| 序号 | 专利名 | 申请号 | 申请日 | 公开（公告）号 | 公开（公告）日 | 发明人 |
|---|---|---|---|---|---|---|
| 361 | 机器人行为多层次集成学习方法及系统 | CN201110096582.4 | 2011-04-18 | CN102200787B | 2013-04-17 | 李军; 王斌; 任江洪; 黄毅卿 |
| 本发明公开了一种机器人行为多层次集成学习方法及系统，涉及机器人行为控制技术，包括数据采样模块，用于输入机器人的信息数据；非监督学习模块，获取用于表达机器人运行环境的实时变化的环境模式特征向量；监督学习模块，以环境模式特征向量为输入信号，实时在线地把环境模式特征向量映射为机器人所需行为的动作命令；激励学习模块，对机器人行为控制器参数进行实时在线优化精确整定，使控制器达到可靠和稳定的工作状态；命令输出模块，本发明提出的方法及系统可用于不同类型的机器人、具备学习新的机器人行为的能力和优化现有机器人行为以适应运行环境的动态变化，从而提高机器人的智能与自主控制能力、增强学习系统的普适性和简化控制器的设计。 | ||||||
| 362 | 一种基于集成学习的模式训练和识别方法 | CN201110303362.4 | 2011-09-30 | CN102521599A | 2012-06-27 | 唐胜; 韩淇; 张勇东; 李锦涛 |
| 本发明提供一种基于集成学习的模式训练和识别方法，该模式训练方法包括：1)对训练样本进行词典学习，生成冗余词典；2)利用所述冗余词典对所述训练样本进行稀疏编码，获得每个训练样本的稀疏编码系数；3)根据所述稀疏编码系数对所有训练样本进行稀疏子空间划分；4)对于每个稀疏子空间内的训练样本进行子模型训练，获得用于分类的子模型。本发明的上述模式训练和识别方法可以取得更高的识别性能，同时能显著提高训练效率和检测效率。 | ||||||
| 363 | 基于集成学习Bagging算法的变压器故障诊断方法 | CN201110129133.5 | 2011-05-18 | CN102289682A | 2011-12-21 | 徐茹枝; 王宇飞; 安睿; 耿啸风; 周凡雅 |
| 本发明公开了变压器故障诊断技术领域中的一种基于集成学习Bagging算法的变压器故障诊断方法。本发明选用球向量机作为Bagging算法的弱学习算法，并使用油中溶解气体分析技术作为数据采集方法，通过数据归一化、类别数值化等数据处理方法得到适用于球向量机的样本集；集成学习Bagging算法通过反复调用弱学习算法完成对样本集的训练得到强学习机H；利用强学习机H作为变压器故障诊断模型，以完成待诊断记录的故障判别。本发明在改善变压器故障诊断精度方面，有较好的适应性和较低的诊断误差。 | ||||||
| 364 | 基于集成学习的混合融合人脸识别方法 | CN201110220798.7 | 2011-08-03 | CN102262729A | 2011-11-30 | 史智臣; 张宏伟 |
| 本发明公开了一种基于集成学习的混合融合人脸识别方法，包括以下步骤：1.)输入待鉴定身份的人脸图像；2.)基于ART2人脸识别方法的鉴定，如果ART2网络系统有识别结果返回，则接收识别结果，鉴定成功；否则进入下一步骤；3.)基于特征脸识别方法的鉴定，设该方法的阈值为S，用该方法对人脸图像进行鉴定的得分为s，如果s＞S，则接收识别结果，鉴定成功；否则，进入后续的融合鉴定步骤；4.)融合鉴定，利用这两种单一的识别方法分别给出的相似度排序，对其识别结果进行比较，如果排序中的第一个相同，则接收识别结果，鉴定成功；否则，鉴定失败。本发明采用集成学习的思想，将ART2人脸识别方法和特征脸识别方法进行融合互补，克服了单一的人脸识别方法所存在的局限性，提高了整体识别性能。 | ||||||
| 365 | 具有集成元件学习能力的光学检测系统 | CN01816714.4 | 2001-09-24 | CN1571923A | 2005-01-26 | 埃里克L·奥尔德里奇; 理查德·派伊; 莱尔·舍伍德; 道格拉斯W·雷蒙德; 约翰·伯内特 |
| 本文公开一种自动光学检测(AOI)系统包括与电路板检测过程集成在一起的元件学习。AOI系统包括一个元件学习区，该元件学习区可以由一个用于在检测区中检测电路板的成像系统观看到。元件学习区对应于靠近检测区的区域。自动光学检测系统接收板检测和对元件学习的请求，并且决定在板检测过程中学习新元件特征的合适时期，以此将学习过程对整个检测效率的影响减到最小。 | ||||||
| 366 | 集成电路设计中的机器学习驱动的预测 | CN202080059912.X | 2020-09-08 | CN114303150B | 2025-04-25 | S·纳思; V·卡恩德尔瓦尔; S·昆杜; R·玛米迪 |
| 367 | 一种基于集成学习的VVC快速CU划分方法 | CN202411805040.3 | 2024-12-10 | CN119676436A | 2025-03-21 | 郭晓金; 蒲顺星; 刘成祥; 张延 |
| 本发明请求保护一种基于集成学习的VVC快速CU划分方法，属于视频编码领域，包括以下步骤：对于给定的编码单元(CU)进行初始化，从最深层次开始编码过程。然后进行特征提取：计算当前CU的特征属性值。再进行模型预测：载入预训练的集成学习分类器(i＝0,1,2)，并利用它对当前CU进行划分预测，之后进行决策处理。一旦当前CU的编码完成，移动到列表中的下一个CU并重复上述步骤。通过这一系列步骤，算法能够系统地对每个CU进行划分决策，以优化视频编码过程。本发明可用于VVC帧内编码配置下的编码，在几乎不降低编码效率和编码质量的情况下，显著减少VVC的编码时间，可应用于视频会议等对编码实时性要求较高的应用场景。 | ||||||
| 368 | 基于集成学习的鸟类鸣声智能识别方法及系统 | CN202510161870.5 | 2025-02-14 | CN119649824A | 2025-03-18 | 薛健峰; 牛志春; 陈高; 袁梦琳; 沈怡秀 |
| 本发明提出了基于集成学习的鸟类鸣声智能识别方法及系统，解决了现有单一深度学习模型在处理高噪声、低信噪比的音频数据时，识别精度不足；对长尾数据分布或数据量有限的鸟类物种表现尤为不理想等问题，其主要方法步骤包括：S1、收集并预处理鸟类鸣叫数据，以构建标准化鸟鸣数据库；S2、使用Bootstrap采样方案，对标准化鸟鸣数据库中的音频样本进行有放回的随机抽样，生成多个不同的独立子数据集；S3、对于每个子数据集，分别构建与训练一个独立的深度学习模型，包括模型配置、数据准备、模型训练以及模型调优；S4、基于Bagging集成学习策略，对多个模型的输出结果进行融合，生成最终的预测结果。 | ||||||
| 369 | 基于城市碳排量集成学习的城市绿色规划系统 | CN202411158502.7 | 2024-08-22 | CN119106946B | 2025-03-11 | 苗珍录; 沈景华; 邱东芹 |
| 本发明公开了基于城市碳排量集成学习的城市绿色规划系统，涉及城市碳排量规划技术领域，为了解决城市碳排量在集成学习过程中学习效果不佳的问题。本发明通过将标准化碳排量数据进行合理的数据集划分，得到训练集、验证集和测试集，这有助于模型在不同阶段进行有针对性的学习和评估，通过对验证集的学习率、批量大小、隐藏层数量、隐藏层节点数、正则化系数等超参数的优化，可以显著提升模型的性能，通过计算没有重叠区域的面积，可以客观地反映出城市规划碳排量与目标碳排量之间的差距大小，将阈值评估结果分为低风险排放、中风险排放和高风险排放，并对结果进行标注，有助于决策者根据不同的风险等级采取相应的措施。 | ||||||
| 370 | 一种基于集成学习的工业机器人回位方法 | CN202211543845.6 | 2022-12-03 | CN115847411B | 2025-03-11 | 侯龙潇; 李建普; 赵聪; 李晓鹏; 雷珊珊; 杨成林; 范宦潼; 白保坤; 谢沙沙; 王峰; 王同斐; 张艳吉; 张寅腾; 马少奇 |
| 本发明提出了一种基于集成学习的工业机器人回位方法。通过设计机器人回初始位路径，采集机器人位姿、工具类型等样本信息，结合k‑近邻算法和构造回初始位空间对位姿信息进行分类化处理，通过重构机器人特征信息的样本进行决策树模型的训练，最终使用决策树模型确定回初始位的路径并执行机器人回初始位程序，完成工业机器人自动回初始位的任务。 | ||||||
| 371 | 基于深度学习集成模型与AdaBoost的XSS攻击检测方法 | CN202411658062.1 | 2024-11-19 | CN119577782A | 2025-03-07 | 刘意先; 王璐; 代宇鹏; 倪烽; 要志伟; 姜丰; 王豪; 吴一凡 |
| 基于深度学习集成模型与AdaBoost的XSS攻击检测方法，包括以下步骤：步骤1，预处理；步骤2，构建深度学习集成模型；步骤3，用步骤2构建的深度学习集成模型进行检测；AdaBoost能够显著增强深度学习模型的分类能力，准确率达到99.49%，可更好的防御XSS攻击。 | ||||||
| 372 | 一种基于深度学习的集成电路特性检测系统 | CN202411664453.4 | 2024-11-20 | CN119150211B | 2025-03-04 | 张宏立; 阙正湘; 彭梁栋; 周正军 |
| 本发明涉及集成电路特性检测技术领域，提供了一种基于深度学习的集成电路特性检测系统；该系统通过数据采集模块获取电路特性数据，并在预处理阶段去除噪声和无关特征；利用基于GAN的动态卷积特征提取技术，系统能够自适应地生成卷积核，准确提取电路关键特征；结合LSTM模型对时间序列进行分析，捕捉电路中的动态变化；最后，通过HFCN模型和MI‑MDRE融合技术，实现多种特征的深度融合和决策优化；通过以上步骤，该系统显著提升了集成电路特性检测的精度、实时性和异常识别能力，为集成电路检测领域提供了高效可靠的技术方案。 | ||||||
| 373 | 基于集成学习的水合物沉积厚度预测方法 | CN202411421736.6 | 2024-10-12 | CN119357914A | 2025-01-24 | 吕晓方; 陈书楷; 柳扬; 李晓伟; 祝显强; 王传硕; 孙媛; 周诗岽; 李恩田 |
| 本发明涉及油气安全流动保障技术领域，尤其涉及基于集成学习的水合物沉积厚度预测方法，包括获取管道水合物特征参数，并进行相关性分析和预处理；构建基于XGBoost、随机森林和梯度提升回归树的堆叠模型，将特征参数输入堆叠模型，利用贝叶斯优化堆叠模型的各权重值，利用元学习器作为预测输出；利用评估指标对堆叠模型进行评估。本发明解决现有数值模拟方法进行水合物沉积厚度预测时存在精度和效率问题。 | ||||||
| 374 | 一种基于混合遗传集成学习的风险IP识别方法 | CN202411815914.3 | 2024-12-11 | CN119293659A | 2025-01-10 | 杨永祥; 李国航; 金学煜; 李会娟 |
| 本发明公开了一种基于混合遗传集成学习的风险IP识别方法，涉及风险IP识别领域，包括获取未标记的风险IP数据，使用历史情报中的数据对未标记的风险数据进行标记，最终构建一个多源数据仓库；利用多源数据仓库进行训练，得到对新的IP数据进行分类预测的若干个基分类器；采用改进的遗传算法对各个基分类器进行筛选；使用保留下来的基分类器构建的集成模型对新的IP数据进行分类。本发明对传统遗传算法中的交叉、变异等算子进行改进，引入了模拟退火和自适应运算，提高了算法在求解最优解过程中的速度和效率。基于选择性集成思想，通过优化算法最优解中的权重因子，选择并集成基分类器，建立了选择性集成算法模型增强了模型的性能。 | ||||||
| 375 | 一种基于集成学习的RNA中2OM位点预测方法 | CN202411248190.9 | 2024-09-06 | CN119207581A | 2024-12-27 | 窦欣雨; 彭伟; 赵子涵; 魏卓宇; 祝小雷 |
| 本发明公开了一种基于集成学习的RNA中2OM位点预测方法，属于生物信息学技术领域。本发明针对RNA序列特性，对Promoter‑BERT模型进行特定任务的微调，使其能够更有效地捕捉特定任务中RNA序列的复杂模式，从而获取高质量的生物学特征表示；采用ANOVA技术对提取的特征进行选择，剔除冗余特征，保留最具影响力的特征，此外，结合传统的序列特征与通过Word2Vec模型得到的嵌入特征，以增强模型的表达能力；结合轻量级梯度提升机与深度学习模型的预测结果，通过软投票机制形成最终的预测模型，这种集成方法不仅提高了模型的泛化能力，还增加了预测的稳定性。 | ||||||
| 376 | 基于集成学习的康复下肢外骨骼脑电解码方法 | CN202411282115.4 | 2023-10-20 | CN119202894A | 2024-12-27 | 陈伟海; 张静; 张越; 王建华; 裴忠才 |
| 本发明公开了一种基于集成学习的康复下肢外骨骼脑电解码方法，涉及脑电解码技术领域，包括：通过脑电设备获取使用者运动皮层的EEG信号；对EEG信号进行浅层处理，得到第一类特征；构建EEG信号的深层处理网络模型，对EEG信号进行深层处理，得到第二类特征；将第一类特征和第二类特征合并，并训练分类器，解码出EEG信号的运动意图；根据解码出的运动意图对使用者进行视觉反馈，之后在下肢外骨骼设备执行解码后的运动，得到本体感觉反馈。本发明将浅层和深层神经网络结合起来，以提升下肢运动意向的性能，在下肢外骨骼设备上进行连续的运动想象实验，并采集连续的EEG脑电信号，设计了在线视觉和本体感觉反馈的实验范式。 | ||||||
| 377 | 一种基于深度学习的集成化污水处理装置 | CN202210278036.0 | 2022-03-21 | CN114506981B | 2024-12-27 | 周小凯; 霍承昕; 张开元; 张昊; 姜怡杰; 石鼎; 邓迎; 李佳益; 陈悦琳; 李嘉宾 |
| 本发明属于污水处理装置技术领域，具体涉及一种基于深度学习的集成化污水处理装置，包括检测室、试剂盒、电极室、共生室、过滤室，所述试剂盒设置在检测室内，所述电极室与共生室相连通，所述检测室通过管路与电极室连接，所述共生室通过管路与过滤室连接，所述过滤室通过管路与电极室连接。本发明根据不同污染物的处理方式和多维度条件将污染物分成大组和小组，寻找该对应处理小组的最适电流密度、pH浓度、H2O2浓度和PMS浓度，通过试剂盒和可变电源对传统化学电极、生物化学电极电压的调节，对污水中每一小组的污染物进行精准和高效处理。 | ||||||
| 378 | 一种基于区块链的分布式集成学习方法 | CN202411256074.1 | 2024-09-09 | CN119129774A | 2024-12-13 | 凌昕彤; 崔自翔; 陆彦; 王家恒; 高西奇 |
| 本发明公开了一种基于区块链的分布式集成学习方法，基于所设计的由迷你块、集成块与关键块组成的三层区块链结构，通过共识协议使网络中的矿工在有放回抽样后的训练集上训练基模型，聚合来自其他矿工的模型，最后将基模型与集成模型的信息记录在区块链中，从而将模型训练、模型集成、模型评估全过程融合到区块链共识中，使整个集成学习过程在区块链网络中自动执行。由此，本发明能够提高基于机器学习的有用工作量证明机制对区块链网络中算力的利用率，同时避免在模型聚合过程中引入中心节点，最大化区块链的去中心化程度。 | ||||||
| 379 | 一种基于集成学习的消化道内镜检查辅助系统 | CN202310041105.0 | 2023-01-12 | CN115965617B | 2024-12-10 | 范姗慧; 赖劲涛; 魏凯华; 厉力华; 韦尚光 |
| 本发明公开了一种基于集成学习的消化道内镜检查辅助系统；该系统包括数据获取模块、识别模块、预警模块和图像采集控制模块。数据获取模块连接至内镜检查设备，实时接收内镜检查设备采集的消化道图像，并将消化道图像输送至识别模块。识别模块通过异常分析模型实时判断消化道图像中是否存在疑似目标。预警模块用于在识别模块检测到疑似目标时发出预警信号，使得内镜检查设备增加发现疑似目标的区域的图像采集数量。本发明在内镜检查设备采集消化道图像的同时，对所得消化道图像进行实时分析，从而增加消化道中存在异常风险较高的区域的图像采集数量，提高了内镜检查设备采集图像的针对性，有助于提高医生对消化道图像的分析效率。 | ||||||
| 380 | 基于集成学习的放射影像多病种联合诊断系统 | CN202411085357.4 | 2024-08-08 | CN119006409A | 2024-11-22 | 窦允龙 |
| 本发明涉及基于集成学习的放射影像多病种联合诊断系统。首先利用深度学习模型提取多模态影像数据中的高维特征，并结合传统图像处理方法提取低维特征，采用特征选择算法筛选出重要特征，通过降维技术对高维特征进行处理；然后设计多种基础分类器，针对单一病种进行初步诊断；采用Bagging方法集成多个基础分类器以减少模型的方差，并使用Boosting方法增强弱分类器的性能；结合Stacking策略通过构建元分类器融合多种基础分类器的预测结果；最后通过图神经网络分析不同病种间的关联性，构建病种关系图，设计联合诊断模型综合考虑多种病种的特征和关联性，并采用多任务学习方法训练多个病种的诊断模型，分享特征表示，设计自适应权重调整机制。 | ||||||
QQ群二维码
意见反馈
意见反馈