面向快速三维成像的新体制星载多星多天线系统

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

仿蚯蚓机器人蠕动机制研究

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

面向机器人多模式驱动的无电子化高频气动振荡驱动器

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

仿蠕虫移动机器人多功能控制新架构

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

面向弱、非结构化场景的机器人类人抓取技术

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

具身科技四足机器狗

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

华中9型智能数控系统

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

集成电路、光电芯片TCB热压键合技术与装备

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

GaN-HEMTs神经形态视觉传感芯片

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

虚拟现实娱乐驾驶

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

超快闪存的规模集成和极限微缩

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

输尿管手术导航腹腔镜系统

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