“分类阶段”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448710个，建议您升级VIP下载更多相关专利

[发明专利]一种基于深度学习的睡眠阶段预测方法、存储介质及终端设备-CN202011102569.0在审
发明人：王映姗 -专利权人：王映姗
申请日： 2020-10-15 - 公布日： 2021-01-22 - 主分类号： A61B5/00 文献下载
摘要：本申请公开了一种基于深度学习的睡眠阶段预测方法、存储介质及终端设备，所述方法包括获取待检测用户的脑电信号；基于所述脑电信号以及若干经过训练的睡眠阶段分类模型，以得到若干候选预测概率组；基于若干候选预测概率组确定所述原始脑电信号对应的睡眠阶段本申请通过若干睡眠阶段分类模型进行集成学习，增加模型的预测准确度，从而提高预测得到的睡眠阶段的准确性。
一种基于深度学习睡眠阶段预测方法存储介质终端设备

[发明专利]一种基于扩展卷积对抗自编码器的电作动器故障诊断测试方法-CN202110821995.8有效
发明人：陶来发;王超;吕琛;马剑;丁宇 -专利权人：北京航空航天大学
申请日： 2021-07-21 - 公布日： 2021-10-12 - 主分类号： G06K9/00 文献下载
摘要：所述方法包括：步骤1：获取执行部件的振动信号；步骤2：振动信号数据转化为RGB图像；步骤3：将RGB图像信号送入扩展卷积对抗自编码器(ECAAE)模型，以进行测试；步骤4：输出诊断结果，所述诊断结果为分类准确率所述ECAAE是经过训练的故障诊断测试模型，所述训练步骤包括四个阶段：样本重构阶段；正则化阶段；半监督分类阶段；以及扩展微调阶段。
一种基于扩展卷积对抗编码器电作动器故障诊断测试方法

[发明专利]具有分类精度保持和带宽保护的边云协同深度学习模型训练方法-CN201911012549.1在审
发明人：董元睿;杨树森;赵聪;赵鹏;张靖琪;赵方圆;王路辉;韩青;王艺蒙 -专利权人：西安交通大学
申请日： 2019-10-23 - 公布日： 2020-06-02 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种具有分类精度保持和带宽保护的边云协同深度学习模型训练方法，解决了边云协同分类模型训练出现的网络带宽消耗和分类精度问题。我们实现了利用压缩自编码器打造的高分类有效性图像压缩方案，增加图片压缩与图片分类目标组件间的耦合关系。通过两阶段的处理，第一阶段，使用简单分类器模型反向传播梯度优化自编码器，一定程度上控制有损压缩的损失目标，第二阶段，压缩结果上云，利用强大的计算资源进行高精度分类模型的训练。同时通过边缘上压缩自编码器的控制压缩率参数，对系统的边云通信带宽消耗和云端分类精度进行权衡，在有效的保证了数据分类特性留存的同时，实现了一套完善的边云协同训练方案。
具有分类精度保持带宽保护协同深度学习模型训练方法

[发明专利]一种用于具有长尾分布特性的单猴视频动作分类方法-CN202210254527.1在审
发明人：朱磊;范文萱 -专利权人：北京信智文科技有限公司
申请日： 2022-03-15 - 公布日： 2022-06-07 - 主分类号： G06V40/10 文献下载
摘要：本发明提出一种用于具有长尾分布特性的单猴视频动作分类方法，包括步骤一：建立猴子动作数据集；步骤二：构建单猴视频动作分类模型，利用训练集在深度神经网络训练一个包含两个阶段的网络模型，第一阶段提取特征，第二阶段进行分类，然后固定特征提取参数，对分类学习参数进行归一化，学习放缩调节因子以调节分类器参数；步骤三：利用测试集对训练的模型进行评估，确定模型性能；步骤四：将上述训练和验证好的模型进行部署，在实际场景中对视频数据进行分类本发明通过固定特征提取网络参数，仅对分类学习参数调节来重新平衡分类器的决策边界，以实现长尾分布数据准确性的目的。这种分类方法不需要额外的重训练或重采样或设计特别的损失函数。
一种用于具有长尾分布特性视频动作分类方法

[发明专利]一种结合PLSA和AT的音频事件分类方法-CN201510114394.8有效
发明人：冷严;李登旺;程传福;万洪林;王晶晶;方敬;徐新艳 -专利权人：山东师范大学
申请日： 2015-03-16 - 公布日： 2017-12-12 - 主分类号： G06F17/30 文献下载
摘要：本发明公开了一种结合PLSA和AT的音频事件分类方法，该方法在训练阶段用训练样本训练PLSA模型和AT模型；在分类阶段，对于待分类的音频文档，首先用PLSA模型求得文档中潜在的音频事件，然后用AT模型从潜在音频事件中找出若干音频事件作为分类结果本发明提出的结合PLSA和AT的音频事件分类方法既能很好地分类纯净音频事件，又能很好地分类混叠音频事件，而且在分类混叠音频事件时能识别出其中的多个音频事件，而不仅仅是识别出其中的一个音频事件。
一种结合 plsa at 音频事件分类方法

[发明专利]一种动态生成和部署签名的方法-CN201610197756.9在审
发明人：孙易安 -专利权人：北京匡恩网络科技有限责任公司
申请日： 2016-03-31 - 公布日： 2016-07-13 - 主分类号： H04L9/32 文献下载
摘要：本发明公开了一种动态生成和部署签名的方法，包括模型建立阶段和模型使用阶段，其中模型建立阶段具体包括：保护监测设备从已知的攻击数据包和正常数据包中抽取关键信息；将关键信息转变为特征值向量作为训练数据；利用分类算法将训练数据建立分类模型；存储分类模型；模型使用阶段具体包括保护监测设备收集监听到的数据包关键信息；管理系统调用生成的分类模型，预测数据包的关键信息是否为攻击信息；管理系统更新预测后的数据包关键信息的特征，将预测为攻击的关键信息加入阻断列表
一种动态生成部署签名方法

[发明专利]一种基于数据打包的隐私保护决策树的样本分类方法-CN202010817497.1在审
发明人：陈志立;李娜;张顺;仲红 -专利权人：安徽大学
申请日： 2020-08-14 - 公布日： 2020-11-20 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于数据打包的隐私保护决策树的样本分类方法，该方法应用于由n个拥有数据的参与方，两个服务器组成的网络环境中，并包括以下步骤：S1、初始化阶段；S2、参与方发送加密数据阶段；S3、服务器处理加密数据阶段；S4、训练决策树并进行样本分类阶段。本发明应用于多个参与方，允许客户端在自己的密钥下加密他们的数据，并利用数据打包技术有效地减少系统的计算开销和通信开销，从而有效解决决策树的样本分类过程中的隐私保护问题，提高在本地训练好的决策树模型下对样本进行分类的安全性
一种基于数据打包隐私保护决策树样本分类方法

[发明专利]一种果树病害诊断方法及系统-CN202010306669.9在审
发明人：吴建伟;熊晓菲 -专利权人：北京派得伟业科技发展有限公司;北京农业信息技术研究中心
申请日： 2020-04-17 - 公布日： 2020-08-14 - 主分类号： G06K9/00 文献下载
摘要：本发明实施例提供一种果树病害诊断方法及系统，该方法包括：获取待测果树病害图像的感兴趣区域；根据所述感兴趣区域的HSV颜色直方图和所述感兴趣区域的纹理直方图，获取目标特征向量；将所述目标特征向量输入分类模型中，获取所述待测果树病害的发病部位以及病情发展阶段，其中，所述分类模型以所述待测果树病害不同部位、不同病情发展阶段的病害图像为样本进行训练得到。本发明实施例依据果树不同部位病害不同发展阶段图片对分类模型进行训练后，使得分类器具有依据果树病害图像预测果树病害发展阶段的功能，从而实现果树病害发展程度的自动、高效、准确检测，以利于病害的及时诊出与防治决策
一种果树病害诊断方法系统

[发明专利]基于零样本学习的VPN隧道网站指纹分析方法-CN202111603522.7在审
发明人：李玎;祝跃飞;林伟;费金龙;芦斌;王珏;陈明豪 -专利权人：中国人民解放军战略支援部队信息工程大学
申请日： 2021-12-24 - 公布日： 2022-04-29 - 主分类号： G06K9/62 文献下载
摘要：该方法包括：训练阶段和分类阶段；训练阶段包括：步骤A1：收集每个监测网站的流量样本；步骤A2：对每个监测网站的流量样本进行特征提取，生成该监测网站中各流量样本的基因指纹；步骤A3：从每个监测网站的基因指纹中选举生成n个样本，用于训练k‑NN分类器；分类阶段包括：步骤B1：在用户和VPN隧道代理之间的链路上捕获待测试流量样本；步骤B2：对所述待测试流量样本进行数据包解封装、特征提取、时间采样，生成未知基因指纹；步骤B3：使用训练好的k‑NN分类器预测得到所述未知基因指纹的标签。
基于样本学习 vpn 隧道网站指纹分析方法

[发明专利]一种基于智能终端的新式计步方法-CN202110318023.7在审
发明人：黄爱兵;曾晓勤;刘惠义 -专利权人：河海大学
申请日： 2021-03-25 - 公布日： 2022-09-30 - 主分类号： G01C22/00 文献下载
摘要：本发明公开了一种基于智能终端的新式计步方法，包括训练阶段和计步阶段，训练阶段包括：选取智能终端设备加速度传感器的采样频率和采样范围；对数据进行归类；将三轴传感器数据转化为合加速度数据；进行平滑滤波处理；进行特征提取；根据提取的特征数据进行训练构建出分类模型；计步阶段包括：采集实时数据；平滑滤波处理；提取处理后实时数据的加速度特征；获取到分类后的特征数据，确定所属分类；根据分类模型输出的结果，计算得出行走步数
一种基于智能终端新式方法

[发明专利]资源回收策略获取方法、装置、电子设备及存储介质-CN202111273875.5在审
发明人：喻凯 -专利权人：腾讯科技（深圳）有限公司
申请日： 2021-10-29 - 公布日： 2023-05-09 - 主分类号： G06F18/2415 文献下载
摘要：本申请提供了一种资源回收策略获取方法、装置、电子设备及存储介质，该方法包括：获取样本对象的标签；获取样本对象在资源滞留过程中各个阶段的特征数据；分别以样本对象在资源滞留过程中各个阶段的特征数据为输入，以标签为映射目标，对分类模型进行训练，得到训练完成的分类模型；响应于目标对象在资源滞留过程中所处阶段的更新，更新目标对象在资源滞留过程中所处阶段的特征数据，并将目标对象的更新后特征数据输入训练完成的分类模型，得到训练完成的分类模型针对目标对象更新的输出结果
资源回收策略获取方法装置电子设备存储介质

[发明专利]一种受生长要素影响的植物三维形态样本建模方法-CN201710396493.9有效
发明人：范国华;乐毅;吴云志;张友华;焦俊;张丹丹 -专利权人：安徽农业大学
申请日： 2017-05-31 - 公布日： 2017-10-17 - 主分类号： G06Q10/06 文献下载
摘要：本发明公开了一种受生长要素影响的植物三维形态样本建模方法，其包括如下步骤：a建立植物各生长阶段各生长要素参数量化模型，获取各生长要素的参数量化值；b确定植物在各生长阶段的标准形态，并建立各标准形态的三维样本模型；c通过分组实验得到生长要素对植物形态影响的数据；d利用机器学习的分类算法对分组实验得到的数据进行分类；e运用分类结果对植物各生长阶段的样本模型进行修改。本发明对受生长要素影响的植物形态进行分类并对三维样本模型进行修改，简化加速植物形态建模过程，利于各生长阶段下植物形态受生长要素影响的快速建模。
一种生长要素影响植物三维形态样本建模方法

[发明专利]一种基于双阶段分类的事故多发路段识别方法-CN201911228989.0有效
发明人：郑明强;葛慧敏;马金麟;付佳辉;袁鑫 -专利权人：江苏大学
申请日： 2019-12-04 - 公布日： 2023-05-09 - 主分类号： G06Q50/26 文献下载
摘要：本发明公开了一种基于双阶段分类的事故多发路段识别方法，包括选定要鉴别的总路段，对鉴别年限的事故数据进行统计、计算相邻事故点的距离、第一阶段事故多发路段分类、第二阶段事故隐患点分类、数据处理、在所鉴别的总路段地图上标识出事故多发路段和严重事故隐患点共六个步骤有益效果：本发明通过将鉴别路段统计年限的历史数据纵向标记于道路上，遍历每个事故点的类别属性，避免了划分固定道路单元容易造成的“削峰”现象；考虑了单个事故点的严重程度，对重大事故隐患点进行预测；通过双阶段不同类别属性分类判别
一种基于阶段分类事故多发路段识别方法

[发明专利]基于在线序列极限学习机的极化SAR图像分类方法-CN201510512069.7在审
发明人：焦李成;李玲玲;曾杰;马文萍;张丹;屈嵘;侯彪;王爽;马晶晶;尚荣华 -专利权人：西安电子科技大学
申请日： 2015-08-19 - 公布日： 2015-11-18 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于在线序列极限学习机的极化SAR图像分类方法，主要解决极化SAR图像分类的训练时间长和内存消耗大的问题。其实现步骤为：1.输入待分类极化SAR图像标记信息和相干矩阵，进行Lee滤波；2.提取滤波后的相干矩阵中的特征，并将特征归一化获得数据集，再从数据集中获得标记集；3.将标记集划分成初始训练集和在线训练集；4.用训练集进行初始阶段学习，并用初始阶段学习到的模型对极化SAR图像进行初始分类；5.通过迭代对训练集进行在线学习，用在线阶段学习到的模型对极化SAR图像进行最终分类。本发明能处理增量的训练数据，获得较高的分类精度，减少训练时间和内存消耗，可用于地物分类和目标识别。
基于在线序列极限学习机极化 sar 图像分类方法

[发明专利]基于GCNN-LSTM模型的ECG心律失常分类方法及系统-CN202310378857.6在审
发明人：王巍;丁辉;夏旭;吴浩;张迎 -专利权人：重庆邮电大学
申请日： 2023-04-10 - 公布日： 2023-06-30 - 主分类号： A61B5/318 文献下载
摘要：本发明请求保护一种基于GCNN‑LSTM模型的ECG心律失常分类方法及系统。心电信号预处理阶段对ECG信号进行噪声滤除、波段检测以及心拍分割；基于遗传算法的分类模型搭建阶段利用遗传算法在较小范围内搜寻优化CNN‑LSTM心律失常分类模型参数配置，其中遗传算法采用特定的选择和交叉策略来保证算法收敛于全局最优解；模型训练与评估阶段对分类模型进行训练与性能检验。本发明利用ECG信号进行心律失常类型判断，分类模型主要由CNN和LSTM构成，同时引入特定遗传策略的遗传算法优化模型参数配置。本发明解决了传统基于深度学习的心律失常分类算法模型难以快速设定最优参数配置的问题，而且在实现轻量级网络的同时具备高分类准确度、收敛速度快的优点。
基于 gcnn lstm 模型 ecg 心律失常分类方法系统