买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：喻磊

摘要：本发明公开了基于人工智能的斜视术后视觉训练方案推荐方法,属于视力康复技术领域,本发明中，采用基于优化广义S变换的SMOTE算法生成样本，采用时频特征分析，通过评估样本的时频分布并生成多样化数据，有效解决样本量不足和模型过拟合问题，采用的数据扩充算法增强了训练数据的多样性和模型的泛化能力，有效减少了由样本不足引起的训练不足和模型偏差。采用基于动态生态位理论的神经网络优化算法，通过模拟生态位竞争机制调整网络参数，提升网络的稳定性和效率，解决了传统神经网络可能遇到的梯度消失或爆炸问题，采用的特征提取算法改善了模型在复杂数据环境下的训练稳定性，提高了模型在实际应用中的可靠性。

主权项：1.基于人工智能的斜视术后视觉训练方案推荐方法，其特征在于：所述包括以下步骤：S1:进行数据采集与标注，采集到的数据为时序数据格式，采集的数据为在特定时长下，瞳孔面对不同光亮的直径随时间变化的曲线，标注方式为人工标注；S2:进行数据扩充，采用基于优化广义S变换的SMOTE算法进行样本生成；基于优化广义S变换的SMOTE算法进行样本生成的流程如下：S201、分析原始训练数据集的统计特性和分布情况，通过计算数据集的均值和标准差，以评估数据的整体分布情况；均值计算的方式表示为： 且标准差的计算方式表示为： 式中，μbx表示数据集的均值；σbx表示数据集的标准差；bxi表示第i个数据点；N表示数据点的总数；S202、采用广义S变换对每个样本进行时频分析，提取关键的时频特征bx，表示为： bxt,f＝∫bxt'ht'-t,fe-j2πft'dt'窗函数ht,f的计算方式表示为： 式中，bxt,f表示时频域中的特征；bxt表示时间域的信号；ht,f表示与频率f相关的高斯窗函数；t,t'表示时间变量；f表示频率变量；是为了在不同频率下保持窗函数能量的一致性，其目的是使得低频和高频成分具有相同的权重；是一个高斯函数，用于控制时间扩展，其中t代表时间，f代表频率；S203、基于提取的特征和数据分布，计算每个类别的样本生成数量λbx，计算方式表示为： 调整因子γbx定义为：γbx＝αbxσbx式中，λbx表示为类别bx生成的样本数量；γbx表示基于类的不平衡度调整的因子；nbx表示类别bx当前的样本数；Nmax表示样本数最多的类别的样本数；αbx表示调整系数；αbx的计算方式表示为： S204、采用SMOTE算法生成数据，结合时频特征bx生成数据bx'，生成方式表示为： 式中，bx'表示生成的新样本点；表示随机选取的样本点；表示的最近邻样本点；rand0,1表示0到1之间的随机数； bx用于调整新生成样本的特征；S205、采用预设的Softmax分类函数对生成的数据进行效果评估，通过评估新生成数据的质量Qbx调整数据生成策略，新生成数据的质量Qbx的计算方式表示为： 式中，Qbx表示生成数据的质量评估；cor表示正确分类的数量；tot表示总的分类尝试数量；sum表示数量求和函数；根据反馈Qbx调整参数αbx，调整方式表示为： 式中，表示新的调整系数；βbx表示基于质量评估的调整率；Qbx表示前述的数据质量评估；βbx的计算方式表示为： 式中，κbx是预设的调整常数；κbx设置为0.4；S206、重复迭代上述步骤，直至满足预设的停止迭代条件，即表示模型训练完成；S3:将步骤S2中扩充后的数据输入到特征提取模型中进行特征提取模型的训练，采用3层的全连接神经网络进行特征提取；S4:进行特征降维模型训练，将特征提取后的数据输入到特征降维模型中进行特征降维模型的训练，采用基于流形学习的自编码神经网络算法进行特征降维；S5:进行分类器模型训练，将特征降维后的数据输入到分类器中进行分类器模型的训练，采用基于量子统计学习的贝叶斯分类算法，通过设定量子门序列，将输入特征向量编码到量子比特上，以利用量子计算的高并行性和信息密度，进而优化分类性能；S6:进行斜视术后视觉训练方案推荐,利用训练完成的模型于新的样本，以评估和推荐最适合的视觉训练方案，之后即可结束整个基于人工智能的斜视术后视觉训练方案推荐流程。

全文数据：

权利要求：

百度查询： 喻磊 基于人工智能的斜视术后视觉训练方案推荐方法