空天地协同的视觉智能关键技术及应用

2025/12/17

所属领域为计算机，是基于迁移学习和置信度选择的心电异常信号识别方法。步骤为：先对大量短时心电数据去噪，搭建并初始 CNN 模型参数，用大量短时心电数据训练该模型；再对少量长时间心电数据切割适配网络输入，以切割数据迁移训练，每轮选置信度最高的 k 个短时数据输入，最终实现心电异常信号识别。此方法通过预训练 CNN、迁移学习及置信度选择，提升异常识别准确率，辅助医生，降低误诊、漏诊率，减轻工作负担。在大量的心电数据上进行预训练，避免部分心电数据因数量少导致的先验知识不足问题，充分学习各类心电数据特征；使用迁移学

文生图大模型

2025/12/17

所属领域为计算机，是基于迁移学习和置信度选择的心电异常信号识别方法。步骤为：先对大量短时心电数据去噪，搭建并初始 CNN 模型参数，用大量短时心电数据训练该模型；再对少量长时间心电数据切割适配网络输入，以切割数据迁移训练，每轮选置信度最高的 k 个短时数据输入，最终实现心电异常信号识别。此方法通过预训练 CNN、迁移学习及置信度选择，提升异常识别准确率，辅助医生，降低误诊、漏诊率，减轻工作负担。在大量的心电数据上进行预训练，避免部分心电数据因数量少导致的先验知识不足问题，充分学习各类心电数据特征；使用迁移学

一种基于迁移学习和置信度选择的心电异常信号识别方法及装置

2025/12/17

所属领域为计算机，是基于迁移学习和置信度选择的心电异常信号识别方法。步骤为：先对大量短时心电数据去噪，搭建并初始 CNN 模型参数，用大量短时心电数据训练该模型；再对少量长时间心电数据切割适配网络输入，以切割数据迁移训练，每轮选置信度最高的 k 个短时数据输入，最终实现心电异常信号识别。此方法通过预训练 CNN、迁移学习及置信度选择，提升异常识别准确率，辅助医生，降低误诊、漏诊率，减轻工作负担。在大量的心电数据上进行预训练，避免部分心电数据因数量少导致的先验知识不足问题，充分学习各类心电数据特征；使用迁移学

一种辅助视障人群的并行注意力聚合高精地图构建方法

2025/12/17

所属领域为计算机，是基于迁移学习和置信度选择的心电异常信号识别方法。步骤为：先对大量短时心电数据去噪，搭建并初始 CNN 模型参数，用大量短时心电数据训练该模型；再对少量长时间心电数据切割适配网络输入，以切割数据迁移训练，每轮选置信度最高的 k 个短时数据输入，最终实现心电异常信号识别。此方法通过预训练 CNN、迁移学习及置信度选择，提升异常识别准确率，辅助医生，降低误诊、漏诊率，减轻工作负担。在大量的心电数据上进行预训练，避免部分心电数据因数量少导致的先验知识不足问题，充分学习各类心电数据特征；使用迁移学

一种烟羽林地快速火烧迹地提取方法及装置

2025/12/17

所属领域为计算机，是基于迁移学习和置信度选择的心电异常信号识别方法。步骤为：先对大量短时心电数据去噪，搭建并初始 CNN 模型参数，用大量短时心电数据训练该模型；再对少量长时间心电数据切割适配网络输入，以切割数据迁移训练，每轮选置信度最高的 k 个短时数据输入，最终实现心电异常信号识别。此方法通过预训练 CNN、迁移学习及置信度选择，提升异常识别准确率，辅助医生，降低误诊、漏诊率，减轻工作负担。在大量的心电数据上进行预训练，避免部分心电数据因数量少导致的先验知识不足问题，充分学习各类心电数据特征；使用迁移学

一种监测样点布设方法及装置

2025/12/17

所属领域为计算机，是基于迁移学习和置信度选择的心电异常信号识别方法。步骤为：先对大量短时心电数据去噪，搭建并初始 CNN 模型参数，用大量短时心电数据训练该模型；再对少量长时间心电数据切割适配网络输入，以切割数据迁移训练，每轮选置信度最高的 k 个短时数据输入，最终实现心电异常信号识别。此方法通过预训练 CNN、迁移学习及置信度选择，提升异常识别准确率，辅助医生，降低误诊、漏诊率，减轻工作负担。在大量的心电数据上进行预训练，避免部分心电数据因数量少导致的先验知识不足问题，充分学习各类心电数据特征；使用迁移学

一种融合多特征的深度知识追踪方法及系统

2025/12/17

所属领域为计算机，是基于迁移学习和置信度选择的心电异常信号识别方法。步骤为：先对大量短时心电数据去噪，搭建并初始 CNN 模型参数，用大量短时心电数据训练该模型；再对少量长时间心电数据切割适配网络输入，以切割数据迁移训练，每轮选置信度最高的 k 个短时数据输入，最终实现心电异常信号识别。此方法通过预训练 CNN、迁移学习及置信度选择，提升异常识别准确率，辅助医生，降低误诊、漏诊率，减轻工作负担。在大量的心电数据上进行预训练，避免部分心电数据因数量少导致的先验知识不足问题，充分学习各类心电数据特征；使用迁移学

一种基于图神经网络的高光谱图像分类方法

2025/12/17

所属领域为计算机，是基于迁移学习和置信度选择的心电异常信号识别方法。步骤为：先对大量短时心电数据去噪，搭建并初始 CNN 模型参数，用大量短时心电数据训练该模型；再对少量长时间心电数据切割适配网络输入，以切割数据迁移训练，每轮选置信度最高的 k 个短时数据输入，最终实现心电异常信号识别。此方法通过预训练 CNN、迁移学习及置信度选择，提升异常识别准确率，辅助医生，降低误诊、漏诊率，减轻工作负担。在大量的心电数据上进行预训练，避免部分心电数据因数量少导致的先验知识不足问题，充分学习各类心电数据特征；使用迁移学

空间数据聚类方法、系统、设备及介质

2025/12/17

所属领域为计算机，是基于迁移学习和置信度选择的心电异常信号识别方法。步骤为：先对大量短时心电数据去噪，搭建并初始 CNN 模型参数，用大量短时心电数据训练该模型；再对少量长时间心电数据切割适配网络输入，以切割数据迁移训练，每轮选置信度最高的 k 个短时数据输入，最终实现心电异常信号识别。此方法通过预训练 CNN、迁移学习及置信度选择，提升异常识别准确率，辅助医生，降低误诊、漏诊率，减轻工作负担。在大量的心电数据上进行预训练，避免部分心电数据因数量少导致的先验知识不足问题，充分学习各类心电数据特征；使用迁移学

一种动态单导心电图中异常心电信号识别方法及系统

2025/12/17

所属领域为计算机，是基于迁移学习和置信度选择的心电异常信号识别方法。步骤为：先对大量短时心电数据去噪，搭建并初始 CNN 模型参数，用大量短时心电数据训练该模型；再对少量长时间心电数据切割适配网络输入，以切割数据迁移训练，每轮选置信度最高的 k 个短时数据输入，最终实现心电异常信号识别。此方法通过预训练 CNN、迁移学习及置信度选择，提升异常识别准确率，辅助医生，降低误诊、漏诊率，减轻工作负担。在大量的心电数据上进行预训练，避免部分心电数据因数量少导致的先验知识不足问题，充分学习各类心电数据特征；使用迁移学

一种针对 Twofish 加密芯片的 DFA 分析方法及系统

2025/12/17

所属领域为计算机，是基于迁移学习和置信度选择的心电异常信号识别方法。步骤为：先对大量短时心电数据去噪，搭建并初始 CNN 模型参数，用大量短时心电数据训练该模型；再对少量长时间心电数据切割适配网络输入，以切割数据迁移训练，每轮选置信度最高的 k 个短时数据输入，最终实现心电异常信号识别。此方法通过预训练 CNN、迁移学习及置信度选择，提升异常识别准确率，辅助医生，降低误诊、漏诊率，减轻工作负担。在大量的心电数据上进行预训练，避免部分心电数据因数量少导致的先验知识不足问题，充分学习各类心电数据特征；使用迁移学

基于多流形判别分析超分辨率的人脸识别方法

2025/12/17

所属领域为计算机，是基于迁移学习和置信度选择的心电异常信号识别方法。步骤为：先对大量短时心电数据去噪，搭建并初始 CNN 模型参数，用大量短时心电数据训练该模型；再对少量长时间心电数据切割适配网络输入，以切割数据迁移训练，每轮选置信度最高的 k 个短时数据输入，最终实现心电异常信号识别。此方法通过预训练 CNN、迁移学习及置信度选择，提升异常识别准确率，辅助医生，降低误诊、漏诊率，减轻工作负担。在大量的心电数据上进行预训练，避免部分心电数据因数量少导致的先验知识不足问题，充分学习各类心电数据特征；使用迁移学