“陈旻昕”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]基于电力数据的异常检测算法-CN202110190741.0在审
发明人：虞海;张添良;陈旻昕;吴晨健;陈景润 -专利权人：苏州安极能新能源发展有限公司
申请日： 2021-02-20 - 公布日： 2021-05-18 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于电力数据的异常检测算法，分析功率的差值，采用当前时刻减去前面第四个时刻的值，并且连续4个值都低于阈值则判断为异常；画出其当前时刻功率差值的直方图，采用核密度估计算法，设其概率密度函数为f，公式如下：本发明通过对所采集的功率数据进行差值计算，画出其当前时刻的历史数据的直方图，由于异常数据较少，可将其近似为高斯模型，根据历史数据的分布，来计算当前时刻该功率值出现的概率，低于某个阈值则为异常。
基于电力数据异常检测算法

[发明专利]基于多尺度数据结构的快速谱聚类方法-CN201910257841.3有效
发明人： 陈旻昕;张重阳;朱国丰;吴晨健;陈虹 -专利权人：苏州大学
申请日： 2019-04-01 - 公布日： 2020-10-30 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于多尺度数据结构的快速谱聚类方法。本发明一种基于多尺度数据结构的快速谱聚类方法，包括：步骤1：对于输入d维空间数据V＝{v1，v2，...，vn}，其中采用K‑d tree算法对数据进行预处理得到一系列数据集合U＝{u1，u2，...，um}(其中n为数据点个数，d为数据的维度，m为数据集合的个数)和树形结构；步骤2：计算集合与集合间的相似度矩阵W；其中计算W所使用的核函数为具体实现时，是通过从集合中选取一些采样点，用采样点间的欧式距离来衡量两个集合的相似程度。本发明的有益效果：本方法创新性的采用k‑d tree算法来获得一系列的数据集合，通过计算集合与集合之间的相似度矩阵来代替原本的基于数据构建的相似度矩阵。
基于尺度数据结构快速谱聚类方法

[发明专利]基于稀疏椭圆RBF神经网络的图像稀疏表示方法-CN202010495523.3在审
发明人： 陈旻昕;陈召弟;陈虹 -专利权人：苏州大学
申请日： 2020-06-03 - 公布日： 2020-09-11 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于稀疏椭圆RBF神经网络的图像稀疏表示方法。本发明步骤1：数据预处理输入图像数据，通过预处理步骤归一化输入的图像数据，目的是使预处理的数据被限定在一定的范围内(在[0,1]内)，从而消除奇异样本数据导致的不良影响，降低样本之间的差异对网络学习的影响；步骤2：稀疏椭圆RBF神经网络的设计稀疏椭圆RBF神经网络，主要基于RBF神经网络进行改进。本发明的有益效果：本发明提供一种基于稀疏椭圆RBF神经网络的图像稀疏表示方法与流程，该网络是基于RBF网络改进而来的，在实施过程中采用改进的高斯函数即椭圆高斯函数，作为RBF网络隐层的激活函数，并将稀疏优化技术应用其中。
基于稀疏椭圆 rbf 神经网络图像表示方法

[发明专利]基于农田图像的卷积神经网络构建方法及其系统-CN201910411396.1在审
发明人：吴迪;陈召弟;陈旻昕;吴晨健;陈虹 -专利权人：丰疆智能科技股份有限公司
申请日： 2019-05-17 - 公布日： 2020-04-07 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于农田图像的卷积神经网络的构建方法，其包括如下步骤：获取至少一农田的一组农田图像；获取每一所述农田图像对应的一标准分割农田图像；将所述农田图像和对应的所述标准分割农田图像划分为一训练图像集和一测试图像集；以所述训练图像集中的所述农田图像和对应的所述标准分割农田图像作为卷积神经网络的输入，构建基于农田图像的卷积神经网络模型；以及以所述测试图像集中的所述农田图像和对应的所述标准分割农田图像对所述基于农田图像的卷积神经网络模型进行验证，对所述基于农田图像的卷积神经网络模型的参数进行优化。
基于农田图像卷积神经网络构建方法及其系统

[发明专利]奶牛奶头检测卷积神经网络模型及其构建方法-CN201910414096.9在审
发明人：吴迪;连博博;吴晨健;陈旻昕;陈虹 -专利权人：丰疆智能科技股份有限公司
申请日： 2019-05-17 - 公布日： 2020-04-07 - 主分类号： G06K9/32 文献下载
摘要：本发明公开了一奶牛奶头检测卷积神经网络模型的构建方法，所述构建方法包括如下步骤：获取至少一奶牛的至少一奶牛图像，其中所述奶牛图像包括奶牛奶头；获取每一所述奶牛图像所对应的标注图像，其中所述标注图像具有至少一目标框，所述目标框用于标注所述奶牛图像中所述奶牛奶头的位置；将所述奶牛图像和对应的所述标注图像按照一预设比例划分为一训练集、一验证集以及一测试集；基于所述训练集中的所述奶牛图像和对应的所述标注图像构建一奶牛奶头检测卷积神经网络模型；以及基于所述验证集和所述测试集中的所述奶牛图像和对应的所述标注图像对所述奶牛奶头检测卷积神经网络模型参数进行优化与测试。
奶牛奶头检测卷积神经网络模型及其构建方法