“杨森乔”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网_中国专利网

首页在售求购查询申请展会资讯专利榜企服商城升级VIP

立即登录免费注册

在售专利
求购专利
查询专利
新闻资讯
技术展会
招商加盟
专利榜

本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247 本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247 本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247

本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247 本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247 本网专利代理业务由天津创信方达专利代理事务所(普通合伙)承接机构代码：12247

专利名称

专利名称
专利号码
专利分类
申请人
公布日期

农业化学；冶金建筑机械工程区域搜索

主分类

B 作业；运输

C 化学；冶金

D 纺织；造纸

E 固定建筑物

F 机械工程、照明、加热

专利下载VIP

公布日期

2023-10-24 公布专利

2023-10-20 公布专利

2023-10-17 公布专利

2023-10-13 公布专利

2023-10-10 公布专利

2023-10-03 公布专利

2023-09-29 公布专利

2023-09-26 公布专利

2023-09-22 公布专利

2023-09-19 公布专利

专利权人

国家电网公司

华为技术有限公司

中兴通讯股份有限公司

三星电子株式会社

中国石油化工股份有限公司

鸿海精密工业股份有限公司

松下电器产业株式会社

上海交通大学

钻瓜专利网为您找到相关结果3个，建议您升级VIP下载更多相关专利

[发明专利]一种一体化域适应图像分类方法-CN202310335371.4在审
发明人：臧泽林;杨森乔;商磊;李子青 -专利权人：西湖大学
申请日： 2023-03-31 - 公布日： 2023-06-27 - 主分类号： G06V10/764 文献下载
摘要：本发明公开一种一体化域适应图像分类方法，该方法通过构建一体化域适用图像分类模型，模型包括特征提取网络F、特征映射网络H、分类网络C和惩罚函数；特征映射网络H将所述特征提取网络F提取的特征映射到潜空间中，得到泛化性更强的表示向量；分类网络根据特征提取网络F和特征映射网络H提取到的图片的特征的不同进行分类，判断图像属于源域或目标域，并计算损失函数；通过损失的反向传播，对特征提取网络F、特征映射网络H、分类网络C进行联合优化。本发明通过损失函数的特殊设计，能够能很好地避免现有分类器的过分自信问题，以避免发生过拟合等现象。
一种一体化适应图像分类方法

[发明专利]低成本惯性传感器的信号增强与手势识别方法及系统-CN202211600874.1在审
发明人：赵毅;杨森乔;王一峰 -专利权人：哈尔滨工业大学（深圳）
申请日： 2022-12-13 - 公布日： 2023-05-16 - 主分类号： G06F18/10 文献下载
摘要：本发明涉及一种低成本惯性传感器的信号增强与手势识别方法及系统，属于惯性传感器领域。利用递归图的确定性指标，对经验模态分解后得到的多分辨率模态分量进行随机性评估，同时利用小波阈值降噪对模态分量中的随机误差进行有效控制，从而实现对低成本IMU数据的信号增强，极大地缩小了低成本IMU信号质量与高成本IMU之间的差距；为充分挖掘多源IMU信号不易受时频误差干扰的关联信息，首次将IMU运动数据的时频特征与反映手势动作动力学信息和结构信息的复杂网络拓扑特征进行了融合，提高了手势识别的精度，实现了多种三维手势动作的高精度识别。
低成本惯性传感器信号增强手势识别方法系统

[发明专利]结合梯度算法和演化算法对神经网络模型进行优化的方法-CN202210651534.5在审
发明人：邓皓键;吴启荣;杨森乔 -专利权人：哈尔滨工业大学（深圳）
申请日： 2022-06-10 - 公布日： 2022-08-16 - 主分类号： G06F30/27 文献下载
摘要：本发明提供了一种结合梯度算法和演化算法对神经网络模型进行优化的方法，包括步骤1：使用梯度算法对神经网络模型进行初步训练；步骤2：将使用梯度算法优化神经网络模型所得最后N个迭代的优化解取出，将最后N个迭代的优化解作为演化算法的初始搜索范围；步骤3：使用演化算法对神经网络模型进行参数更新，获得更优解。本发明的有益效果是:本发明可以融合梯度算法与演化算法的优点，提高模型准确率，较大程度地保证模型收敛到全局最优解，确保模型稳定性，同时在不同数据集及神经网络模型中可广泛应用。
结合梯度算法演化神经网络模型进行优化方法

1
共 3 条

友情链接：交换友情链接需要网站权重大于4，网站收录10W以上，如符合条件，请联系QQ：76009968。

关于我们寻求报道投稿须知广告合作版权声明网站地图友情链接企业标识联系我们

在线咨询

400-8765-105周一至周五 9:00-18:00

版权所有钻瓜科技（天津）有限公司津ICP备15000985号津公网安备 12019202000206号http://www.vipzhuanli.com/公布日期

咨询在线客服

咨询在线客服

tel code back_top