【CN109816030A】一种基于受限玻尔兹曼机的图像分类方法及装置【专利】
【CN109857040A】一种空间绘图装置及方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910229137.7(22)申请日 2019.03.25(71)申请人 哈尔滨工程大学地址 150001 黑龙江省哈尔滨市南岗区南通大街145号哈尔滨工程大学科技处知识产权办公室(72)发明人 程建华 李昕达 刁攀 黄子豪 董博韬 叶玮雯 南方伯 孙蓉 聂简 耿昊 黄玥蕾 (51)Int.Cl.G05B 19/042(2006.01)G06F 3/01(2006.01)G09B 5/02(2006.01)(54)发明名称一种空间绘图装置及方法(57)摘要本发明公开了一种空间绘图装置及方法，属于演示与教学设备领域；使用者首先通过功能选择模块8选择要绘制的形状的种类；然后由惯性器件1测量设备移动数据并传输给嵌入式单片机2；嵌入式单片机2对数据进行处理得到绝对位置与角度信息，然后将信息通过硬件侧无线通信模块3与软件侧无线通信模块5传输给计算模块6；然后通过计算模块6计算，由图形显示模块7将惯性器件1测量得并处理后的数据展示给使用者和被展示着；本发明提供了一种高用户友好性，结构简单，成本低的空间绘图解决方案，同时本发明还具有结构小巧，便于手持使用的优点。
权利要求书1页 说明书4页 附图2页CN 109857040 A 2019.06.07C N 109857040A权 利 要 求 书1/1页CN 109857040 A1.一种空间绘图装置,其特征在于，包含软件部分与硬件部分；所述软件部分与硬件部分通过无线连接。
2.根据权利要求1所述的一种空间绘图装置，其特征在于，所述硬件部分包含惯性器件(1)、嵌入式单片机(2)、硬件侧无线通信模块(3)与电源模块(4)；所述惯性器件(1)通过电路与嵌入式单片机(2)相连，然后嵌入式单片机(2)与硬件侧无线通信模块(3)连接；电源模块(4)分别连接惯性器件、嵌入式单片机(2)与硬件侧无线通信模块(3)。
【CN109829481A】一种图像分类方法装置电子设备及可读存储介质【专利】
计算特征矩阵V(r+t-l)×p，
其中，
2
CN 109829481 A
权 利 要 求 书
2/4 页
Um×n表示对As×t分解后得到的基矩阵 ，aij表示Um×n中第i行第j列的元素 ； n和p是预先设置的正整数，且p是n的整数倍； m＝s×n/p，q＝t；
3
CN 109829481 A
(74)专利代理机构 北京柏杉松知识产权代理事 务所(普通合伙) 11413
代理人 丁芸 项京
(51)Int .Cl . G06K 9/62(2006 .01)
(10)申请公布号 CN 109829481 A (43)申请公布日 2019.05.31
( 54 )发明 名称 一 种图 像分类方法 、装置 、电 子设备 及可 读
表示左半张量积； 表示张量积。 4 .根据权利要求1所述的图像分类方法，其特征在于，所述对所述灰度矩阵进行归一化 处理，包括： 若所述灰度矩阵中元素的最大值为z，将所述灰度矩阵中的每个元素除以z。 5 .一种图像分类装置，其特征在于，所述装置包括： 图 像矩阵 建立模块 ，用于对所获取的 各样本图 像进行灰度化处理 ，得到所述各样本图 像的灰度图像 ，将各灰度图像表示为二维图像矩阵 ，得到各二维图像矩阵 ；所述各样本图像 包括：各训练图像和各待分类图像； 归一化灰 度矩阵 建立模块 ，用于分 别将所述各二维图 像矩阵 表示为一维向 量 ，将得到 的各一维向量作为灰度矩阵的各列 ，建立所述灰度矩阵 ，对所述灰度矩阵进行归一化处理 ， 得到归一化灰度矩阵 ； 特征矩阵计算模块，用于根据预先建立的标签约束矩阵和基于半张量积的非负矩阵分 解算法 ，对所述归一化灰度矩阵进行特征提取 ，得到所述归一化灰度矩阵对应的特征矩阵 ， 所述标签约束矩阵是根据所述各样本图像包含的标签信息确定的 ； 图像分类模块，用于将所述标签约束矩阵和所述特征矩阵的乘积的转置作为混合特征 矩阵 ，将所述混合特征矩阵中所述各待分类图像对应的特征输入预先建立的图像分类模 型 ，得到所述各待分类图 像的分类结果 ，所述图 像分类模型是对所述混合特征矩阵中所述 各训练图像对应的特征、以及所述各训练图像对应的图像类别进行训练得到的。 6 .根据权利要求5所述的图像分类装置，其特征在于，所述装置还包括：标签约束矩阵 建立模块，用于若所述各样本图像为(x1 ,x2 ,… ,xt) ，t个样本图像包含r类图像，且所述t个 样本图像中l个样本图像包含标签信息，其他t-l个训练图像不包含标签信息，r为大于1的 整数，t为大于1的整数，l为大于0且小于t的整数；
基于受限玻尔兹曼机神经网络的人脸姿态识别方法[发明专利]
![基于受限玻尔兹曼机神经网络的人脸姿态识别方法[发明专利]](https://img.taocdn.com/s3/m/53521c1b4693daef5ff73de4.png)
专利名称：基于受限玻尔兹曼机神经网络的人脸姿态识别方法专利类型：发明专利
发明人：杜春华,杨杰,张田昊,吴证,袁泉
申请号：CN200610118380.4
申请日：20061116
公开号：CN1952953A
公开日：
20070425
专利内容由知识产权出版社提供
摘要：一种用受限玻尔兹曼机神经网络进行人脸姿态识别的方法，属于图像识别技术领域。
本发明包括如下步骤：(1)对不同姿态的人脸图像训练样本进行预处理操作；(2)初始化受限玻尔兹曼机神经网络；(3)预训练受限玻尔兹曼机神经网络；(4)调整受限玻尔兹曼机神经网络参数；(5)对新的人脸图像进行姿态识别；本发明涉及了人脸检测、模式分类、人脸姿态识别方法可以进一步应用于三维人脸模型重建、三维人脸识别等方面。
申请人：上海交通大学
地址：200240 上海市闵行区东川路800号
国籍：CN
代理机构：上海交达专利事务所
更多信息请下载全文后查看。
【CN109816657A】一种基于深度学习的脑瘤医学图像分割方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910158251.5(22)申请日 2019.03.03(71)申请人 哈尔滨理工大学地址 150080 黑龙江省哈尔滨市南岗区学府路52号(72)发明人 仲伟峰 李志 刘燕 (51)Int.Cl.G06T 7/00(2017.01)G06T 7/10(2017.01)(54)发明名称一种基于深度学习的脑瘤医学图像分割方法(57)摘要本发明涉及脑瘤医学图像分割技术领域，具体是一种基于深度学习的脑瘤医学图像分割方法，所述基于深度学习的脑瘤医学图像分割方法，包括：训练分割模型，接收待分割的脑瘤医学图像数据信息，对接收的待分割脑瘤医学图像数据信息进行分割处理，输出分割结果；所述基于深度学习的脑瘤医学图像分割系统，包括分割模型训练模块、脑瘤医学图像接收模块、脑瘤医学图像分割处理模块和分割结果输出模块。
该基于深度学习的脑瘤医学图像分割方法通过对分割模型进行深度学习训练，深度学习训练好的分割模型再对接收到的待分割脑瘤医学图像数据信息进行分割处理，分割结果准确，解决了传统的人工分割方法存在费时费力的问题。
权利要求书2页 说明书4页 附图1页CN 109816657 A 2019.05.28C N 109816657A权 利 要 求 书1/2页CN 109816657 A1.一种基于深度学习的脑瘤医学图像分割方法，其特征在于，包括：训练分割模型；接收待分割的脑瘤医学图像数据信息；对接收的待分割脑瘤医学图像数据信息进行分割处理；输出分割结果。
2.根据权利要求1所述的基于深度学习的脑瘤医学图像分割方法，其特征在于，所述训练分割模型包括以下步骤：S1，接收训练图像；S2，对所述训练图像进行分析处理，分析所述训练图像的特征信息；S3，对特征信息进行融合，得到融合特征；S4，根据所述融合特征对所述训练图像进行分割处理，直至所述分割模型的损失函数收敛至预设阈值时，完成深度学习训练。
【CN109886862A】一种数据处理的方法及装置【专利】
2
CN 109886862 A
权 利 要 求 书
2/2 页
控制所述CPU或图像处理器GPU对所述第一原始数据集合进行第一次压缩，确定第一次 压缩后的数据集合；
控 制所述CPU对所述 第一次 压缩后的 数 据集合进行 第二次 压缩 ，确定压缩后的 第一数 据集合；
将所述压缩后的第一数据集合发送到磁盘。 10 .如权利要求9所述的方法，其特征在于，第一次压缩采用随机访问压缩算法进行压 缩，第二次压缩采用不可随机访问的压缩算法进行压缩。 11 .一种数据处理的装置，其特征在于，包括： 第一获取单元，用于从磁盘中获取第一数据集合到主存； 第一解压单元 ，用于控 制所述CPU根据第一解压算法对所述第一数据集合进行 第一次 解压，确定所述第一次解压后的第二数据集合，其中，所述第一解压算法为不支持随机访问 的压缩方法对应的解压算法； 第二获取单元，用于从主存中获取所述第二数据集合到图像处理器GPU的显存； 第二解压单元 ，用于控 制所述GPU的 至 少一个处理核心根据第二解压算法对所述第二 数据集合进行第二次解压，其中，所述第二解压算法为随机访问解压算法。 12 .一种数据压缩的装置，其特征在于，包括： 分片单元，用于控制CPU将第二原始数据集合按照设定值进行分片，确定分片后的至少 一个第一原始数据集合； 第一压缩单元，用于控制所述CPU或图像处理器GPU对所述第一原始数据集合进行第一 次压缩，确定第一次压缩后的数据集合； 第二压缩单元，用于控制所述CPU对所述第一次压缩后的数据集合进行第二次压缩，确 定压缩后的第一数据集合； 发送单元，用于将所述压缩后的第一数据集合发送到磁盘。 13 .一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程 序指令在被处理器调用时实现如权利要求1-10任一项所述的方法。
【CN109803148A】一种图像编码方法、解码方法、编码装置和解码装置【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910189403.8(22)申请日 2019.03.13(71)申请人 苏州泓迅生物科技股份有限公司地址 215123 江苏省苏州市工业园区星湖街218号生物纳米园C20楼101单元(72)发明人 吴婷婷 侯强波 蔡晓辉 杨平 (74)专利代理机构 北京林达刘知识产权代理事务所(普通合伙) 11277代理人 刘新宇(51)Int.Cl.H04N 19/60(2014.01)H04N 19/63(2014.01)H04N 19/186(2014.01)H04N 19/182(2014.01)(54)发明名称一种图像编码方法、解码方法、编码装置和解码装置(57)摘要本公开涉及一种图像编码方法、解码方法、编码装置和解码装置。
包括：通过小波变换函数，对原始图像进行一级或多级分解，得到多个子图像的像素数据对应的小波变换系数以及所述子图像的级别；根据所述小波变换系数以及所述小波变换系数对应的子图像的级别，确定所述小波变换系数的有效数值；根据DNA碱基序列与数字的对应关系以及所述有效数值，确定所述小波变换系数的编码DNA序列；根据所述子图像的级别，连接所述小波变换系数的编码DNA序列，确定所述原始图像的编码DNA序列。
本公开图像压缩率高，且所述数字表示可以包括二进制以上的进制数，可减少四种基本碱基连续出现的概率，从而降低DNA合成难度。
权利要求书5页 说明书24页 附图20页CN 109803148 A 2019.05.24C N 109803148A权 利 要 求 书1/5页CN 109803148 A1.一种图像编码方法，其特征在于，包括：通过小波变换函数，对原始图像进行一级或多级分解，得到多个子图像的像素数据对应的小波变换系数以及所述子图像的级别；根据所述小波变换系数以及所述小波变换系数对应的子图像的级别，确定所述小波变换系数的有效数值；根据DNA碱基序列与数字的对应关系以及所述有效数值，确定所述小波变换系数的编码DNA序列；根据所述子图像的级别，连接所述小波变换系数的编码DNA序列，确定所述原始图像的编码DNA序列。
一种算法方法专利
一种算法方法专利背景随着信息技术的发展，算法在各个领域中起到了重要的作用。
在数据挖掘、机器学习、图像处理等众多领域，算法的优化和创新对于解决实际问题具有重要作用。
因此，研发一种新颖、高效的算法方法具有重要的研究价值和实际意义。
本专利涉及的是一种基于深度学习的图像分类算法方法。
发明内容本专利描述了一种基于深度学习的图像分类算法方法，旨在提供一种更加高效和准确的图像分类解决方案。
该方法主要包括以下几个步骤：1. 数据预处理：对输入的图像数据进行预处理，包括图像大小调整、灰度化处理等，以便后续的特征提取和分类处理。
2. 特征提取：采用深度学习模型对预处理后的图像进行特征提取。
可以使用卷积神经网络（Convolutional Neural Network，CNN）等深度学习模型，通过学习图像的局部特征和全局信息，获得更加抽象和高级的特征表示。
3. 特征选择：根据特征的重要性或者相关性对提取得到的特征进行选择，去除冗余或者无关的特征。
可以使用相关系数、信息熵等方法进行特征选择。
4. 分类处理：基于特征选择后的特征，采用分类器对图像进行分类。
可以使用支持向量机（Support Vector Machine，SVM）、逻辑回归（Logistic Regression）等传统的分类方法，也可以使用深度学习模型进行分类。
5. 模型调优：对分类器进行参数调优以得到更好的分类性能。
可以采用交叉验证、网格搜索等方法进行模型调优。
优势和创新点相比于传统的图像分类算法，本算法方法具有以下的优势和创新点：1. 利用深度学习模型进行特征提取，能够获取更加抽象和高级的特征表示，从而提高图像分类的准确性。
2. 通过特征选择，可以去除冗余和无关的特征，减少了特征维度，提升了图像分类的效率和鲁棒性。
3. 使用分类器对图像进行分类，能够根据特征选择后的特征，对图像进行更加准确的分类。
4. 优化和调整模型参数，能够提高分类器的性能，进一步提高图像分类的准确性和效率。
【CN109814463A】一种机器人的控制装置【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910135690.4(22)申请日 2019.02.22(71)申请人 许昌学院地址 461000 河南省许昌市魏都区八一路88号(72)发明人 于海龙 范雪莉 张元敏 王红玲 白政民 方如举 葛瑜 (74)专利代理机构 苏州拓云知识产权代理事务所(普通合伙) 32344代理人 童强(51)Int.Cl.G05B 19/042(2006.01)(54)发明名称一种机器人的控制装置(57)摘要本发明公开了一种机器人的控制装置，涉及机器人控制装置技术领域，本发明的控制箱上设有重心调节机构，可方便对机器人的重心进行调节，保证机器人稳定性，尤其是在机器人搬运物体时，可利用一个控制步进电机对各个扇形重心调节转动块的位置进行调节，调节简单方便，控制方式简单，比采用多个电机的控制所采用的控制策略更加简单，各个扇形重心调节转动块的圆周布置，可防止在调节重心时导致重心变化过快而出现机器人平稳性较差的问题。
通过滑轨可以将安装板连同控制主板一起拽出，可以对其表面的灰尘进行清理，解决了控制主板在箱体内部不便于拆卸和清理的问题，通过快速安装机构，可以使设备整体便于安装，有效的降低了安装难度。
权利要求书2页 说明书4页 附图4页CN 109814463 A 2019.05.28C N 109814463A权 利 要 求 书1/2页CN 109814463 A1.一种机器人的控制装置，包括箱体(1)、快速安装机构(2)、控制主板(6)和重心调节机构，其中，所述箱体的后部采用所述快速安装机构(2)可拆卸的安装在机器人主体上，所述控制主板(6)可滑入/滑出的设置在所述箱体(1)内；所述箱体(1)的顶部或者底部设置有伸入其内侧的重心调节机构，所述重心调节机构包括调节转轴(13)、离合控制组件、扇形重心调节转动块(20)和驱动齿头(18)，其中，所述调节转轴(13)可绕其中心轴线转动的设置在所述箱体上，所述调节转轴的外周部阵列设置有多个驱动齿头(18)，所述驱动齿头(18)可绕自身轴线相对于所述箱体转动，所述驱动齿头(18)上固定连接设置有向所述调节转轴(13)的径向外侧延伸的所述扇形重心调节转动块(20)，以便使得所述扇形重心调节转动块(20)能够跟随所述驱动齿头(18)的转动而摆动，且每个所述驱动齿头(18)与所述调节转轴(13)之间均对应设置有一个离合控制组件，每个离合控制组件能够单独控制，以便控制各个驱动齿头(18)与所述调节转轴(13)之间的传动/断开，以便利用所述调节转轴(13)对所述扇形重心调节转动块(20)的位置角度进行调节；所述调节转轴(13)为可正反转设置；通过利用所述调节转轴(13)分别驱动各个所述扇形重心调节转动块(20)至合适位置，实现对机器人动作的配重，以便对其重心进行调节。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
( 12 )发明专利申请
(21)申请号 201910092833 .8
(22)申请日 2019 .01 .30
(71)申请人 河南科技大学 地址 471003 河南省洛阳市涧西区西苑路 48号
(72)发明人 谢国森 臧绍飞 沈珍君 杨春蕾 普杰信
(74)专利代理机构 郑州睿信知识产权代理有限 公司 41119
3 .根据权利要求1所述的基于受限玻尔兹曼机的图像分类方法，其特征在于，所述受限 玻尔兹曼机模型为一个两层的玻尔兹曼机模型。
4 .根据权利要求3所述的基于受限玻尔兹曼机的图像分类方法，其特征在于，所述步骤 (3)中提取的特征为：
为第k类别对应第一层受限玻尔兹曼机模型中隐层单元和可见单元之间的交互项， 为第k类别对应第一层受限玻尔兹曼机模型中可见层的偏差， 为第k类别对应第 一层受限玻尔兹曼机模型中隐层的偏差， 为第k类别对应第一层受限玻尔兹曼机模型中 隐层单元和可见单元之间的交互项， 为第k类别对应第二层受限玻尔兹曼机模型中可见 层的偏差， 为第k类别对应第二层受限玻尔兹曼机模型中隐层的偏差，σ(x)为sigmoid激 活函数。 5 .根据权利要求1所述的基于受限玻尔兹曼机的图像分类方法，其特征在于，所述步骤 (3) 和步骤 (5) 进行特征提取的受限玻尔兹曼机模型为高斯- 伯努利受限 玻尔兹曼机模型 ， 是将训练后的受限玻尔兹曼机模型扩展得到。 6 .根据权利要求1所述的基于受限玻尔兹曼机的图像分类方法，其特征在于，所述分类
的特征，图像样本 的特征为：
其中 表示图像样本训练集中第i个类别的第j个图像样本，ftriT表示该图像样本在
第i个受限玻尔兹曼机模型中提取到的特征； (3) 将 训练集中的图 像样本输入到各受限 玻 尔兹曼机模型中 ，对 训练集中的 各图 像样
本进行特征提取； (4) 利 用步骤 (3) 中提取到的 训练集中各图 像样本的 特征及其对应类别标签对分类模
2
CN 109816向量机。 7 .一种基于受限玻尔兹曼机的图像分类装置，其特征在于，包括处理器和存储器，所述
存储器上存储有用于在所述处理器上执行的计算机程序，所述处理器执行该计算机程序时 实现基于受限玻尔兹曼机的图像分类方法，该分类方法包括如下步骤：
(1) 获取图 像样本 训练集 ，该 训练集中 包括C个类 别的图 像 ，每个类 别包含有 相应数量 的训练图像；
(2) 将 训练集按照类别划分为C个数据集 ，对每个数据集进行受限 玻 尔兹曼机 训练 ，得 到C个受限 玻 尔兹曼机模型 和对应的 训练参数 ，得到图 像样本在各受限 玻 尔兹曼机模型中
权利要求书2页 说明书9页 附图5页
CN 109816030 A
CN 109816030 A
权 利 要 求 书
1/2 页
1 .一种基于受限玻尔兹曼机的图像分类方法，其特征在于，该分类方法包括以下步骤： (1) 获取图 像样本 训练集 ，该 训练集中 包括C个类 别的图 像 ，每个类 别包含有 相应数量 的训练图像； (2) 将 训练集按照类别划分为C个数据集 ，对每个数据集进行受限 玻 尔兹曼机 训练 ，得 到C个受限玻尔兹曼机模型和对应的训练参数； (3) 将 训练集中的图 像样本输入到各受限 玻 尔兹曼机模型中 ，对 训练集中的 各图 像样
型进行训练； (5) 将待测的图 像样本输入到各受限 玻 尔兹曼机模型中 ，对待测试图 像样本进行特征
提取 ，并将提取出的 待测图 像样本特征输入到 训练好的分类模型中 ，实现对待测试图 像样 本的分类。
8 .根据权利要求7所述的基于受限玻尔兹曼机的图像分类装置，其特征在于，所述步骤 (1)还包括对训练集中的样本图像进行预处理的步骤，该预处理包括对样本图像进行分辨 率一致的 缩放处理过程 和对缩放处理 后的 样本进行归一化的 过程 ；所述步骤 (5) 在对待测 试图像进行特征提取之前需要对待测试图像样本进行预处理，该预处理包括对样本图像进 行分辨率一致的缩放处理过程和对缩放处理后的样本图像进行归一化的过程。
提取 ，并将提取出的 待测图 像样本特征输入到 训练好的分类模型中 ，实现对待测试图 像样 本的分类。
2 .根据权利要求1所述的基于受限玻尔兹曼机的图像分类方法，其特征在于，所述步骤 (1)还包括对训练集中的样本图像进行预处理的步骤，该预处理包括对样本图像进行分辨 率一致的 缩放处理过程 和对缩放处理 后的 样本进行归一化的 过程 ；所述步骤 (5) 在对待测 试图像进行特征提取之前需要对待测试图像样本进行预处理，该预处理包括对样本图像进 行分辨率一致的缩放处理过程和对缩放处理后的样本图像进行归一化的过程。
本进行特征提取，得到图像样本在各受限玻尔兹曼机模型中的特征，图像样本 的特征
为：
其中 表示图像样本训练集中第i个类别的第j个图像样本，ftriT表示该图像样本在
第i个受限玻尔兹曼机模型中提取到的特征； (4) 利 用步骤 (3) 中提取到的 训练集中各图 像样本的 特征及其对应类别标签对分类模
型进行训练； (5) 将待测的图 像样本输入到各受限 玻 尔兹曼机模型中 ，对待测试图 像样本进行特征
代理人 吴敏
(51)Int .Cl . G06K 9/62(2006 .01)
(10)申请公布号 CN 109816030 A (43)申请公布日 2019.05.28
( 54 )发明 名称 一种基于受限玻尔兹曼机的图像分类方法
及装置 ( 57 )摘要
本发明提供一种基于受限玻尔兹曼机的图 像分类方法及装置 ，该分类方法包括以 下步骤 ： 获取图像样本训练集；将训练集按照类别划分为 C个数据集 ，对每个数据集进行受限 玻 尔兹曼机 训练 ，得到C个受限 玻 尔兹曼机模型 和对应的 训 练参数；将训练集中的图像样本输入到各受限玻 尔兹曼机模型中 ，对训练集中的各图像样本进行 特征提取 ；利用提取到的 训练集中各图像样本的 特征及其对应类别标签对分类模型进行 训练 ；将 待测图像样本输入到各受限玻尔兹曼机模型中 进行特征提取，将提取出的待测图像样本特征输 入到训练好的分类模型，实现对待测试图像样本 的 分类。本发明提供的 技术方案 ，能 够对待 测试 图像样本更高精度的分类，解决现有技术中图像 分类精度低的问题。