“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]神经网络的信息流动控制方法、装置、设备及介质-CN202310999951.3有效
发明人：杨志宏;由育阳 -专利权人：中国医学科学院药用植物研究所;北京理工大学
申请日： 2023-08-10 - 公布日： 2023-10-27 - 主分类号： G06N3/042 文献下载
摘要：本发明涉及神经网络技术领域，尤其涉及一种神经网络的信息流动控制方法、装置、设备及介质。该方法包括：将样本体表生理数据输入到目标神经网络中；针对至少一个隐藏层，对该隐藏层的至少部分输入特征进行置零处理；在每对一个隐藏层进行置零处理时，确定目标神经网络在进行该置零处理前后的模型性能的变化量；基于与每次进行的置零处理对应的模型性能的变化量，确定进入各隐藏层的输入特征的置零位置，以实现待测体表生理数据在目标神经网络中的信息流动控制；其中，样本体表生理数据和待测体表生理数据的数据类型相同，且样本体表生理数据和待测体表生理数据均为时间序列数据。上述技术方案能够增强神经网络的可解释性。
神经网络信息流动控制方法装置设备介质

[发明专利]汽车螺栓拧紧曲线重建模型构建和拧紧质量识别方法-CN202311027177.6有效
发明人：尤嘉勋;王伟;王晓杰;毛何灵;田程;张康达;程胜龙 -专利权人：中汽信息科技（天津）有限公司
申请日： 2023-08-16 - 公布日： 2023-10-27 - 主分类号： G06N3/0455 文献下载
摘要：本发明实施例公开了一种汽车螺栓拧紧曲线重建模型构建和拧紧质量识别方法。其中，汽车螺栓拧紧曲线重建模型构建方法包括：获取汽车不同种类螺栓在不同情况下的拧紧曲线，其中，所述不同情况包括正常情况和多种异常情况，各拧紧曲线中包括不同程度的干扰噪声；利用各拧紧曲线对基于深度学习的神经网络模型进行训练，将训练好的模型作为汽车螺栓拧紧曲线重建模型；其中，所述神经网络模型包括编码器和多个解码器，各解码器分别对应所述不同情况中的一种情况。本实施例去除拧紧曲线中的干扰噪声。
汽车螺栓拧紧曲线重建模型构建质量识别方法

[发明专利]一种融合人工神经网络和神经形态计算的在线学习方法-CN201910880288.9有效
发明人：周军;李思旭;张兆民;弓育川 -专利权人：电子科技大学
申请日： 2019-09-18 - 公布日： 2023-10-27 - 主分类号： G06N3/045 文献下载
摘要：本发明公开了一种融合人工神经网络和神经形态计算的在线学习方法，属于机器学习领域，特别是涉及神经网络的学习领域。解决神经网络面对特征变化或者未知数据时正确率下降的问题，需要对神经网络进行在线学习。脉冲神经网络通常采用无监督学习，比起有监督学习，准确率较低，容易在学习错误之后一直向着错误的方向前进。人工神经网络通常采用有监督学习，准确率较高，但是推理和学习功耗较大。因此本专利中提出一种新的方案，使用人工神经网络辅助脉冲神经网络进行在线学习，由于大多数时间采用脉冲神经网络推理和无监督学习，因此功耗较低，同时隔一段时间通过人工神经网络和有监督学习对权值进行修正，因此可以保证较高的准确率。
一种融合人工神经网络神经形态计算在线学习方法

[发明专利]基于滤波器分布的神经网络模型加速方法及平台-CN202110209931.2有效
发明人：王宏升;管淑祎 -专利权人：之江实验室
申请日： 2021-02-25 - 公布日： 2023-10-27 - 主分类号： G06N3/0464 文献下载
摘要：本发明公开了一种基于滤波器分布的神经网络模型加速方法及平台，引入滤波器彼此之间的距离来反映滤波器的分布，而且在此基础上设计了一种新颖的基于滤波器平均相似度分数的裁剪准则，即随着网络迭代训练的不断更新，根据当前通道滤波器的分布计算神经网络模型的裁剪准则。包括如下步骤：步骤一、定义问题，将神经网络卷积操作进行建模；步骤二、设计基于滤波器裁剪的神经网络优化目标；步骤三、计算基于Minkowski距离的滤波器相似度分数；步骤四、设计滤波器裁剪准则。
基于滤波器分布神经网络模型加速方法平台

[发明专利]一种基于FPGA的神经网络系统-CN202311044555.1在审
发明人：任彬;孟庆辉;逯超;王汉瑞 -专利权人：潍柴动力股份有限公司
申请日： 2023-08-18 - 公布日： 2023-10-24 - 主分类号： G06N3/048 文献下载
摘要：本申请公开一种基于FPGA的神经网络系统，包括：输入层、依次连接的多层隐藏层、输出层以及触发各层工作的时钟；输入层包括输入计算层以及数据缓存层；输入计算层包括计数器、计算模块以及输入层对应的查找表；每层隐藏层包括隐藏计算层以及数据选择层；隐藏计算层包括隐藏层对应的查找表以及乘积计算模块；输出层包括输出计算层以及输出锁存层；其中，计数器用于依次输出计数值，以基于计数值从各层对应的查找表中查找出计数值对应的权重值；各层的计算层用于对查找的权重值以及输入值进行计算；数据缓存层、数据选择层以及输出锁存层主要对计算结果进行缓存，并控制计算结果有序输出。
一种基于 fpga 神经网络系统

[发明专利]一种基于膨胀残差宽度网络的模态分析方法、系统及装置-CN202310896177.3在审
发明人：阳爱民;曾培健;陆茂华;侯利恒;林楠铠;林江豪 -专利权人：广东工业大学;广船国际有限公司
申请日： 2023-07-21 - 公布日： 2023-10-24 - 主分类号： G06N3/0464 文献下载
摘要：本发明公开了一种基于膨胀残差宽度网络的模态分析方法、系统及装置，该方法包括：收集多类别的模态分析案例，构建数据集；基于DRN网络框架，结合膨胀残差卷积模块和宽度学习模块，构建分析模型；设定损失函数，基于所述数据集对所述分析模型进行训练，得到训练完成的分析模型；将待测数据输入至所述训练完成的分析模型，得到模态分析结果。该系统包括：数据集构建模块、模型构建模块、模型训练模块和模态分析模块。该装置包括存储器以及用于执行上述基于膨胀残差宽度网络的模态分析方法的处理器。通过使用本发明，达到降低模态分析方法中模型计算时间开销的目的。本发明可广泛应用于模态分析领域。
一种基于膨胀宽度网络分析方法系统装置

[发明专利]一种基于AI的通关合规检测系统及方法-CN202310937817.0在审
发明人：金菊;金东 -专利权人：苏州工业园区报关有限公司
申请日： 2023-07-28 - 公布日： 2023-10-24 - 主分类号： G06N3/0464 文献下载
摘要：本发明提供了一种基于AI的通关合规检测系统及方法，包括前端数据收集模块，图片运算存储器，AI芯片，后端检测分析平台，云端数据库，嵌入式应用软件；本发明通过构建一个网络边缘侧基于AI芯片的终端，采用了神经网络加速和压缩的方法，将复杂的神经网络优化后从服务器端移植到边缘侧，在本地进行数据分析，分析结果实时反馈云端，结合通关合规检测的应用场景，解决海量图像数据传输问题和边缘侧复杂神经网络模型运算问题。
一种基于 ai 通关合规检测系统方法

[发明专利]一种自适应降采样的方法及装置-CN202310837069.9在审
发明人：翟延成;梁波;张炜刚 -专利权人：上海沄熹科技有限公司
申请日： 2023-07-10 - 公布日： 2023-10-24 - 主分类号： G06N3/0464 文献下载
摘要：本发明涉及时序数据库领域，具体提供了一种自适应降采样的方法及装置，具有如下步骤：S1、首先启动时序数据库主节点和备节点；S2、开始进行时序数据写入主节点；S3、时序数据写入主节点的同时也写入降采样算法模型中；S4、写入备节点及降采样算法模型中；S5、写入降采样算法模型的数据进行降采样算法的深度卷积神经网络训练；S6、将处理之后的时序数据写入备节点；S7、将主节点中的已经经过降采样算法模型处理的原始数据进行清理；S8、将备节点中的经过降采样算法模型处理之后的时序数据增量同步到主节点中；S9、组装正确的时序数据后返回结果。与现有技术相比，本发明能够提高降采样的准确性及降低存储资源占用。
一种自适应采样方法装置

[发明专利]一种能够自主选择隐藏层神经元个数的自主学习算法-CN202310848823.9在审
发明人：邢建川;陈洋;曾凤;周春文;付鱼;辛旺 -专利权人：电子科技大学
申请日： 2023-07-12 - 公布日： 2023-10-24 - 主分类号： G06N3/0499 文献下载
摘要：本发明公开了一种能够自主选择隐藏层神经元个数的自主学习算法；本申请所述的算法是以分布式并行存储以及并行的协同信息处理为基础，依靠复杂的网络系统，调整网络中不同层节点之间的连接关系以及层与层之间的权值，最终得到能够处理具体信息的网络。它具备传统BP神经网络的优点，能够进行并行信息处理、模式分类、记忆学习以及非线性映射，同时还具有自主学习和自适应的特点，能够自主确定隐含层神经元个数。因为本算法增加了神经元个数自主选择算法，省略了人工选择神经元个数的步骤，故提高了自身自主学习的能力。
一种能够自主选择隐藏神经元个数学习算法

[发明专利]神经网络模型的调整方法、电子设备及可读存储介质-CN202210350883.3在审
发明人：兰国兴;孟亚洲;张少永;张建;张腾;王斌 -专利权人：华为技术有限公司
申请日： 2022-04-02 - 公布日： 2023-10-24 - 主分类号： G06N3/047 文献下载
摘要：本申请属于人工智能技术领域，具体公开了一种神经网络模型的调整方法、电子设备及可读存储介质。其中的方法包括：获取第二电子设备在运行第一神经网络模型的过程中生成的用户样本数据；采用用户样本数据和用于训练第一神经网络模型的训练数据集中的训练样本数据，对第一神经网络模型进行调整，得到第二神经网络模型，其中训练样本数据是概率差满足预设条件的样本数据，概率差是训练数据集中的第一数据能够被第一神经网络模型划分为正确类型的概率与划分为错误类型的概率之间差值的绝对值。该方法能够提高神经网络模型(即端侧模型)的识别准确率，进而有利于提高用户的使用体验。
神经网络模型调整方法电子设备可读存储介质

[发明专利]一种基于节点特征与图结构解耦的图表示学习方法-CN202310803416.6在审
发明人：周航;周斌彬;郑增威;周展 -专利权人：浙江大学;浙大城市学院
申请日： 2023-07-03 - 公布日： 2023-10-24 - 主分类号： G06N3/042 文献下载
摘要：本发明涉及一种基于节点特征与图结构解耦的图表示学习方法，包括收集原始图结构数据并标记；对图中每个节点生成特征子图与结构子图；对于特征子图，使用注意力机制和图池化得到特征子图的表示；对于结构子图，对节点特征进行重初始化，并使用图同构网络和图池化得到结构子图的表示；将特征子图表示与结构子图表示进行加权融合；将最终的节点表示输入至编码器进行节点分类任务。本发明的有益效果是：本发明考虑了在图表示学习的过程中对节点特征信息和结构信息进行了解耦，使用基于子图采样的方法分别学习节点特征信息和结构信息，使其更加适应现有的图神经网络，具有更高的泛化性。
一种基于节点特征结构图表学习方法

[发明专利]一种新型滚齿加工瓶颈因素分析方法及装置-CN202310129828.6在审
发明人：朱俊江;马城;钱丽娟 -专利权人：中国计量大学
申请日： 2023-02-14 - 公布日： 2023-10-24 - 主分类号： G06N3/0464 文献下载
摘要：本发明公开了一种新型滚齿加工瓶颈因素分析方法及装置。其中，该方法包括：通过传感器采集加工误差信号；根据所述加工误差信号，生成训练集合X和标签集合Y；根据所述训练集合X和标签集合Y构建卷积神经网络模型；将检测数据输入所述卷积神经网络模型，得到分析结果。本发明解决了随着加工过程的复杂化以及生产监控设备的数字化，传统仅仅依靠现场专业操作人员分析并寻找加工质量异常原因的方法变得效益低下的技术问题。
一种新型加工瓶颈因素分析方法装置

[发明专利]支持可变指数位宽的多精度Posit编解码运算装置及方法-CN202310971673.0在审
发明人：王中风;李琼;方超 -专利权人：南京大学
申请日： 2023-08-03 - 公布日： 2023-10-24 - 主分类号： G06N3/0455 文献下载
摘要：本发明提供了支持可变指数位宽的多精度Posit编解码运算装置及方法，所述装置包括多精度Posit译码器、多精度Posit运算单元和多精度Posit编码器；多精度Posit译码器接收Posit输入数据、精度模式控制信号和指数位宽es配置信号，完成译码操作，得到有效的符号、指数及尾数值输出；多精度Posit运算单元完成相应的运算并将运算结果发送给多精度Posit编码器，多精度Posit编码器完成Posit输出数据的编码。本发明实现了运行时指数位宽动态可配置，能在相同的硬件中同时支持Posit格式大动态范围和高数值精度的优势，同时实现了硬件高效的多精度Posit编解码运算。
支持可变指数精度 posit 解码运算装置方法

[发明专利]算子融合方法及装置、电子设备、计算机可读介质-CN202210350623.6在审
发明人：徐茂轩;薛冰 -专利权人：北京灵汐科技有限公司
申请日： 2022-04-02 - 公布日： 2023-10-24 - 主分类号： G06N3/0464 文献下载
摘要：本公开提供了一种算子融合方法及装置、电子设备、计算机可读介质，该方法包括：根据预设的算子融合模式集合，从指定计算图的多个子图中确定出目标子图；获取目标子图的执行信息；根据与目标子图对应的算子融合模式、目标子图的执行信息和预设的融合执行机制，确定目标子图的执行策略。根据本公开的实施例能够快捷地识别出需要进行算子融合的目标子图，并准确地确定目标子图的执行策略，以便处理核心在根据该执行策略生成的指令执行子图的计算任务时，减少对片上存储资源的占用，加快对计算任务的执行速度，从而有效提高处理能力。
算子融合方法装置电子设备计算机可读介质

[发明专利]一种基于BOA-LSTM的住宅建筑用电预测方法-CN202310819277.6在审
发明人：王瑶;王龙;张道安;王函韵;卢峰;董寒宇;岑梁;陈家乾;徐长响;郭旺;郑伟 -专利权人：国网浙江省电力有限公司湖州供电公司;湖州电力设计院有限公司
申请日： 2023-07-05 - 公布日： 2023-10-24 - 主分类号： G06N3/0442 文献下载
摘要：本发明公开了一种基于BOA‑LSTM的住宅建筑用电预测方法，为了克服现有技术的缺乏对住宅建筑用电的准确预测方法的问题，包括：采集住宅建筑用电能耗作为原始数据构建原始数据集，基于LSTM神经网络构建住宅建筑用电能耗预测模型；通过BOA算法进行超参数寻优获取最优超参数组合，利用最优超参数组合对住宅建筑用电能耗预测模型进行迭代训练；构建模型评价指标，基于模型评价指标对住宅建筑用电能耗预测模型进行评价。LSTM神经网络可以识别不规则时间序列的趋势且可存储较长的依赖信息，BOA算法即贝叶斯优化算法，通过贝叶斯优化算法寻求最优的超参数组合，对神经网络进行调参，使神经网络超参数调优获得较好的训练结果，提升数据预测的及时性和准确性。
一种基于 boa lstm 住宅建筑用电预测方法