“G06N3/04”专利分类搜索_专利查询_文献下载_出售_求购_买卖_交易

钻瓜专利网为您找到相关结果9067个，建议您升级VIP下载更多相关专利

[发明专利]预测方法、模型的训练方法及装置、设备、存储介质-CN202211369698.5在审
发明人：吴莹莹 -专利权人：中移(苏州)软件技术有限公司;中国移动通信集团公司
申请日： 2022-11-03 - 公布日： 2023-09-29 - 主分类号： G06N3/0442 文献下载
摘要：本申请实施例公开了一种预测方法、模型的训练方法及装置、设备、存储介质，其中，所述训练方法包括：获取历史时序数据集；确定待训练的目标预测模型；其中，所述目标预测模型的网络结构参数由改进的布谷鸟搜索算法确定，所述改进的布谷鸟搜索算法中步长因子的取值与迭代次数相关；利用所述历史时序数据集对所述待训练的目标预测模型进行训练，得到已训练的目标预测模型。
预测方法模型训练装置设备存储介质

[发明专利]基于神经网络的卷积计算方法及装置-CN201910613642.1有效
发明人：刘锦胜 -专利权人：杭州海康威视数字技术股份有限公司
申请日： 2019-07-09 - 公布日： 2023-09-29 - 主分类号： G06N3/0464 文献下载
摘要：本发明提供一种基于神经网络的卷积计算方法及装置。本发明实施例通过将PnD型n维网络结构中每一n维卷积核的n维卷积核系数分解为第一类卷积核系数和第二类卷积核系数；将第二类卷积核系数中每一个卷积核系数进行转换得到目标卷积核系数，将第一类卷积核系数中的各参考卷积核系数、以及第二类卷积核系数中各目标卷积核系数分别与n维特征图进行卷积运算得到目标卷积结果，使得在支持维度较低的神经网络芯片能够部署维度较高的PnD型n维网络结构，不需要改变神经网络芯片硬件结构，既能够具有较快的处理速度，又获得了较高的算法性能，并且成本低。
基于神经网络卷积计算方法装置

[发明专利]基于孪生网络的时空数据的目标识别方法及系统-CN201911166620.1有效
发明人：余泳;唐海娜;王飞;徐勇军;吴琳;孙涛 -专利权人：中国科学院计算技术研究所
申请日： 2019-11-25 - 公布日： 2023-09-29 - 主分类号： G06N3/0442 文献下载
摘要：本发明提出一种基于孪生网络的时空数据的目标识别方法及系统。构建包括两个子网的孪生网络模型，获取训练样本(x1,x2,y)，x1和x2表示包括兴趣点的时空数据，y表示x1和x2是否属于相同目标；将x1和x2分别输入至孪生网络模型的子网，得到特征向量v(x1)和v(x2)，通过距离度量得到特征向量v(x1)和v(x2)间的距离，根据距离与标签y之间的损失反向传播训练孪生网络模型，得到最终网络模型；取最终网络模型的子网作为目标识别模型，将待链接目标的时空数据输入目标识别模型，得到待链接目标的时空数据的待链接向量，将已知目标的时空数据输入目标识别模型，得到已知目标的时空数据的已链接向量，根据待链接向量和已链接向量之间的相似关系，为待链接目标的时空数据链接目标。
基于孪生网络时空数据目标识别方法系统

[发明专利]神经网络模型的训练方法、边坡位移预测方法及相关装置-CN202010113332.6有效
发明人：郑海青;宗广昌;孙晓云 -专利权人：石家庄铁道大学
申请日： 2020-02-24 - 公布日： 2023-09-29 - 主分类号： G06N3/0464 文献下载
摘要：本申请提供了一种神经网络模型的训练方法、边坡位移预测方法及相关装置，其中，该训练方法包括：获取边坡位移样本，其中，上述边坡位移样本包括影响因素数据、与上述影响因素数据对应的边坡位移数据，上述影响因素数据包括一个以上影响因素；构建CNN‑LSTM混合神经网络模型；基于上述边坡位移样本和自适应粒子群算法，优化上述CNN‑LSTM混合神经网络模型的超参数；基于上述边坡位移样本，对优化超参数后的CNN‑LSTM混合神经网络模型进行训练，以得到用于边坡位移预测的神经网络模型。基于本申请提供的技术方案，能够有效提高边坡位移预测的准确率。
神经网络模型训练方法位移预测相关装置

[发明专利]一种面向自然语言处理的基于循环学习单元的HTM设计方法-CN202010115996.6有效
发明人：蔡涛;刘天泉;牛德姣;周时颉;薛安荣;何志刚;盘朝奉 -专利权人：江苏大学
申请日： 2020-02-25 - 公布日： 2023-09-29 - 主分类号： G06N3/044 文献下载
摘要：本发明公开了一种面向自然语言处理的基于循环学习单元的HTM设计方法，针对自然语言处理应用，在使用HTM分析自然语言时，提出使用面向自然语言处理的基于循环学习单元的HTM设计方法，利用具有循环学习能力的循环学习单元代替现有的HTM神经元，将HTM时间池和循环学习单元对序列数据的学习能力相互结合，实现对蕴含无规律时间跨度大关联的自然语言的更好的学习；通过循环学习单元的训练方法，使得循环学习单元能学习自然语言语料中包含的特性，实现HTM对蕴含无规律时间跨度大关联的自然语言更强的学习能力。本发明提高了HTM对蕴含无规律时间跨度大关联的自然语言的学习功能，从而保证了在处理蕴含无规律时间跨度大关联的自然语言时HTM的有效性和实用性。
一种面向自然语言处理基于循环学习单元 htm 设计方法

[发明专利]脉冲神经网络的卷积加速方法及卷积加速器-CN202310967759.6有效
发明人：蒋东东;王斌强;董刚 -专利权人：苏州浪潮智能科技有限公司
申请日： 2023-08-02 - 公布日： 2023-09-29 - 主分类号： G06N3/0464 文献下载
摘要：本申请实施例提供了一种脉冲神经网络的卷积加速方法及卷积加速器，其中，该方法包括：接收含有脉冲信号的特征数据；确定所述脉冲信号在所述特征数据中的位置；根据所述脉冲信号的位置从卷积加速器中的卷积缓存存储阵列中读取待运算的数据，以生成脉冲神经网络中的待运算卷积计算矩阵；对预设卷积权重矩阵进行转置，并将转置后的预设卷积权重矩阵与所述待运算卷积计算矩阵进行运算，以确定所述待运算卷积计算矩阵的卷积结果，以完成脉冲神经网络的卷积加速。通过本申请，解决了由于卷积计算过程复杂，导致加速器计算效率低的技术问题。
脉冲神经网络卷积加速方法加速器

[发明专利]基于特征迁移的低比特神经网络训练方法及系统-CN202010780010.7有效
发明人：张娅;杜昆原;王延峰 -专利权人：上海交通大学
申请日： 2020-08-05 - 公布日： 2023-09-29 - 主分类号： G06N3/0464 文献下载
摘要：本发明提供了一种基于迁移学习的低比特神经网络训练方法及系统，包括：低比特特征提取步骤：对训练数据集的图像，使用低比特深度卷积神经网络提取图像的低比特特征图；全精度特征提取步骤：对训练数据集的图像，使用全精度深度卷积神经网络提取图像的全精度特征图；特征对齐步骤：根据低比特特征图和全精度特征图，通过特征迁移，在特征对齐的约束下，协同训练全精度深度卷积神经网络和低比特深度卷积神经网络，使得低比特特征图和全精度特征图对齐；低比特预测步骤：根据训练后的低比特深度卷积神经网络实现图像类型的预测；本发明通过直接对连续空间的全精度特征图进行特征迁移，避免了因量化造成的特征细节损失。
基于特征迁移比特神经网络训练方法系统

[发明专利]车载模型训练方法、装置、电子设备、存储介质及芯片-CN202210657645.7有效
发明人：周天宝 -专利权人：小米汽车科技有限公司
申请日： 2022-06-10 - 公布日： 2023-09-29 - 主分类号： G06N3/0464 文献下载
摘要：本公开涉及模型训练中的一种车载模型训练方法、装置、电子设备、存储介质及芯片，包括：根据模型需求确定约束条件；根据约束条件确定基准模型的超参数，所述基准模型的卷积核中包括尺寸不同的多个子卷积核；将车载训练样本数据输入超参数确定后的基准模型中，对超参数确定后的基准模型进行训练，以根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，得到目标车载模型，在训练过程中所述每一子卷积核的尺寸保持不变。通过基准模型的卷积核中包括尺寸不同的多个子卷积核，在训练过程中，可以灵活地根据尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，从而提高模型训练的便捷性和通用性，并且提高了与各种训练器对接的便捷性和灵活性。
车载模型训练方法装置电子设备存储介质芯片

[发明专利]一种图像神经架构的确定方法、装置、设备及存储介质-CN202110106031.5有效
发明人：骆剑平;蔡榕鸿 -专利权人：深圳大学
申请日： 2021-01-26 - 公布日： 2023-09-29 - 主分类号： G06N3/0464 文献下载
摘要：本发明实施例公开了一种图像神经架构的确定方法、装置、设备及存储介质。其中，该方法包括：根据预设的遗传算子，对图像神经架构的当前种群中的父代个体进行变异操作，生成父代个体的当前子代集合；将当前子代集合输入至预设的多任务学习代理模型中，生成更新后的目标子代集合；采用预设的多目标优化算法对目标子代集合中的子代个体进行适应度排序，基于当前种群和预设的适应度要求，生成目标种群；判断当前迭代次数是否满足预设的迭代结束条件，若是，则根据预设的多目标优化算法，从目标种群中确定图像神经架构的帕累托最优集合，供用户从帕累托最优集合中确定目标神经架构。实现对图像神经架构的高效确定，有效节约确定时间。
一种图像神经架构确定方法装置设备存储介质

[发明专利]佛乐生成方法、装置、设备及存储介质-CN202110284960.5有效
发明人：刘奡智;郭锦岳;韩宝强;肖京 -专利权人：平安科技（深圳）有限公司
申请日： 2021-03-17 - 公布日： 2023-09-29 - 主分类号： G06N3/045 文献下载
摘要：本发明涉及人工智能技术领域，公开了一种佛乐生成方法、装置、设备及存储介质。该方法通过将佛教音乐的数字文件进行离散化和独热编码后，输入至3‑gram mLSTM模型进行向量的计算，然后将计算到的向量采用梯度下降反向传播操作，生成所述数字文件对应的佛乐；而采用离散特征进行one‑hot编码后，编码后的特征，其实每一维度的特征都可以看做是连续的特征，保证了数字文件处理后的连续性，避免存在过拟合的处理，提高了合成的准确率，同时还有效提高了音乐合成的效率，增强合成音乐的趣味性，适用性更强。
生成方法装置设备存储介质

[发明专利]用于压缩神经网络模型的方法及装置、设备和介质-CN202110456225.8有效
发明人：鲁超 -专利权人：上海哔哩哔哩科技有限公司
申请日： 2021-04-26 - 公布日： 2023-09-29 - 主分类号： G06N3/0464 文献下载
摘要：本公开提供了一种用于压缩神经网络模型的方法及装置、设备和介质，涉及人工智能技术领域，尤其涉及深度学习技术领域。该方案包括：获取第一神经网络模型，第一神经网络模型包括多个卷积通道和与每个卷积通道对应的批标准化通道，批标准化通道具有用于表示相应卷积通道的重要程度的重要性参数；基于相应的重要性参数，从所述多个卷积通道的第一子集中确定至少一个次要通道；确定所述多个卷积通道的第二子集中的卷积通道各自相应的冗余参数，所述冗余参数用于表示相应卷积通道的冗余程度；基于相应的冗余参数，从所述第二子集中确定至少一个冗余通道；以及基于剩余的卷积通道，构建压缩后的第二神经网络模型。
用于压缩神经网络模型方法装置设备介质

[发明专利]确定模型的方法、设备以及计算机可读存储介质-CN202110544297.8有效
发明人：洪坤磊;钱令军;肖谦 -专利权人：深圳市智影医疗科技有限公司
申请日： 2021-05-19 - 公布日： 2023-09-29 - 主分类号： G06N3/045 文献下载
摘要：本申请提供了一种确定模型的方法、设备以及计算机可读存储介质。该方法包括：利用验证集对依次训练得到的Q个模型中的Mi个模型分别进行Mi次验证，得到Mi*N个损失值，根据Mi*N个损失值统计N个样本中每个样本在Mi次验证中得到的N个统计信息，根据N个统计信息所指示的N个样本在Mi次验证中的变化规律在N个样本中确定Pi个样本，根据Pi个样本在Mi次验证中得到的至少部分损失值在Q个模型中确定目标模型。本申请在验证集的第i过程根据验证集的Mi次验证在验证集的N个样本中剔除不满足要求的样本，有助于提高根据验证集确定模型的准确性。
确定模型方法设备以及计算机可读存储介质

[发明专利]一种置信度比较方法及装置-CN201811641109.8有效
发明人：胡锋杰 -专利权人：杭州海康威视数字技术股份有限公司
申请日： 2018-12-29 - 公布日： 2023-09-29 - 主分类号： G06N3/045 文献下载
摘要：本申请提供一种置信度比较方法及装置，所述方法应用于深度学习网络，可以通过获取深度学习网络中的特征提取子网络输出的用于置信度比较的变量参数，所述变量参数包括目标特征一和目标特征二；通过计算所述目标特征一与所述目标特征二之差比较置信度大小。本申请通过将两个变量参数的softmax计算等价于两个变量参数的减法操作，在保证算法结果完全不变的前提下，去除了softmax层，从而精简了深度学习网络的结构，解决了实际工程中softmax层计算耗时和精度损失的问题，提升了整个网络的性能。
一种置信比较方法装置

[发明专利]基于深度的图像比较装置、方法及计算机可读介质-CN201880064700.3有效
发明人：宋基永;康鎣辛 -专利权人： SUALAB有限公司
申请日： 2018-07-30 - 公布日： 2023-09-29 - 主分类号： G06N3/045 文献下载
摘要：本发明的一实施例揭示在计算装置的一个以上的处理器中执行的图像比较方法。上述图像比较方法包括：上述处理器利用预先学习的网络函数来运算具有相互关联性的第一图像数据及第二图像数据的步骤；上述处理器以上述第一图像数据及上述第二图像数据为基础来确定上述第二图像数据的异常有关信息的步骤；以及上述处理器利用上述网络函数来输出所确定的异常有关信息的步骤。
基于深度图像比较装置方法计算机可读介质

[发明专利]使用具有不同标签集的多个带标签数据库的方法及装置-CN201911001782.X有效
发明人：金桂贤;金镕重;金寅洙;金鹤京;南云铉;夫硕焄;成明哲;呂东勋;柳宇宙;张泰雄;郑景中;诸泓模;赵浩辰 -专利权人：斯特拉德视觉公司
申请日： 2019-10-21 - 公布日： 2023-09-29 - 主分类号： G06N3/0464 文献下载
摘要：本发明提供使用具有不同标签集的多个带标签数据库的方法及装置，所述方法包括以下步骤：步骤a，如果各个对象分别跟与其对应的类别中的类和对对象加以注释以表示与其对应的类的信息对应，则构建按类别分别包括图像数据的学习用数据库和各个类别的GT标签集，且GT标签集对应于图像数据集；步骤b，接收学习用数据库中属于与特定类对应的特定图像数据集的特定图像而作为输入图像，生成特征图后，基于特征图，生成与包含于输入图像的特定对象对应的各个类别的分类结果；及步骤c，使用各个类别的损失学习CNN的参数。
使用具有不同标签多个带数据库方法装置