面向无人移动端视觉分析的场景自适应系统

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

知识库自动构建技术合作项目

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

视频大数据多种类对象检测技术合作项目

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

水文地质灾害监测预警系统

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

面向大模型的软硬件协同算力优化技术

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

高效碳捕集技术与资源化平台

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

AI药物仿真分析平台

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

智能网联汽车人机共驾决策系统

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

基于分布式多种传感器融合的交通数据自动获取技术

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

多模式数据预取装置及其管理

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

深度神经网络硬件加速的数据输入装置与方法系统

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

光通信智能解析算法

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