“G06N5/04”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976个，建议您升级VIP下载更多相关专利

[发明专利]推理实现方法、网络、电子设备及存储介质-CN202111413826.7有效
发明人：魏旭宾;朱磊 -专利权人：达闼科技（北京）有限公司
申请日： 2021-11-25 - 公布日： 2023-07-11 - 主分类号： G06N5/043 文献下载
摘要：本发明实施例涉及人工智能技术领域，公开了一种推理实现方法、网络、电子设备及存储介质。应用于边缘节点时，该方法包括：接收下级边缘节点和/或终端设备在推理失败的情况下发送的第一推理请求，第一推理请求携带待推理数据和推理类型；根据推理类型调用目标推理模型对待推理数据进行推理；在推理成功的情况下，将目标推理模型输出的推理结果返回给下级边缘节点和/或终端设备；在推理失败的情况下，根据待推理数据和推理类型生成第二推理请求，并将第二推理请求发送给上级边缘节点和/或云端节点，将上级边缘节点和/或云端节点返回的推理结果下发给下级边缘节点和/或终端设备。大大提高终端设备推理成功的概率和准确率，提升用户体验。
推理实现方法网络电子设备存储介质

[发明专利]一种基于动态推理网络检测通用物体的方法和系统-CN202310328749.8在审
发明人：王勇涛;林稚皓 -专利权人：北京大学
申请日： 2023-03-30 - 公布日： 2023-07-07 - 主分类号： G06N5/04 文献下载
摘要：本发明涉及一种基于动态推理网络检测通用物体的方法和系统。该方法包括：基于给定的通用物体检测器，构建多出口的动态推理物体检测器；为所述多出口的动态推理物体检测器插入多尺度自适应门控网络；利用无超参数的训练策略，训练所述多出口的动态推理物体检测器及所述多尺度自适应门控网络；利用训练完成的所述多出口的动态推理物体检测器及所述多尺度自适应门控网络，采用可变时延推理策略进行通用物体检测。本发明可广泛应用于多种通用物体检测器部署当中，进而应用于智能安防、自动驾驶、无人机勘测等多种应用场景，以快速实现同一模型在多种硬件需求的有效部署、应用，降低人力、物力、财力的消耗。
一种基于动态推理网络检测通用物体方法系统

[发明专利]形状推理方法及装置、数据处理方法及装置和存储介质-CN202310403209.1在审
发明人：请求不公布姓名 -专利权人：上海壁仞智能科技有限公司
申请日： 2023-04-14 - 公布日： 2023-07-07 - 主分类号： G06N5/04 文献下载
摘要：本公开提供一种形状推理方法、数据处理方法、形状推理装置、数据处理装置和非瞬时性计算机可读存储介质。该形状推理方法包括：获取输入形状信息；基于输入形状信息，确定多个推理形状；基于网络对多个推理形状进行形状推理，以得到与多个推理形状分别对应的多个推理信息组，其中，网络包括多个算子，每个推理形状对应的推理信息组包括多个算子的与推理形状对应的多个核函数、多个算子的与推理形状对应的多个张量信息和推理形状对应的内存配置信息；存储多个推理信息组。
形状推理方法装置数据处理存储介质

[发明专利]一种多粒度历史聚合的时序知识图谱推理方法及系统-CN202310276162.7在审
发明人：请求不公布姓名 -专利权人：成都数之联科技股份有限公司
申请日： 2023-03-21 - 公布日： 2023-07-07 - 主分类号： G06N5/04 文献下载
摘要：本发明提供一种多粒度历史聚合的时序知识图谱推理方法及系统，涉及自然语言处理领域，所述方法包括步骤为：获取待推理事件的时序知识图谱数据；截取不同长度的时序知识图谱数据，以获取训练数据；使用历史递归网络建模不同粒度的实体表征和关系表征；使用历史卷积网络再次建模不同粒度的实体表征；基于实体表征和关系表征建模结果计算事件概率，并且构造损失函数，以实现模型训练；使用训练后的模型推理缺失的事件。本发明通过融合不同长度、不同粒度的历史信息，深度建模历史的演化模式，解决了现有基于时序知识图谱推理事件未充分考虑历史事件发展的周期性和重复性，导致事件推理的准确率低，难以满足复杂的事件推理需求的问题。
一种粒度历史聚合时序知识图谱推理方法系统

[发明专利]一种基于决策路径图的强化学习策略可解释方法-CN202310242666.7在审
发明人：刘书洋;刘潇;陈子璇;高阳;解宇 -专利权人：南京大学;江苏万维艾斯网络智能产业创新中心有限公司
申请日： 2023-03-14 - 公布日： 2023-07-07 - 主分类号： G06N5/045 文献下载
摘要：本发明提供了一种基于决策路径图的强化学习策略可解释方法，属于人工智能可解释领域。本发明提出了决策路径图的构建及简化方法。在此过程中，本专利基于强化学习智能体收集的经验数据，以状态为节点，动作为边，构建决策路径图，建模强化学习策略，并针对连续型状态空间中状态节点数量过多的问题，采用自适应半径方法，合并具备相同动作的相似状态节点，并随后基于轨迹入度指标寻找强化学习策略中的关键状态，达到强化学习策略解释的效果。
一种基于决策路径强化学习策略可解释方法

[发明专利]元输入方法及系统和基于元输入用户中心推导方法及系统-CN202211615785.4在审
发明人：鲁勇满;刘永俊;金珉秀 -专利权人：韩国科学技术院
申请日： 2022-12-15 - 公布日： 2023-07-04 - 主分类号： G06N5/04 文献下载
摘要：本发明提供一种用于再利用已学习的深度学习模型的元输入方法以及系统和基于元输入的用户中心推导方法以及系统。一实施例的用于再利用由计算机装置执行的已学习的深度学习模型的元输入方法可包括如下步骤：根据输入数据与已学习的深度学习模型的输出预测之间的关系来将元输入(meta input)最优化；以及向测试数据添加最优化的上述元输入，以将用户环境的测试数据的分布变换成用于构建上述深度学习模型的学习数据的分布。
输入方法系统基于用户中心推导

[发明专利]一种小型水库工程质量推定与事故诊断快速方法-CN202010393725.7有效
发明人：葛从兵;严吉皞;王士军;陈剑;谷艳昌;张国祥;黄海兵;庞琼;吴云星;江超;朱沁夏 -专利权人：水利部交通运输部国家能源局南京水利科学研究院
申请日： 2020-05-11 - 公布日： 2023-07-04 - 主分类号： G06N5/046 文献下载
摘要：本发明公开了一种小型水库工程质量推定与事故诊断快速方法，所述方法根据小型水库基本情况，经过正向推理，判定小型水库工程质量，根据小型水库发生的事故，采用反向推理机，诊断事故产生的原因；所述方法由知识管理、工程质量推定和事故诊断组成。该从大坝基础资料推定工程质量，从事故表象诊断产生原因，使水库代管人员及时掌握小型水库安全性状，为小型水库安全运行提供技术支撑。小型水库工程质量推定与事故诊断快速方法不需要坝工专业知识和经验，具有普适性。采用此方法开发的信息系统，能够被水库代管人员普遍掌握。
一种小型水库工程质量推定事故诊断快速方法

[发明专利]一种基于数据驱动因果推断的发电低碳运行辅助决策方法-CN202310172374.0在审
发明人：黄杰;房庆熙;孟昭军;金竞琦;陈学通;赖业宁;薛峰;张翼飞 -专利权人：国电南瑞科技股份有限公司;南瑞集团有限公司
申请日： 2023-02-24 - 公布日： 2023-06-30 - 主分类号： G06N5/046 文献下载
摘要：本发明公开了一种基于数据驱动因果推断的发电低碳运行辅助决策方法，包括以下步骤：(1)采集火电厂数据并进行预处理；(2)构建反映变量间关系的因果图；(3)识别因果推断中的控制变量；(4)采用匹配算法计算匹配值并进行筛选，进而得到干预变量和结果变量的因果推断函数；(5)基于步骤(4)的因果推断函数进行火电厂低碳运行控制灵敏度的评估。本发明通过构建因果图，基于数据驱动因果推断拟合出运行控制量与碳排放量之间的关系，对碳排放水平进行灵敏度分析，进而实现碳排放量合理控制，实现火电厂低碳运行辅助决策。
一种基于数据驱动因果推断发电运行辅助决策方法

[发明专利]基于时空关系的知识图谱推理方法及系统-CN202310290236.2在审
发明人：刘杰;任伏虎;刘嘉澍;伍学民;王丽娜;王飞 -专利权人：北斗伏羲中科数码合肥有限公司
申请日： 2023-03-23 - 公布日： 2023-06-30 - 主分类号： G06N5/04 文献下载
摘要：本发明提供了一种基于时空关系的知识图谱推理方法及解析系统，属于知识图谱技术领域，解决了现有技术难以支撑复杂的时空知识推理的问题。该方法包括如下步骤：将目标地理空间均匀分割成M×N×L网格矩阵；对网格矩阵中的每一单元网格体，建立包括其时空信息、实体信息的集合，作为该单元网格体的知识图谱数据模型；接收输入的时空关系问题，确定与该问题相关的判定规则，进而建立用于对每一单元网格体的时空信息、实体信息进行规则匹配正误验证的判定模型；根据上述判定模型对每一单元网格体的知识图谱数据模型进行验证，获得符合上述判定规则的所有单元网格体，将获得的所有单元网格体构成的区域或所述区域内的实体对象，作为推理结果输出。
基于时空关系知识图谱推理方法系统

[发明专利]智能模型的训练方法和装置-CN202111582987.9在审
发明人：马梦瑶;刘坚能;苏立群 -专利权人：华为技术有限公司
申请日： 2021-12-22 - 公布日： 2023-06-30 - 主分类号： G06N5/04 文献下载
摘要：本申请提供了一种智能模型的训练方法和装置。该方法包括：中心节点与多个参与节点组联合执行智能模型的训练，该智能模型由推理目标的多种特征对应的多个特征模型组成，一个参与节点组中的参与节点训练一个特征模型，该训练方法由一个参与节点执行，包括：接收来自中心节点的用于指示特征间约束变量的第一信息，该特征间约束变量用于表征不同该特征之间的约束关系。根据该特征间约束变量、第一特征模型的模型参数和第一样本数据，利用梯度推理模型，得到特征间约束变量对应的梯度信息，并发送给中心节点。实现了联邦学习基于不同特征的分布式训练，能够提升训练得到的模型的性能。
智能模型训练方法装置

[发明专利]一种基于树形贝叶斯网络的配电网灾情推断方法及系统-CN201911340109.9有效
发明人：时珊珊;周健;方陈;陈冉;熊宇峰;陈颖;黄少伟;陈来军;李博达 -专利权人：国网上海市电力公司;清华大学
申请日： 2019-12-23 - 公布日： 2023-06-30 - 主分类号： G06N5/04 文献下载
摘要：本发明实施例提供一种基于树形贝叶斯网络的配电网灾情推断方法及系统，包括：构建树形贝叶斯网络；确定关键节点集及其证据集相关的停运组合集，并基于树形贝叶斯网络，获取停运组合集中每个停运组合的联合概率；确定每个停运组合的联合概率中的最大值作为证据集下灾情推断的最终结果。本发明实施例提供的基于树形贝叶斯网络的配电网灾情推断方法及系统，通过对贝叶斯网络的结构和推断算法进行优化，建立树形贝叶斯网络；并基于停运组合的联合概率的分析，针对配电网中的关键负荷进行推断，有效的简化了概率计算的复杂度，实现大规模配电网秒级实时灾情推断。
一种基于树形贝叶斯网络配电网灾情推断方法系统

[发明专利]一种基于蒙特卡洛树搜索的自动驾驶纵向决策方法-CN202310199783.X在审
发明人：李增宝;董未名;张羽 -专利权人：郑州大学
申请日： 2023-03-05 - 公布日： 2023-06-27 - 主分类号： G06N5/04 文献下载
摘要：本申请涉及自动驾驶领域，提供了一种在采样后ST图上进行蒙特卡洛树搜索的自动驾驶纵向决策方法。包括：构建神经网络并训练，将训练好的神经网络部署到决策方法中，决策过程中得到的神经网络推理结果是si＝p(ti)的离散函数；在采样后的ST图中基于神经网络得到的先验知识(si＝p(ti)离散函数)进行蒙特卡洛树搜索，以得到最优的N条轨迹；依据得到的最优轨迹得出纵向决策。本申请对比于动态规划搜索方式，在一定程度上能够减少耗时，提高决策鲁棒性，且可以得到多组纵向决策，适用于多线程/多进程架构。
一种基于蒙特卡洛树搜索自动驾驶纵向决策方法

[发明专利]深度学习推理框架的扩展方法、装置、设备及介质-CN202310257759.7在审
发明人：罗阳 -专利权人：北京百度网讯科技有限公司
申请日： 2023-03-09 - 公布日： 2023-06-27 - 主分类号： G06N5/04 文献下载
摘要：本公开提供了深度学习推理框架的扩展方法、装置、电子设备、存储介质以及程序产品，涉及人工智能技术领域，尤其涉及深度学习技术领域。具体实现方案为：响应于用于扩展目标插件的扩展请求，深度学习推理框架获取目标插件的配置信息，深度学习推理框架包括加载接口、初始化接口、运行接口；基于配置信息，利用加载接口获取目标插件的资源的调用地址；响应于已成功获取调用地址，基于配置信息，利用初始化接口获取初始化参数；以及基于调用地址和初始化参数，利用运行接口运行目标插件。
深度学习推理框架扩展方法装置设备介质

[发明专利]图形处理单元中的低功率推断引擎管线-CN202211475112.3在审
发明人： V·克里希南;C-W·李;B·J·阿什博;D·比拉吉;P·凯 -专利权人：英特尔公司
申请日： 2022-11-23 - 公布日： 2023-06-27 - 主分类号： G06N5/04 文献下载
摘要：一个实施例提供一种包括图形处理器设备的装置，该图形处理器设备包括第一计算引擎和第二计算引擎，其中第二计算引擎包括由第一计算引擎提供的功能的子集和相对于第一计算引擎的较低功耗。
图形处理单元中的功率推断引擎管线

[发明专利]一种基于BERT编码的数学应用题求解系统及方法-CN202310122745.4在审
发明人：张天成;张亦嘉;谢鹏;于明鹤;于戈 -专利权人：东北大学
申请日： 2023-02-16 - 公布日： 2023-06-23 - 主分类号： G06N5/04 文献下载
摘要：本发明提供一种基于BERT编码的数学应用题求解系统及方法，涉及应用求解技术领域。本系统包括编码模块、解码模块、监督模块以及微调模块。本方法使用MacBERT:作为中文题目的编码器，BERT作为英文题目的编码器；编码过程首先获取文本序列Q，并将文本序列Q映射成逐个字向量所构成的向量表示矩阵，对向量表示矩阵中各个字向量取平均得到文本序列的整体表示向量，使用树形解码器来生成表达式树；利用分类器捕捉导致生成错误表达式的题目表示，如果分类器输出结果为1，表示解码器生成的表达式与题目相对应，如果输出结果为0，则说明编码器生成的题目表示向量导致了错误表达式的生成，需要被进一步优化；对系统进行训练，从而实现数学应用题的求解。
一种基于 bert 编码数学应用题求解系统方法