。本发明中训练模块用于根据训练集，采用同构分类器生成与异构分类器生成相结合的方式获取基分类器池；生成模块用于根据测试集和基分类器池，获取测试集对应的动态集成数据集；获取模块用于根据动态选择集和动态集成数据集，获取动态集成数据集中任一样本的动态能力区域；分类模块用于根据基分类器池和动态能力区域，采用互补指数选择预设数量的分类器，获取动态集成数据集中的当前样本在选择的各个分类器中对应的诊断分类结果。采用同构分类器生成与异构分类器生成相结合方式生成DES算法的基分类器池；并通过提出动态能力区域(DROC)算法，提高了乳腺癌肿块的诊断精度。
基于动态集成选择算法乳腺癌肿块诊断系统

[发明专利]高端装备研制工作的人员选择方法和系统-CN202210064610.2在审
发明人：薛旻;曹佩佩;王冬越;盛松 -专利权人：合肥工业大学
申请日： 2022-01-20 - 公布日： 2022-06-07 - 主分类号： G06Q10/06 文献下载
摘要：本发明提供一种高端装备研制工作的人员选择方法和系统，涉及数据处理技术领域。本发明实施例基于研发人员的历史数据，对研发人员进行选择，能更为科学合理的选择研发人员。本发明一方面为高端装备研发运行过程中的成员加入、退出以及人才培养提供决策支持；另一方面为成员的补缺补差提供明确方向，能确保研发团队的健康运行，最终完成团队研发任务。
高端装备研制工作人员选择方法系统

[发明专利]基于剪枝U-Net++的乳腺肿块图像分割方法及系统-CN202210033672.7在审
发明人：付超;吕晗笑;王冬越;常文军 -专利权人：合肥工业大学
申请日： 2022-01-12 - 公布日： 2022-05-31 - 主分类号： G06T7/11 文献下载
摘要：本发明提供一种基于剪枝U‑Net++的乳腺肿块图像分割方法及系统，涉及超声图像分割技术领域。本发明构建的剪枝U‑Net++的乳腺肿块图像分割模型，是基于U‑Net++网络，利用跳跃连接融合各分支U‑Net的特征表达，并引入残差连接代替U‑Net++方法中的密集连接，利用该模型对获取的原始乳腺超声图像进行分割。本发明所构建的剪枝U‑Net++乳腺超声图像分割模型，在对乳腺超声图像中的肿块进行分割时，可避免因医疗图像数据存在小数据集问题而导致的模型过拟合问题，提高了超声图像乳腺肿块分割模型的泛化能力；同时，模型参数的规模远小于现有技术，降低了网络模型的复杂度，可缩短网络训练的计算时间，减少网络训练的内存占用，提高了模型训练效率。
基于剪枝 net 乳腺肿块图像分割方法系统

[发明专利]考虑集成误差和集成多样性的分类方法和装置-CN202111338368.5在审
发明人：付超;徐车;常文军;王冬越 -专利权人：合肥工业大学
申请日： 2021-11-12 - 公布日： 2022-03-25 - 主分类号： G06F16/35 文献下载
摘要：本发明提供了一种考虑集成误差和集成多样性的分类方法和装置，首先获取包括M个历史样本数据xl的特征向量Xl和对应的分类标签Yl的训练集，再采用集成学习算法得到多分类器系统c＝{c1,…,cU}，然后计算训练集中各个样本xl的与待分类样本之间的平均相似性ASl；再基于ASl的值选出与最相似的K个历史样本，组成近邻区域再基于多分类器系统c中各个基分类器在近邻区域上的预测表现，优化求出一组最优权重；最后根据最优权重确定待分类样本的最终分类结果。不仅考虑了一组分类器的集成性能以及不同分类器之间的多样性，而且还能够根据每个待分类样本的特点产生一组最优权重，用于加权合成不同分类器的预测结果，以保证最终分类的精度和稳定性。
考虑集成误差多样性分类方法装置