一种基于卷积神经网络的单分子力谱分类方法.pdf
Wi****m7
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于卷积神经网络的单分子力谱分类方法.pdf
本发明公开了一种基于卷积神经网络的单分子力谱分类方法。包括:1)获取单分子力谱图像。2)对单分子力谱图像依次进行预处理、数据增强处理和人工标注类别处理,获得人工标注后的单分子力谱图像,制作包含训练集,验证集和测试集的数据集。3)构建卷积神经网络模型,利用训练集对构建好的卷积神经网络模型进行训练,生成训练好的卷积神经网络模型。4)将测试集中的单分子力谱图像输入到训练好的卷积神经网络模型中,得到单分子力谱的折叠事件数量类别信息,实现单分子力谱图像分类的目的。
基于全双谱和卷积神经网络的信号分类方法.docx
基于全双谱和卷积神经网络的信号分类方法随着科技的不断发展,信号分类成为了科学研究中越来越重要的一个问题。信号分类是指将不同类型的信号进行区分、归类的一种方法,它广泛应用于物理、化学、医学、通信等领域。在信号分类中,方法多种多样,其中全双频和卷积神经网络(CNN)是两种常见的信号处理方法。本文讨论了这两种方法的原理和应用,重点探讨了基于全双频和CNN的信号分类方法。一、全双谱(Bispectrum)及其应用全双谱是一个多变量信号处理方法,它基于二次统计量进行了优化的统计处理。全双谱用于分析非线性信号的特征,
一种基于高阶谱和卷积神经网络的心冲击信号的分类方法.pdf
本发明公开了一种基于高阶谱和卷积神经网络的心冲击信号的分类方法,步骤为:S1、获取数据集训练样本;S2、采用切比雪夫和小波变换的滤波方法对步骤S1获得的数据集训练样本进行去噪预处理,得到纯净的心冲击信号;S3、对步骤S2得到的心冲击信号进行高阶谱特征分析,得到信号的幅值和相位的特征信息;S4、构建卷积神经网络模型,将步骤S3得到的特征信息,作为卷积神经网络模型的输入,得到分类结果。该方法利用高阶谱具有时移不变性、尺度变化性和相位保持性进行特征提取得到特征以保留更多的信号信息,还能够抑制高斯有色噪声,从而提
一种基于样条卷积神经网络的图像分类方法.pdf
本发明提出了一种基于样条卷积神经网络的图像分类方法,其主要内容包括:样条卷积神经网络、通用计算图形处理器算法,其过程为,样条卷积神经网络使用一种新型样条卷积层构建深度神经网络,由卷积层接收不规则的结构化数据,将其映射到定向图作为输入,在空间卷积层中,节点特征使用可训练的连续核函数进行聚合,提出基于B样条的新型卷积算子,B样条基函数具有局部支持性质。本发明提出一种新型的可训练卷积运算符,卷积滤波器在空间域中运行并聚合局部特征,应用可训练的连续核函数,通过可训练的B样条控制值进行参数化,能快速进行训练和推理,
一种基于卷积神经网络的单分子定位方法.pdf
本发明公开了一种基于卷积神经网络的单分子定位方法。包括:1)计算仿真出三维粒子图像,将三维粒子图像中的粒子编码为二维矩形,得到二维矩形的参数信息。2)将步骤1)中计算仿真出的三维粒子图像和对应的二维矩形参数信息组成数据对作为训练集输入到卷积神经网络中进行学习训练,构建出三维粒子图像与二维矩形参数信息之间的映射关系,生成训练好的两者之间的映射关系的卷积神经网络模型。3)测试过程中将单分子图像输入到步骤2)中训练好的网络中,得到预测的二维矩形参数信息。4)将步骤3)中预测的二维矩形的参数信息转换为单分子图像中