一种信号分类的方法和设备
阅读：210发布：2020-05-12
专利汇可以提供一种信号分类的方法和设备专利检索，专利查询，专利分析的服务。并且本 发明 实施例 提出了一种 信号 分类的方法和设备，该方法包括：获取 生物 组织 的太赫兹时域信号；对所述太赫兹时域信号进行处理，得到小波熵和小波 能量 特征；基于所述小波能量和所述小波熵构造 特征向量 ；对所述特征向量进行 降维 处理，并将降维处理后的特征向量输入预设的 机器学习 分类器中进行识别，以基于得到的识别分类结果实现对所述太赫兹时域信号的识别分类。通过对太赫兹时域信号进行 小波变换 ，基于小波能量与熵构造特征向量，在考虑能量信息的同时将复杂度这一重要信息引入到特征向量中，丰富了特征向量所携带的样品信息；且通过对特征向量进行降维处理，提高了分类识别速度。，下面是一种信号分类的方法和设备专利的具体信息内容。
1.一种信号分类的方法，其特征在于，包括：
获取生物组织的太赫兹时域信号；
对所述太赫兹时域信号进行处理，得到小波熵和小波能量；
基于所述小波能量和所述小波熵构造特征向量；
对所述特征向量进行降维处理，并将降维处理后的特征向量输入预设的机器学习分类器中进行识别，以基于得到的识别分类结果实现对所述太赫兹时域信号的识别分类。
2.如权利要求1所述的一种信号分类的方法，其特征在于，所述获取生物组织的太赫兹时域信号，包括：
基于透射式太赫兹时域波谱系统测量生物组织得到太赫兹时域信号；或
基于反射式太赫兹时域波谱系统测量生物组织得到太赫兹时域信号；或
基于衰减全反射太赫兹时域波谱系统测量生物组织得到太赫兹时域信号。
3.如权利要求1所述的一种信号分类的方法，其特征在于，所述对所述太赫兹时域信号进行处理，得到小波熵和小波能量，包括：
对所述太赫兹时域信号进行小波变换，得到小波熵和小波能量；或
对所述太赫兹时域信号进行小波包变换，得到小波熵和小波能量；或
对所述太赫兹时域信号进行感知小波包变换，得到小波熵和小波能量。
4.如权利要求1或3所述的一种信号分类的方法，其特征在于，所述小波熵为香农熵、或必然熵、或对数能量熵；
所述小波能量为归一化或未归一化的能量参数。
5.如权利要求1所述的一种信号分类的方法，其特征在于，所述基于所述小波能量和所述小波熵构造特征向量，包括：
基于所述小波能量和所述小波熵的比值构造特征向量；或者
通过联合所述小波能量和所述小波熵的特征构造特征向量。
6.如权利要求1所述的一种信号分类的方法，其特征在于，所述对所述特征向量进行降维处理，包括：
通过主成分分析法对所述特征向量进行降维；或
通过奇异值分解法对所述特征向量进行降维；或
通过线性判别分析对所述特征向量进行降维；或
通过局部线性嵌入对所述特征向量进行降维；或
通过拉普拉斯特征映射对所述特征向量进行降维。
7.如权利要求1所述的一种信号分类的方法，其特征在于，所述机器学习分类器包括支持向量机、或K最近邻、或决策树、或人工神经网络、或深度学习网络、或极限学习机、或集成学习分类器。
8.如权利要求1所述的一种信号分类的方法，其特征在于，还包括：
对所述太赫兹时域信号进行划分，分为第一部分和第二部分；
通过第二部分的所述太赫兹时域信号训练所述机器学习分类器；
所述对所述太赫兹时域信号进行处理，得到小波熵和小波能量，包括：
对第一部分的所述太赫兹时域信号进行处理，得到小波熵和小波能量。
9.一种信号分类的设备，其特征在于，包括：
获取模块，用于获取生物组织的太赫兹时域信号；
处理模块，用于对所述太赫兹时域信号进行处理，得到小波熵和小波能量；
构造模块，用于基于所述小波能量和所述小波熵构造特征向量；
识别模块，用于对所述特征向量进行降维处理，并将降维处理后的特征向量输入预设的机器学习分类器中进行识别，以基于得到的识别分类结果实现对所述太赫兹时域信号的识别分类。
10.如权利要求9所述的一种信号分类的设备，其特征在于，所述获取模块，用于：
基于透射式太赫兹时域波谱系统测量生物组织得到太赫兹时域信号；或
基于反射式太赫兹时域波谱系统测量生物组织得到太赫兹时域信号；或
基于衰减全反射太赫兹时域波谱系统测量生物组织得到太赫兹时域信号。
一种信号分类的方法和设备
技术领域
背景技术
[0002] 太赫兹波(频率从0.1THz到10THz的电磁波)光子能量低，频谱覆盖多种生物大分子的振动和转动能级，太赫兹波谱检测技术在研究生物大分子特性和医学检测等方面具有广阔的应用前景。尤其是对于生物组织样品的太赫兹波谱检测和成像应用，其设备相对磁共振成像和计算机断层扫描成像等，简便快速，可用于医学手术的实时导航，越来越多地引起研究人员关注。
[0003] 目前，太赫兹波谱和成像已用于乳腺癌组织、胃癌组织、脑胶质瘤等多种生物组织样品的性质研究和成像识别中，通常是基于太赫兹时域信号的最大值、最小值或峰峰值，或者基于对信号进行傅里叶变换后的频谱中某一个频率点的幅度值，或者基于与参考太赫兹信号进行比对计算后得出的某一个频率点的吸收系数或折射率的大小，来区分不同的组织成分和辅助辨析病变组织和正常组织。进一步，基于上述太赫兹信号特征指标，近期，多种人工智能分析方法，如支持向量机(Support Vector Machine，SVM)，K最近邻(k-Nearest Neighbor，KNN)算法等，也被引入到生物组织样品的太赫兹信号分类识别应用中。
[0004] 但是与在太赫兹波段具有典型吸收峰的生物大分子不同，生物组织在太赫兹波段没有显著的特征吸收峰，在基于上述时域指标或者傅里叶变换后的频域指标进行分类识别时，不同组织尤其是病变组织样品和正常组织样品之间的对比度有待进一步显著提高。并且已有的方法往往仅利用了某一个时间点或者频率点下的信息，整个太赫兹信号的利用率和相应的区分度有待进一步提高。
[0005] 为进一步对不同生物组织样品太赫兹信号进行有效区分，研究人员也提出了一些优化方法。2017年Park等人提出了频域积分的方法对转移性淋巴结进行了有效识别，2018年Cao等人提出了一种太赫兹吸收系数谱分离的方法对肿瘤组织进行识别，2019年Huang等人基于最大信息系数，利用随机森林等算法对不同程度肝损伤进行了自动识别。
[0006] 但是目前的生物组织太赫兹信号分类方法，大都基于太赫兹时域信号幅度或者傅里叶变换后的频域能量，而吸收系数和折射率等频域指标也需要进行两次测量并与参考信号进行比对计算后才能得到。同时，作为生物信号的复杂度特征-熵值这一关键信息，没有被用来作为分类识别的指标。
发明内容
[0007] 针对现有技术中的缺陷，本发明提出了一种信号分类的方法和设备，通过对太赫兹时域信号进行小波变换，基于小波能量与熵构造特征向量，在考虑能量信息的同时将复杂度这一重要信息引入到特征向量中，丰富了特征向量所携带的样品信息；且通过对特征向量进行降维处理，提高了分类识别速度。
[0008] 具体的，本发明提出了以下具体的实施例：
[0009] 本发明实施例提出了一种信号分类的方法，包括：
[0010] 获取生物组织的太赫兹时域信号；
[0011] 对所述太赫兹时域信号进行处理，得到小波熵和小波能量；
[0012] 基于所述小波能量和所述小波熵构造特征向量；
[0013] 对所述特征向量进行降维处理，并将降维处理后的特征向量输入预设的机器学习分类器中进行识别，以基于得到的识别分类结果实现对所述太赫兹时域信号的识别分类。
[0014] 在一个具体的实施例中，所述获取生物组织的太赫兹时域信号，包括：
[0015] 基于透射式太赫兹时域波谱系统测量生物组织得到太赫兹时域信号；或[0016] 基于反射式太赫兹时域波谱系统测量生物组织得到太赫兹时域信号；或[0017] 基于衰减全反射太赫兹时域波谱系统测量生物组织得到太赫兹时域信号。
[0018] 在一个具体的实施例中，所述对所述太赫兹时域信号进行处理，得到小波熵和小波能量，包括：
[0019] 对所述太赫兹时域信号进行小波变换，得到小波熵和小波能量；或[0020] 对所述太赫兹时域信号进行小波包变换，得到小波熵和小波能量；或[0021] 对所述太赫兹时域信号进行感知小波包变换，得到小波熵和小波能量。
[0022] 在一个具体的实施例中，所述小波熵为香农熵、或必然熵、或对数能量熵；
[0023] 所述小波能量为归一化或未归一化的能量参数。
[0024] 在一个具体的实施例中，所述基于所述小波能量和所述小波熵构造特征向量，包括：
[0025] 基于所述小波能量和所述小波熵的比值构造特征向量；或者
[0026] 通过联合所述小波能量和所述小波熵的特征构造特征向量。
[0027] 在一个具体的实施例中，所述对所述特征向量进行降维处理，包括：
[0028] 通过主成分分析法对所述特征向量进行降维；或
[0029] 通过奇异值分解法对所述特征向量进行降维；或
[0030] 通过线性判别分析对所述特征向量进行降维；或
[0031] 通过局部线性嵌入对所述特征向量进行降维；或
[0032] 通过拉普拉斯特征映射对所述特征向量进行降维。
[0034] 在一个具体的实施例中，还包括：
[0035] 对所述太赫兹时域信号进行划分，分为第一部分和第二部分；
[0036] 通过第二部分的所述太赫兹时域信号训练所述机器学习分类器；
[0037] 所述对所述太赫兹时域信号进行处理，得到小波熵和小波能量，包括：
[0038] 对第一部分的所述太赫兹时域信号进行处理，得到小波熵和小波能量。
[0039] 本发明实施例还提出了一种信号分类的设备，包括：
[0040] 获取模块，用于获取生物组织的太赫兹时域信号；
[0041] 处理模块，用于对所述太赫兹时域信号进行处理，得到小波熵和小波能量；
[0042] 构造模块，用于基于所述小波能量和所述小波熵构造特征向量；
[0043] 识别模块，用于对所述特征向量进行降维处理，并将降维处理后的特征向量输入预设的机器学习分类器中进行识别，以基于得到的识别分类结果实现对所述太赫兹时域信号的识别分类。
[0044] 在一个具体的实施例中，所述获取模块，用于：
[0045] 基于透射式太赫兹时域波谱系统测量生物组织得到太赫兹时域信号；或[0046] 基于反射式太赫兹时域波谱系统测量生物组织得到太赫兹时域信号；或[0047] 基于衰减全反射太赫兹时域波谱系统测量生物组织得到太赫兹时域信号。
[0048] 以此，本发明实施例提出了一种信号分类的方法和设备，该方法包括：获取生物组织的太赫兹时域信号；对所述太赫兹时域信号进行处理，得到小波熵和小波能量；基于所述小波能量和所述小波熵构造特征向量；对所述特征向量进行降维处理，并将降维处理后的特征向量输入预设的机器学习分类器中进行识别，以基于得到的识别分类结果实现对所述太赫兹时域信号的识别分类。通过对太赫兹时域信号进行小波变换，基于小波能量与熵构造特征向量，在考虑能量信息同时将复杂度这一重要信息引入到特征向量中，丰富了特征向量所携带的样品信息；且通过对特征向量进行降维处理，提高了分类识别速度。附图说明
[0049] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0050] 图1为本发明实施例提出的一种信号分类的方法的流程示意图；
[0052] 图3为本发明实施例提出的一种信号分类的方法中对肿瘤组织进行分类识别的ROC曲线和相应的准确度、敏感度和特异度结果的示意图；
[0053] 图4为本发明实施例提出的一种信号分类的设备的结构示意图。
具体实施方式
[0054] 在下文中，将更全面地描述本公开的各种实施例。本公开可具有各种实施例，并且可在其中做出调整和改变。然而，应理解：不存在将本公开的各种实施例限于在此公开的特定实施例的意图，而是应将本公开理解为涵盖落入本公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。
[0055] 在本公开的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本公开的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本公开的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本公开的各种实施例中被清楚地限定。
[0056] 实施例1
[0057] 本发明实施例1公开了一种信号分类的方法，如图1所示，包括以下步骤：
[0058] 步骤101、获取生物组织的太赫兹时域信号；
[0059] 具体的，步骤101中的所述获取生物组织的太赫兹时域信号，包括：
[0060] 基于透射式太赫兹时域波谱系统测量生物组织得到太赫兹时域信号；或[0061] 基于反射式太赫兹时域波谱系统测量生物组织得到太赫兹时域信号；或[0062] 基于衰减全反射太赫兹时域波谱系统测量生物组织得到太赫兹时域信号。
[0063] 步骤102、对所述太赫兹时域信号进行处理，得到小波熵和小波能量；
[0064] 具体的，步骤102中的所述对所述太赫兹时域信号进行处理，得到小波熵和小波能量，包括：
[0065] 对所述太赫兹时域信号进行小波变换，得到小波熵和小波能量；或[0066] 对所述太赫兹时域信号进行小波包变换，得到小波熵和小波能量；或[0067] 对所述太赫兹时域信号进行感知小波包变换，得到小波熵和小波能量。
[0068] 具体的，对信号进行的处理，可以是小波变换(wavelet transform，WT)，或是小波包变换(wavelet packet transform，WPT)，或是感知小波包变换(perceptual wavelet packet transform，PWPT)等各种小波信号处理方法，并不限于上述的3种方法，具体的只要能对太赫兹时域信号进行处理得到小波熵和小波能量即可。
[0069] 在一个具体的实施例中，所述小波熵为香农熵(shannon entropy)、或必然熵(sure entropy)、或对数能量熵(log-energy entropy)；具体的，也并不限于以上的这几种具体的实施例，只要能表征复杂度信息的小波熵就都可以。
[0070] 步骤103、基于所述小波能量和所述小波熵构造特征向量；
[0071] 具体的，步骤103中所述基于所述小波能量和所述小波熵构造特征向量，包括：
[0072] 基于所述小波能量和所述小波熵的比值构造特征向量；或者
[0073] 通过联合所述小波能量和所述小波熵的特征构造特征向量。
[0074] 步骤104、对所述特征向量进行降维处理，并将降维处理后的特征向量输入预设的机器学习分类器中进行识别，以基于得到的识别分类结果实现对所述太赫兹时域信号的识别分类。
[0075] 具体的，步骤103中的所述对所述特征向量进行降维处理，包括：
[0076] 通过主成分分析法对所述特征向量进行降维；或
[0077] 通过奇异值分解法对所述特征向量进行降维；或
[0078] 通过线性判别分析对所述特征向量进行降维；或
[0079] 通过局部线性嵌入对所述特征向量进行降维；或
[0080] 通过拉普拉斯特征映射对所述特征向量进行降维。
[0081] 具体的，降维处理，可以采用主成分分析(principal component analysis，PCA)、奇异值分解(Singular Value Decomposition，SVD)、线性判别分析(linear discriminant analysis,LDA)、局部线性嵌入、拉普拉斯特征映射等各种适用于特征向量降维处理的方法[0082] 在一个具体的实施例中，所述机器学习分类器包括支持向量机、或K最近邻、或决策树、或人工神经网络、或深度学习网络、或极限学习机、或集成学习分类器。
[0083] 具体的，机器学习分类器，包括支持向量机(Support Vector Machine，SVM)、K最近邻(k-Nearest Neighbor，KNN)、决策树(Decision tree，DT)、人工神经网络、深度学习网络、极限学习机、集成学习分类器等各种机器学习分类器，具体的机器学习分类器可以通过训练集对其具体参数进行优化选择。
[0084] 此外，该方法还包括：
[0085] 对所述太赫兹时域信号进行划分，分为第一部分和第二部分；
[0086] 通过第二部分的所述太赫兹时域信号训练所述机器学习分类器；
[0087] 具体的训练，也需要将第二部分的所述太赫兹时域信号执行上述步骤101到步骤104，具体的基于第二部分的所述太赫兹时域信号获取到小波熵和小波能量参数；在通过小波能量与熵(例如利用两者的比值)构造特征向量；继而对特征向量进行降维处理，后面将降维处理的特征向量输入到机器学习分类器中进行参数选择和优化。
[0088] 所述对所述太赫兹时域信号进行处理，得到小波熵和小波能量，包括：
[0089] 对第一部分的所述太赫兹时域信号进行处理，得到小波熵和小波能量。
[0090] 本方案与目前已有方法不同，采用小波变换对太赫兹时域信号进行分析，小波变换具有多尺度分辨率的优点，特别适合于非平稳信号的分析。基于小波能量与小波熵构造特征向量，在考虑能量信息的同时，也把信号复杂度这一关键信息引入到生物组织太赫兹时域信号分类中，且可以进一步结合主成分分析和机器学习算法，实现对不同生物组织样品进行有效识别。
[0091] 在此，以一个具体的例子来对本申请的方法来进行说明：
[0092] 具体的，在该例子中，采用透射式太赫兹时域波谱系统对多个乳腺纤维组织和肿瘤组织样品进行太赫兹时域信号采集，样品形式为石蜡包埋的组织蜡块，不同样品的厚度基本一致(～2mm)，总共采集得到97个纤维组织样品太赫兹时域信号和100个肿瘤组织样品太赫兹时域信号，其中50个纤维组织太赫兹时域信号和50个肿瘤组织太赫兹时域信号用来训练和优化机器学习分类器，剩余的生物组织太赫兹时域信号用来进行分类识别评估。
[0093] 具体的，采用小波包变换(wavelet packet transform，WPT)对太赫兹时域信号进行处理，小波包变换包括两个递归的带通滤波器过程，计算方法如下：
[0094]
[0095] 其中，T(l)表示待处理的太赫兹时域信号，J表示小波包变换的最大分解层数，h(·)和g(·)分别表示低通和高通滤波器， 表示在分解层数为j时，对应的第p个子带信号， 是 的低频部分, 是 的高频部分。
[0096] 对于每个子带信号，通过香农熵(shannon entropy)用来表征复杂度，H(c)的具体计算流程如下：
[0097]
[0098]
[0099] 其中，I是子带信号c的长度。
[0100] 对于每个子带信号，归一化小波能量E(c)计算流程如下:
[0101]
[0102] 进一步，基于归一化小波能量与香农熵的比值(energy to Shannon entropy ratio，ESR)构造特征向量：
[0103]
[0104] 本实施例中，采用多贝西母小波(Daubechies wavelet，db1)和最大分解层数为10，总共有1024的小波子带信号。
[0105] 附图2是纤维组织和肿瘤组织样品的太赫兹时域信号的结果和相应的ESR计算结果，虽然两种组织的太赫兹时域信号幅度差异较小，但是两种组织的ESR存在着显著的差别，表明本发明所提出特征向量指标的可行性和有效性。进一步，利用主成分分析(principal component analysis，PCA)方法对特征向量进行降维处理，本实施例采用前10个主成分信息进行分类识别。
[0106] 通过训练集对分类器进行参数选择和优化，本实施例采用K最近邻(k-Nearest Neighbor，KNN)分类器，对纤维组织和肿瘤组织的太赫兹信号分类识别结果如附图3所示，受试者工作特征曲线(receiver operating characteristic，ROC)和曲线下面积(AUC)表明本方法可对两种组织样品进行有效分类识别，相应的准确度、敏感度和特异性结果也表明本方法可以高准确率、低误诊率、低漏诊率的对肿瘤组织进行识别诊断。
[0107] 本发明采用小波变换对太赫兹时域信号进行分析，小波变换具有多尺度分辨率的优点，特别适合于非平稳信号的分析。基于小波能量与小波熵构造特征向量，与以往方法采用太赫兹时域信号幅度或者傅里叶变换后的频域能量等指标不同，在考虑能量信息的同时，也把复杂度这一生物样品的关键信息引入到生物组织太赫兹时域信号分类中，丰富了特征向量所携带的样品信息。并且本方法只需对样品进行一次太赫兹测量，避免了吸收系数和折射率等频域指标需要进行两次测量并与参考信号进行比对计算的繁琐过程，提高了效率，且进一步结合特征向量的降维算法和机器学习分类器，可对不同生物组织样品进行高效识别。
[0108] 实施例3
[0109] 为了对本申请方案进行进一步的说明，本发明实施例2还公开了一种信号分类的设备，如图4所示，包括：
[0110] 获取模块201，用于获取生物组织的太赫兹时域信号；
[0111] 处理模块202，用于对所述太赫兹时域信号进行处理，得到小波熵和小波能量；
[0112] 构造模块203，用于基于所述小波能量和所述小波熵构造特征向量；
[0113] 识别模块204，用于对所述特征向量进行降维处理，并将降维处理后的特征向量输入预设的机器学习分类器中进行识别，以基于得到的识别分类结果实现对所述太赫兹时域信号的识别分类。
[0114] 在一个具体的实施例中，所述获取模块201，用于：
[0115] 基于透射式太赫兹时域波谱系统测量生物组织得到太赫兹时域信号；或[0116] 基于反射式太赫兹时域波谱系统测量生物组织得到太赫兹时域信号；或[0117] 基于衰减全反射太赫兹时域波谱系统测量生物组织得到太赫兹时域信号。
[0118] 在一个具体的实施例中，所述处理模块202，用于：
[0119] 对所述太赫兹时域信号进行小波变换，得到小波熵和小波能量；或[0120] 对所述太赫兹时域信号进行小波包变换，得到小波熵和小波能量；或[0121] 对所述太赫兹时域信号进行感知小波包变换，得到小波熵和小波能量。
[0122] 在一个具体的实施例中，所述小波熵为香农熵、或必然熵、或对数能量熵；
[0123] 所述小波能量为归一化或未归一化的能量参数。
[0124] 在一个具体的实施例中，所述构造模块203，用于
[0125] 基于所述小波能量和所述小波熵的比值构造特征向量；或者
[0126] 通过联合所述小波能量和所述小波熵的特征构造特征向量。
[0127] 在一个具体的实施例中，所述识别模块204对所述特征向量进行降维处理，包括：
[0128] 通过主成分分析法对所述特征向量进行降维；或
[0129] 通过奇异值分解法对所述特征向量进行降维；或
[0130] 通过线性判别分析对所述特征向量进行降维；或
[0131] 通过局部线性嵌入对所述特征向量进行降维；或
[0132] 通过拉普拉斯特征映射对所述特征向量进行降维。
[0133] 在一个具体的实施例中，所述机器学习分类器包括支持向量机、或K最近邻、或决策树、或人工神经网络、或深度学习网络、或极限学习机、或集成学习分类器。
[0134] 在一个具体的实施例中，还包括学习模块，用于：
[0135] 对所述太赫兹时域信号进行划分，分为第一部分和第二部分；
[0136] 通过第二部分的所述太赫兹时域信号训练所述机器学习分类器；
[0137] 在此情况下，所述处理模块202，用于：
[0138] 对第一部分的所述太赫兹时域信号进行处理，得到小波熵和小波能量。
[0139] 以此，本发明实施例提出了一种信号分类的方法和设备，该方法包括：获取生物组织的太赫兹时域信号；对所述太赫兹时域信号进行处理，得到小波熵和小波能量；基于所述小波能量和所述小波熵构造特征向量；对所述特征向量进行降维处理，并将降维处理后的特征向量输入预设的机器学习分类器中进行识别，以基于得到的识别分类结果实现对所述太赫兹时域信号的识别分类。通过对太赫兹时域信号进行小波变换，基于小波能量与熵构造特征向量，在考虑能量信息的同时将复杂度这一重要信息引入到特征向量中，丰富了特征向量所携带的样品信息；且通过对特征向量进行降维处理，提高了分类识别速度。
[0140] 本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
[0141] 本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0142] 上述本发明序号仅仅为了描述，不代表实施场景的优劣。
[0143] 以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 用于矫正诊断的牙科影像分析方法及利用其的装置 | 2020-05-08 | 732 |
| 一种传感元件与忆阻器结合的多模态智能传感器 | 2020-05-11 | 508 |
| 一种智慧园区多能协同供电方法及其系统、终端设备 | 2020-05-14 | 469 |
| 基于人工神经网络的电力工程造价预测模型 | 2020-05-14 | 704 |
| 用于求取车辆的车灯的状态的方法和设备 | 2020-05-08 | 170 |
| 片上网络处理系统和片上网络数据处理方法 | 2020-05-11 | 897 |
| 一种基于神经网络的往复式压缩机故障诊断方法 | 2020-05-12 | 551 |
| 一种复合材料异形壳的纤维路径与几何形状一体化设计方法 | 2020-05-12 | 399 |
| 数据流重构方法及可重构数据流处理器 | 2020-05-08 | 793 |
| 用于人工智能的并行神经处理器 | 2020-05-11 | 249 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈