“多标记”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果1285113个，建议您升级VIP下载更多相关专利

[发明专利]一种结合标记相关性的半监督多标记特征选择及分类方法-CN201610256462.9在审
发明人：杨明;蔡亚萍 -专利权人：南京师范大学
申请日： 2016-04-22 - 公布日： 2016-09-28 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种结合标记相关性的半监督多标记特征选择及分类方法；属于多标记学习领域。该方法包含如下步骤：多标记分类；多标记特征选择；标记相关性的挖掘与利用。本发明通过构建标记协方差矩阵自动学习了成对且对称的标记相关性,并有效利用了未知标记数据的信息以帮助标记协方差的估计，从而将标记相关性的自动学习与利用，多标记特征选择和多标记分类统一在同一个模型框架中，有效提高了半监督多标记特征选择及分类算法的效果；此外，结合标记相关性的半监督多标记特征选择及分类方法能够在一定时间内快速收敛，因此具有较高的使用价值。
一种结合标记相关性监督特征选择分类方法

[发明专利]多芯光纤纤芯识别方法及标记设备-CN202310690468.7在审
发明人：姜佳;韩圆;方伟;陈靖;李云丽;钟世康 -专利权人：武汉睿芯特种光纤有限责任公司
申请日： 2023-06-09 - 公布日： 2023-09-29 - 主分类号： G02B6/44 文献下载
摘要：本发明涉及多芯光纤标记识别技术领域，提供一种多芯光纤纤芯识别方法及标记设备，多芯光纤纤芯识别方法包括：在多芯光纤上设置第一标记；在显微镜观察下，根据纤芯之间的相对位置，设定预设标记区域；根据第一标记和预设标记区域的位置，获取第一夹角；根据第一夹角，确定预设标记区域相对于第一标记的位置，以在预设标记区域内标记第二标记。本发明的多芯光纤纤芯识别方法及标记设备，通过设置第一标记，设定预设标记区域，然后获取第一夹角，进而确定预设标记区域相对于第一标记的位置，从而设置第二标记，最后根据第二标记的位置识别纤芯，解决了现有技术中难以对多芯光纤的多根纤芯进行识别，导致多芯光纤之间对接困难的问题。
多芯光纤纤识别方法标记设备

[发明专利]基于局部敏感哈希技术的多标记文件近邻查询方法-CN201510150666.X在审
发明人：胡海峰;邵燕;吴建盛 -专利权人：南京邮电大学
申请日： 2015-03-31 - 公布日： 2015-07-15 - 主分类号： G06F17/30 文献下载
摘要：本发明公开了一种基于局部敏感哈希技术的多标记学习的设计方法，该方法将海量文件问题转化为多标记学习问题，建立海量文件的近邻索引表；海量文件的多标记训练；新文件的预测标记向量；基于LSH的多标记学习文件近邻查询给定海量文件样本X，关键词，文件查询结果，按照查询结果得到文件标记向量集合Y；对标记向量集Y执行LSH算法,得到基于标记文件的近邻索引表；文件样本X根据多标记学习算法构建多标记分类器；对于新文件，首先进行上述两个步骤，然后根据多标记分类器，得到预测的标记集合；新文件的标记向量执行LSH查询，得到候选样本文件；对候选样本文件进行线性搜索，获取近邻文件。
基于局部敏感技术标记文件近邻查询方法

[发明专利]一种基于多图多标记学习的软件Bug检测方法-CN202111514505.6在审
发明人：印莹;赵宇海;任晨凤 -专利权人：东北大学
申请日： 2021-12-13 - 公布日： 2022-03-11 - 主分类号： G06F11/36 文献下载
摘要：本发明公开了一种基于多图多标记学习的软件Bug检测方法，属于软件缺陷检测技术领域。该方法充分利用源代码中的图结构信息，并充分利用源代码和Bug报告之间深层次的语义关联，找到多图和多标记的对应关系，提供了基于程序源代码和对应Bug报告的多图多标记Bug检测数据的产生方法，将源代码和Bug报告转化为多图多标记数据来解决Bug的检测问题；并从图级和包级两个方面考虑，提出针对多图多标记数据的区分子图度量准则，进一步将多图多标记数据转化成计算机可以处理的向量形式的多示例多标记数据；传统的分类器链不能恰当地考虑标记排序问题，随机进行标记排列可能会造成性能下降，而本发明考虑了多标记之间的依赖关系可以极大地提高检测精度。
一种基于多图多标记学习软件 bug 检测方法

[发明专利]层次性多示例多标记学习的设计方法和系统-CN201611007382.6在审
发明人：吴建盛;冯巧遇;胡海峰;耿静静 -专利权人：南京邮电大学
申请日： 2016-11-16 - 公布日： 2017-05-10 - 主分类号： G06N99/00 文献下载
摘要：本发明公开了层次性多示例多标记学习的设计方法和系统，该方法将多示例单示例化方法、多标记学习方法与标记间层次性结构的优化方法统一到一个框架中，有效地利用标记之间的层次相关性以提高模型的预测性能。首先将多示例样本包转化为单示例向量，从而将多示例多标记这一复杂问题转化为多标记学习问题。给定测试集，在训练集中找到与每个测试样本最近的k个样本，根据其近邻的分类情况，预测测试样本的标记信息。再结合标记间层次性关系，优化调参，最终预测出测试样本的层次性标记集合。本发明充分考虑了每个被错分结点的信息，并且将标记层次性信息结构考虑在内，提高了预测精度，同时扩展了多示例多标记学习的应用范围。
层次示例标记学习设计方法系统

[发明专利]一种面向层次标记样本的隐多标记分类方法-CN202110655504.7在审
发明人：张敏灵;於泽邦 -专利权人：东南大学
申请日： 2021-06-11 - 公布日： 2021-09-03 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种面向层次标记样本的隐多标记分类方法，该方法包括以下步骤：（1）用户从存储设备中选择训练样本；（2）根据训练样本，提取特征集合，标注层次标记集合；（3）根据编码规则，将训练样本的层次标记集合编码为隐多标记集合；（4）根据训练样本的特征集合与隐多标记集合，学习隐多标记分类器；（5）使用隐多标记分类器对测试样本进行分类；（6）根据解码规则，将测试样本的隐多标记集合解码为层次标记集合；（7）若用户对分类结果满意，本发明适用于对以标记树中的标记路径作为标记集合的样本进行分类。
一种面向层次标记样本分类方法

[发明专利]一种基于交互建模的多标记距离度量学习方法-CN201910715600.9在审
发明人：不公告发明人 -专利权人：南京智谷人工智能研究院有限公司
申请日： 2019-08-05 - 公布日： 2019-12-20 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于交互建模的多标记距离度量学习方法，对任一多标记应用场景提取训练数据，并对其进行多标记标注；对已提取训练样本进行预处理，提高样本质量；将待学习的距离度量矩阵表示为组合距离度量形式；定义基于特征与标记协同计算的多标记语义相似度，并构造三元组约束集；结合组合距离度量和三元组约束集，构造多标记距离度量学习模型，对其优化求解；学得距离度量后，将训练数据映射到距离度量空间，然后使用已有多标记学习算法进行学习，得到基于距离度量学习的多标记分类器本发明可大大降低多标记学习系统的时间复杂度，增加了多标记学习框架的实用性。
多标记距离度量学习训练数据组合距离分类器三元组度量标注样本预处理时间复杂度语义相似度交互建模矩阵表示学习算法学习系统训练样本样本输入应用场景优化求解映射协同预测

[发明专利]一种基于标记协方差和多标记分类的联合学习方法-CN201710430547.9在审
发明人：杨明;吕静;何志芬;杨琬琪;蔡维玲;宋凤义 -专利权人：南京师范大学
申请日： 2017-06-09 - 公布日： 2017-11-07 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于标记协方差和多标记分类的联合学习方法，主要考虑同时学习多标记分类模型、自动划分样本的相关标记和不相关标记的阈值函数以及标记相关性问题，包含如下步骤标记相关性矩阵初始化；运用标记协方差和多标记分类的联合学习算法习得到分类模型参数、标记相关性以及阈值函数所对应的参数；模型预测；本发明以支持向量机模型为基础，将标记之间的相关性和标记集分割策略嵌入SVM模型中，以用于多标记数据的分类，以此来提高多标记数据的分类精度，此外，本发明中将正则化技术运用在模型中，以控制联合学习模型中分类模型的复杂度和标记相关性的大小，防止过拟合，进一步提高多标记数据的分类效果。
一种基于标记协方差分类联合学习方法

[发明专利]一种可扩展的多层集成多标记学习系统-CN201510662088.8有效
发明人：乔善平;吴鹏;韩士元 -专利权人：济南大学
申请日： 2015-10-09 - 公布日： 2019-02-22 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种可扩展的多层集成多标记学习系统，包括数据集、算法集合、集成策略集合和分类器集合，所述算法集合包括二类分类算法、面向标记集的学习算法和集成多标记学习算法，所述分类器集合包括二类分类器、多标记分类器和集成分类器，所述集成策略集合包括若干个集成策略，所述多层集成多标记学习系统分为二分类学习层、多标记学习层和集成学习层，所述二类分类算法和二类分类器构成二分类学习层，所述面向标记集的学习算法和多标记分类器构成多标记学习层，所述集成多标记学习算法、集成策略和集成分类器构成集成学习层。
一种扩展多层集成标记学习系统

[发明专利]一种基于度量学习的多示例多标记分类方法-CN201810178168.X在审
发明人：胡海峰;崔志锴 -专利权人：南京邮电大学
申请日： 2018-03-05 - 公布日： 2018-09-04 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及一种基于度量学习的多示例多标记分类方法，该方法在多示例多标记数据集中，选取一部分作为训练集；在训练集中根据每个标记对应的包，得到初始原型包；多示例多标记距离度量学习；求豪斯多夫距离，得到参考近邻和引证近邻；构建分类器；完成对未知标记的包的预测。本发明的优点是采用马氏距离代替欧氏距离，能更精确地找到不同包之间的语义近邻，并且利用改进后的多示例多标记kNN算法，显著提高kNN分类时的性能，同时由于包中标记和示例不是一一对应的，包中的标记事先并不知道采用哪个示例表示，因此本发明相对于事先知道标记和示例关系的包具有更广泛的适用行。
多标记度量构建分类器语义距离度量马氏距离欧氏距离数据集中训练集分类学习原型参考预测改进

[发明专利]多聚化学发光标记试剂及其制备方法与应用-CN201410050951.X无效
发明人：刘涧泉;黄炳河 -专利权人：赫利森（厦门）生物科技有限公司
申请日： 2014-02-14 - 公布日： 2014-05-14 - 主分类号： G01N33/533 文献下载
摘要：多聚化学发光标记试剂及其制备方法与应用，涉及化学发光标记物。所述多聚化学发光标记试剂的原料组成如下：化学发光标记物；多聚物骨架；配体、受体或官能团。所述多聚化学发光标记试剂的制备方法：1）多聚物骨架修饰；2）配体或受体修饰；3）配体-多聚物共轭体或受体-多聚物共轭体的合成；4）多聚化学发光标记试剂的合成。所述多聚化学发光标记试剂可广泛应用于医疗诊断、生物技术、生物医药、生命科学、食品安全、环保检测等领域。具体来说，多聚化学发光标记试剂的最普遍应用是免疫分析诊断，其次为新药研发中配体-受体之间相互作用分析，再次是核酸或基因检测。
化学发光标记试剂及其制备方法应用

[发明专利]一种图像识别方法和装置-CN201911185754.8在审
发明人：刘义明;周默 -专利权人：北京沃东天骏信息技术有限公司;北京京东世纪贸易有限公司
申请日： 2019-11-27 - 公布日： 2021-05-28 - 主分类号： G06K9/62 文献下载
摘要：该方法的一具体实施方式包括：接收未标记的图像数据集和已标记的图像数据集；利用已标记的图像数据集，对预设的第一多标记分类网络进行训练，以得到训练好的第一多标记分类网络；将未标记的图像数据集，通过训练好的第一多标记分类网络，获得每个图像的标记结果及对应的置信度值；根据所述标记结果及对应的置信度值，更新预设的第二多标记分类网络，进而通过更新后的第二多标记分类网络对图像进行标记。
一种图像识别方法装置

[发明专利]特征选择和标记相关性联合学习的多标记数据分类方法-CN201710388023.8有效
发明人：杨明;吕静;何志芬 -专利权人：南京师范大学
申请日： 2017-05-27 - 公布日： 2017-10-17 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于特征选择和标记相关性联合学习的多标记数据分类方法，主要针对标记缺失情况下的多标记数据分类问题，包含如下步骤：标记相关性矩阵初始化；运用特征选择和标记相关性联合学习算法(JLFLLC)学习得到标记相关性矩阵和分类器参数；模型预测；本发明将特征选择与标记相关性联合学习算法应用于多标记数据的分类，以此来提高多标记数据的分类精度，此外，本发明中将正则化技术运用在模型中，以控制联合学习模型中分类模型的复杂度和标记相关性的大小，防止过拟合，进一步提高多标记数据的分类效果。
特征选择标记相关性联合学习数据分类方法

[发明专利]多段式芯片标记方法及其装置-CN202110742111.X在审
发明人：朱世杰;庄文忠;邱增明 -专利权人：佳陞科技有限公司
申请日： 2021-06-30 - 公布日： 2021-10-08 - 主分类号： H01L21/67 文献下载
摘要：本发明是关于一种多段式芯片标记方法及其装置，准备一标记装置及一待标记芯片，该标记装置设有一本体、一多段模块及一标记模块，该多段模块设有一加工区及至少两支撑组，该待标记芯片通过其中一支撑组的各支撑臂而移动至该加工区，该加工区及该支撑处共同夹持该待标记芯片，该标记模块对于该待标记芯片未被该支撑组各支撑臂所遮蔽的区域进行标记，完成标记后，该多段模块的另一支撑组的各支撑臂朝该加工区移动并与该待标记芯片相抵靠，原先固定该待标记芯片的支撑组的各支撑臂与该待标记芯片相分离并离开该加工区，对于该待标记芯片进行第二次标记作业，通过该多段模块各支撑组相对该待标记芯片移动的方式，于该待标记芯片上完成标记作业。
段式芯片标记方法及其装置

[发明专利]一种基于最大化间隔机制的含噪多标记分类方法-CN202210576145.0在审
发明人：张敏灵;朱雅婷;杨浩 -专利权人：东南大学
申请日： 2022-05-25 - 公布日： 2022-07-29 - 主分类号： G06K9/62 文献下载
摘要：本发明提出了一种基于最大化间隔机制的含噪多标记分类方法，该方法适用于标记空间含有噪声的多标记数据分类场景。该方法包括以下步骤：(1)用户在保证完全获得真实标记的前提下收集多标记数据；(2)使用标记置信度来表示标记信息，为每个标记初始化置信度值；(3)将含噪多标记分类问题转换成经验损失、铰链损失与置信度约束最小化的凸优化问题，求得凸优化问题的最优解生成多标记分类模型；(4)根据训练得到的分类模型对未见示例进行预测，得到每个类别的分类结果；(5)如果用户对预测结果满意，则结束，否则转到步骤(2)，为每个标记重新初始化置信度值
一种基于最大化间隔机制含噪多标记分类方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 100000 条