[发明专利]处理交互事件的方法及装置有效
| 申请号： | 201910803312.9 | 申请日： | 2019-08-28 |
| 公开（公告）号： | CN110689110B | 公开（公告）日： | 2023-06-02 |
| 发明（设计）人： | 文剑烽;常晓夫;刘旭钦;宋乐 | 申请（专利权）人： | 创新先进技术有限公司 |
| 主分类号： | G06N3/0442 | 分类号： | G06N3/0442;G06N3/0464;G06N3/048;G06Q40/04 |
| 代理公司： | 北京亿腾知识产权代理事务所(普通合伙) 11309 | 代理人： | 陈霁;周良玉 |
| 地址： | 开曼群岛大开曼岛*** | 国省代码： | 暂无信息 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本说明书实施例提供一种处理交互事件的方法和装置。在该方法中，首先获取根据动态交互序列构建的动态交互图，其中各个交互事件中涉及的各个交互对象对应于图中各个节点。对于待分析的当前交互事件，从该动态交互图中得到该当前交互事件的参与节点，以及参与节点的关联节点，并在动态交互图中确定出各个参与节点、关联节点相关的各个子图。然后将参与节点的子图输入第一神经网络模型，其中基于节点的事件特征和连接关系进行处理，得到参与节点的隐含向量；将关联节点的子图输入第二神经网络模型，其中基于节点的事件类别标签和连接关系进行处理，得到关联节点的隐含向量。于是，基于这些节点的隐含向量，表达并分析当前交互事件。 | ||
| 搜索关键词： | 处理 交互 事件 方法 装置 | ||
【主权项】：
1.一种计算机执行的、处理交互事件的方法，所述方法包括：/n获取根据动态交互序列构建的动态交互图，其中，所述动态交互序列包括按照时间顺序排列的多个交互事件，每个交互事件包括，发生交互行为的两个对象，事件特征和交互时间；所述多个交互事件中至少部分交互事件具有事件类别标签；所述动态交互图包括代表各个事件中的各个对象的多个节点，其中，任意节点i通过连接边指向两个关联节点，所述两个关联节点是该节点i所代表的对象参与的上一交互事件对应的两个节点；/n在所述动态交互图中，确定待分析的当前交互事件对应的第一节点和第二节点，以及相关的四个关联节点，所述四个关联节点包括所述第一节点指向的两个关联节点，以及所述第二节点指向的两个关联节点；/n分别以所述第一节点、第二节点、四个关联节点为当前根节点，在所述动态交互图中确定出各自对应的当前子图，从而分别得到第一子图、第二子图以及四个关联子图，其中所述当前子图包括从当前根节点出发，经由连接边到达的预定范围内的节点；/n将所述第一子图和第二子图分别输入第一神经网络模型，分别得到对应的第一隐含向量和第二隐含向量；其中，所述第一神经网络根据输入子图中各个节点的第一输入特征，以及节点之间的连接边的指向关系，确定输入子图对应的隐含向量，其中所述第一输入特征包括节点所在事件的事件特征；/n将所述四个关联子图分别输入第二神经网络模型，分别得到四个关联隐含向量；其中，所述第二神经网络根据输入子图中各个节点的第二输入特征，以及节点之间的连接边的指向关系，确定输入子图对应的隐含向量，其中所述第二输入特征包括节点所在事件的事件类别标签；/n根据所述第一隐含向量、第二隐含向量以及四个关联隐含向量，预测所述当前交互事件的事件类别。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于创新先进技术有限公司，未经创新先进技术有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910803312.9/，转载请声明来源钻瓜专利网。
- 上一篇：神经网络方法和装置
- 下一篇：一种基于多元组的神经网络结构描述方法
- 同类专利
- 用于时序数据处理的LSTM模型量化重训练方法、系统及设备-202310850298.4
- 王月娇;马钟;杨超杰 - 西安微电子技术研究所
- 2023-07-11 - 2023-10-27 - G06N3/0442
- 本发明涉及人工智能领域，尤其涉及一种用于时序数据处理的LSTM模型量化重训练方法、系统及设备，包括：将量化校准集修正为时间序列图像组与多样化图像组的有效组合配置形成组合图像，对LSTM模型进行量化校准；基于LSTM模型的量化校准方法，对LSTM模型进行了基于均匀‑对称量化策略的量化操作，确定LSTM模型的量化参数生成方法；针对生成LSTM量化参数的方法，采用直通滤波器的实现方式，在训练中考虑LSTM量化前后的误差，经由训练学习得到合理的LSTM模型。本发明突破现有量化方法仅仅依赖于静态量化校准集的局限，在CPU/GPU上支持实现对LSTM模型的多比特量化重训练，提升基于LSTM的神经网络模型的量化算法的量化精度。
- 用于工业系统控制的神经网络训练方法及装置-202310452501.2
- 刘浏;赵沛霖;刘子轩 - 腾讯科技（深圳）有限公司
- 2023-04-17 - 2023-10-27 - G06N3/0442
- 本公开的实施例提供了一种用于工业系统控制的神经网络训练方法、装置和存储介质，所述方法包括：获取源域中的专家数据；利用控制策略预测网络来获取目标域中的测试数据；基于专家数据和测试数据生成训练样本数据；利用数据分类网络来预测指示训练样本数据为专家的第一概率，并基于第一概率来确定针对训练样本数据的奖励系数；利用域分类网络来预测指示训练样本来自源域的第二概率，并基于第二概率来确定针对奖励系数的奖励系数修正量；基于奖励系数及奖励系数修正量来确定修正后的奖励系数；并且对控制策略预测网络、数据分类网络和域分类网络进行联合训练。通过本公开的方法能够在实际工业系统控制场景下制定出更合理的工业控制策略。
- 数据处理方法、装置、介质及设备-202310676849.X
- 林炳怀;王丽园 - 腾讯科技（深圳）有限公司
- 2023-06-08 - 2023-10-27 - G06N3/0442
- 本申请公开了数据处理方法、装置、介质及设备，方法包括：获取目标账号的多种属性信息；基于多种属性信息确定缺失指示信息，缺失指示信息包括与多种属性信息对应的多个缺失指示分量信息；对多种属性信息进行特征表示得到多个特征表示信息；将每一种属性信息的特征表示信息和缺失指示分量信息拼接后输入每一种属性信息对应的分枝网络，得到每一种属性信息的第一指标预测信息；基于每一种属性信息的第一指标预测信息进行针对目标账号的资源推送处理。本申请将缺失指示信息作为特征引入到业务指标的预测中以在数据缺失时也可以执行业务处理，同时构建的与每种属性信息对应的分枝网络降低了整体的模型复杂度，提升了业务处理的效率。
- 业务平台扩容预测方法及装置-202211531428.X
- 丁力;费徐伟 - 中国移动通信集团浙江有限公司;中国移动通信集团有限公司
- 2022-12-01 - 2023-10-27 - G06N3/0442
- 本发明公开了一种业务平台扩容预测方法及装置，其中方法包括：采集业务平台的第一数据以及第一数据的时间戳、监控系统的第二数据及第二数据的时间戳；第一数据包含：用户数据、监控点位数据和/或业务数据，第二数据包含：硬件设备数据；根据第一数据的时间戳和第二数据的时间戳，关联第一数据和第二数据得到训练数据；利用训练数据对深度神经网络模型进行训练，得到扩容预测模型；将待预测数据输入至扩容预测模型，得到预测结果；若根据预测结果确定需要扩容，则下发通知。本发明利用用户数据与业务数据，结合服务与硬件的监控数据，基于深度神经网络高效、准确、全面、及时地预测业务平台的扩容需求，显著提升了运维的水准与能力。
- 一种基于BOA-LSTM的住宅建筑用电预测方法-202310819277.6
- 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 - 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
- 2023-07-05 - 2023-10-24 - G06N3/0442
- 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。
- 交互方法及装置、音箱、电子设备和存储介质-201910376459.4
- 冯伟国;牛也;李双江;丁盘苹;金灿灿 - 阿里巴巴集团控股有限公司
- 2019-05-07 - 2023-10-24 - G06N3/0442
- 本公开涉及一种交互方法及装置、音箱、电子设备和存储介质。所述方法包括：获取第t轮的用户输入信息，其中，t为大于或等于1的整数；至少根据所述第t轮的用户输入信息，以及第t‑1轮的输出信息，确定多个决策模型在第t轮的决策结果，其中，所述第t‑1轮的输出信息根据所述多个决策模型在所述第t‑1轮的决策结果确定；根据所述多个决策模型在所述第t轮的决策结果，确定所述第t轮的输出信息。在本公开中，上一轮的决策能够帮助所有决策模型在本轮做出更好的决策，且在每一轮做决策时能够融合各个决策模型进行更准确的决策。
- 一种基于属性和结构深度融合的网络嵌入方法及其模型-202010410196.7
- 张贤坤;罗学雄;马蕴玢 - 天津科技大学
- 2020-05-15 - 2023-10-24 - G06N3/0442
- 本发明公开了一种基于属性和结构深度融合的网络嵌入方法，包括以下步骤：S1.得到重构后编码层的节点属性特征；S2.获得带有节点属性特征的节点属性信息序列；S3.将节点属性信息序列翻译为节点身份序列，得到能保留原有网络的网络结构和节点属性信息的节点嵌入向量表示；还公开了一种基于属性和结构深度融合的网络嵌入模型，包括：多模态属性感知模块、属性嵌入层和多跳结构感知模块；所述多模态属性感知模块通过所述属性嵌入层与所述多跳结构感知模块相连；本发明中不仅能捕获低阶结构和节点属性相似性，还能捕获高阶结构语义和节点属性相似性，最终得到的节点嵌入向量表示能深度融合网络结构和节点属性信息。
- 图像生成模型构建方法、装置、介质及设备-202110529808.9
- 熊文硕;庄伯金;刘玉宇 - 平安科技（深圳）有限公司
- 2021-05-14 - 2023-10-17 - G06N3/0442
- 本发明实施例公开了一种图像生成模型构建方法、装置、介质及设备，所述构建方法包括：基于网络控制器配置对抗生成网络中生成器的模型结构参数；基于样本图像对生成器进行训练，以获取训练后的目标生成器，并获取对目标生成器的模型结构评价结果；基于网络控制器，根据目标生成器的模型结构参数及模型结构评价结果，更新生成器的模型结构参数；根据更新的生成器的模型结构参数，确定基于对抗生成网络的图像生成模型。本发明实施例的方案，可通过网络控制器自动化配置对抗生成网络中生成器的模型结构参数，并使网络控制器基于生成器的模型结构评价结果，对生成器的模型结构参数进行更新，从而选择较优的网络结构构建图像生成模型。
- 基于参数服务器架构的图数据与参数数据的混合划分方法-202110458807.X
- 谷峪;袁嘉隆;宋振;李传文;李芳芳;于戈 - 东北大学
- 2021-04-27 - 2023-10-13 - G06N3/0442
- 本发明公开一种基于参数服务器架构的图数据与参数数据的混合划分方法，首先将图顶点按广度优先遍历的方式重新处理编号，将顶点编号划分为大小相等的P个区间，取区间的中间值对应的顶点作为多个初始分区，然后基于图拓扑数据与顶点特征维度计算当前分区邻域顶点的代价分数，根据代价分数对邻域顶点进行排序，选取代价分数最小的多个邻域顶点加入当前分区，同时更新当前分区顶点特征权重向量。通过对比多个分区的顶点特征权重向量，将图神经网络模型参数按行划分至在计算时需要使用该参数行顶点的数量最多的分区中。适用于支持图神经网络算法的参数服务器系统，能够减少系统运行时的网络通信开销，加速系统计算效率。
- 一种顾及InSAR形变的LSTM地灾易发性时序预测方法-202310843421.X
- 吴磊;孙世山;王肖;李进田 - 苏州深蓝空间遥感技术有限公司
- 2023-07-11 - 2023-10-10 - G06N3/0442
- 本发明实施例公开了一种顾及InSAR形变的LSTM地灾易发性时序预测方法，属于地灾预测技术领域，其基于地灾样本的时序优化特征，训练评估地灾易发性的softmax模型。同时训练并实时更新预测优化特征发展趋势的LSTM深度学习模型。采用LSTM模型预测优化特征发展趋势，并利用softmax分类器根据未来优化特征确定地灾易发性等级。本发明可通过前两年的时间序列数据，获取未来一个月的地灾易发性，可为相关部门开展地质灾害预防提供新思路。
- 一种基于强化学习的算子自动调优方法及相关装置-202310862565.X
- 张宇;汪义华;金莉;姜沛林 - 西安交通大学
- 2023-07-13 - 2023-10-10 - G06N3/0442
- 本发明公开了一种基于强化学习的算子自动调优方法及相关装置，基于长短时记忆网络的策略网络，策略网络会顺序地选择各个待调优参数的值，调优参数组合对应的算子实现在目标硬件上的实测算力值将作为奖励信号，使用REINFORCE算法计算梯度来更新策略网络。为了加快策略网络的收敛，使用了小批量梯度下降训练的REINFORCE算法。为了减少不必要的硬件采样，本发明提出了一个可以预测样本和性能之间映射关系的开销模型，并使用该模型的推理预测代替真实的硬件采样，来加速自动调优的搜索过程。开销模型使用梯度提升树对历史采样数据进行回归拟合，根据核平滑方法处理后的标签值频率分布设置样本加权目标函数，减少了不平衡的训练集数据标签分布对预测精度的影响。
- 利用自适应梯度裁剪的神经网络-202280013014.X
- A·布洛克;S·德;S·L·史密斯;K·西蒙尼扬 - 渊慧科技有限公司
- 2022-02-02 - 2023-10-10 - G06N3/0442
- 公开了一种用于训练神经网络的计算机实现的方法。该方法包括确定与神经网络的参数相关联的梯度。该方法还包括确定梯度范数与参数范数的比率，并将该比率与阈值进行比较。响应于确定该比率超过阈值，减小梯度的值，使得该比率等于或低于阈值。基于减小的梯度值来更新参数的值。
- 类人加速/制动的速度调节自学习方法及系统-202310936769.3
- 高洪波;何希;朱菊萍 - 中国科学技术大学
- 2023-07-26 - 2023-10-10 - G06N3/0442
- 本发明提供了一种类人加速/制动的速度调节自学习方法及系统，属于智能驾驶领域。其特征在于，包括以下步骤：步骤1：利用自动驾驶车辆的车载设备，采集人类驾驶员行驶过程的道路交通环境数据和车辆加速/制动速度数据；步骤2：基于采集的道路交通环境数据，建立基于门控循环单元的速度调节自学习模型；步骤3：基于采集的车辆加速/制动速度数据，不断训练速度调节自学习模型使其与期望加速/制动速度一致。与现有技术相比，本发明的积极效果是：本发明利用深度学习算法，使自动驾驶车辆在不同驾驶情况下自动调节加速/制动的速度，提高了自动驾驶车辆的安全性、燃油效率和乘坐舒适性。
- 具有短期记忆单元的注意力神经网络-202280013466.8
- 安德烈亚·巴尼诺;阿德里亚·普伊赫多梅内奇·巴迪亚;雅各布·查尔斯·瓦尔克;蒂莫西·安东尼·朱利安·斯科尔特斯;约瓦纳·米特罗维奇;查尔斯·布伦代尔 - 渊慧科技有限公司
- 2022-02-07 - 2023-10-03 - G06N3/0442
- 一种用于控制与环境交互的智能体以执行任务的系统。该系统包括动作选择神经网络，其被配置为生成用于选择要由智能体执行的动作的动作选择输出。动作选择神经网络包括编码器子网络，其被配置为生成当前观察的编码表示；注意力子网络，其被配置为利用注意力机制生成注意力子网络输出；循环子网络，其被配置为生成循环子网络输出；动作选择子网络，其被配置为生成动作选择输出，该动作选择输出用于选择由智能体响应于当前观察而执行的动作。
- 用于多个自然语言处理(NLP)任务的联合多任务神经网络模型-201780068289.2
- 桥本和真;熊蔡明;R·佐赫尔 - 硕动力公司
- 2017-11-03 - 2023-10-03 - G06N3/0442
- 所公开的技术提供了所谓的“联合多任务神经网络模型”，以在单个端到端模型中使用不断增长的层深度来解决各种日益复杂的自然语言处理(NLP)任务。通过考虑语言层级，将词表示直接连接到所有模型层，明确地使用较低任务中的预测，并应用所谓的“连续正则化”技术来防止灾难性遗忘，来连续训练该模型。较低级模型层的三个示例是词性(POS)标注层、语块划分层和依赖性解析层。更高级模型层的两个示例是语义相关性层和文本蕴涵层。该模型实现了关于语块划分、依赖性解析、语义相关性和文本蕴涵的最先进的结果。
- 基于海马回放和深度强化学习的多智能体感知框架-202310636538.0
- 里亚兹乌拉汗;苏丹阿尔玛迪;格兰巴德沙;任晓龙;瑞嘉 - 电子科技大学长三角研究院（湖州）
- 2023-05-31 - 2023-09-29 - G06N3/0442
- 本发明提供了一种基于海马回放和深度强化学习的多智能体感知框架，包括海马回放模块和深度强化学习模块；所述海马回放模块用于使感知代理端回放过去的经验并从中学习；所述深度强化学习模块用于使代理端学习和适应当前环境。将海马特征与深度强化学习相结合，能够模拟海马回放过去经验并利用它们来指导决策，同时融合深度学习算法以提高决策过程的效率。
- 基于双向GRU结构的神经网络滤波器的波束形成方法及系统-202310553500.7
- 余永升;曾强 - 海纳科德（湖北）科技有限公司
- 2023-05-15 - 2023-09-29 - G06N3/0442
- 本发明提供一种基于双向GRU结构的神经网络滤波器的波束形成方法及系统，包括步骤：S1：获取麦克风阵列信号，将麦克风阵列信号分为：参考麦克风信号和剩余麦克风信号；S2：构建参考通道处理模块和剩余通道处理模块；S3：将参考麦克风信号和剩余麦克风信号输入参考通道处理模块，输出降噪后参考麦克风信号；S4：将降噪后参考麦克风信号和剩余麦克风信号输入剩余通道处理模块，输出波束形成信号。本发明在信噪比方面优于基线模型和常见的传统波束形成器，更适用于船载小型麦克风阵列信号增强任务；使用包含双向GRU模块的神经网络滤波器代替传统的滤波器，双向GRU模块加强了对时序信号感知建模的能力，从而获得更好的降噪效果。
- 一种基于时变循环神经网络的时序预测方法-202310285123.3
- 颜成钢;赵健祥;陆雯;何敏;王帅;高宇涵;孙垚棋;朱尊杰;王鸿奎;王廷宇;殷海兵;张继勇;李宗鹏;赵治栋 - 杭州电子科技大学
- 2023-03-22 - 2023-09-29 - G06N3/0442
- 本发明公开了一种基于时变循环神经网络的时序预测方法，首先使用基展开构造动态时变矩阵；然后通过动态时变矩阵替换循环神经网络中的固定矩阵，使之成为时变循环神经网络；最后将改进的时变循环神经网络应用在时序预测任务上，得到更好的性能。本发明方法结合了功能数据分析(FDA)实践中常用的基展开技术，以生成独特的动态时变矩阵，更能体现输入数据的动态特性，将其应用在时序预测的实验中，预测性能得到了提高。
- 一种基于欠收敛神经网络的加速度计冲击信号降噪方法-202310782117.9
- 张振海;张文一 - 北京理工大学
- 2023-06-29 - 2023-09-29 - G06N3/0442
- 本发明公开的一种基于欠收敛神经网络的加速度计冲击信号降噪方法，属于加速度计冲击信号处理领域。本发明实现方法为：使用CEEMD处理原始加速度计冲击信号得到IMF分量和残差，计算超频频率，将主成分频率小于超频频率的IMF分量和残差相加获得过度去噪的加速度计信号；搭建CNN‑LSTM神经网络，使用小数量的训练样本和较低的训练轮数、训练步长和学习率来训练出欠收敛的神经网络，得到权重参数；对待处理的加速度计冲击信号进行降噪处理，利用收敛速度有限的CNN‑LSTM神经网络将降噪结果保持在原始加速度计冲击信号和使用CEEMD处理得到的过度去噪的加速度计信号之间，得到更接近纯净的无噪声的加速度计冲击信号的降噪结果信号。
- 时间序列表示学习中的锚窗口大小和位置选择-202280012030.7
- V·N·帕乌鲁里;D·苏布拉曼尼亚;张元极;武龙;T·R·丁格 - 国际商业机器公司
- 2022-01-25 - 2023-09-29 - G06N3/0442
- 一种使用计算设备来确定变量时间序列数据中的窗口大小的方法，包括：由计算设备接收与机器学习模型相关联的变量时间序列数据。该计算设备设置变量时间序列数据的移动窗口大小和标准偏差。该计算设备还计算变量时间序列数据的移动窗口平均值。该计算设备附加地计算跨所有变量时间序列数据的标准偏差。该计算设备对所计算的标准偏差按降序排序。该计算设备还对用于标准偏差的索引进行迭代，直到索引已经被至少一个锚访问为止。该计算设备迭代地扩展每个锚以覆盖邻居的已经被先前的锚访问的锚。该计算设备基于扩展后的锚，确定窗口大小。
- 预测方法、模型的训练方法及装置、设备、存储介质-202211369698.5
- 吴莹莹 - 中移(苏州)软件技术有限公司;中国移动通信集团公司
- 2022-11-03 - 2023-09-29 - G06N3/0442
- 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。
- 基于孪生网络的时空数据的目标识别方法及系统-201911166620.1
- 余泳;唐海娜;王飞;徐勇军;吴琳;孙涛 - 中国科学院计算技术研究所
- 2019-11-25 - 2023-09-29 - G06N3/0442
- 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(x
- 通过多个语言任务层级处理数据的深度神经网络模型-201780068577.8
- 桥本和真;熊蔡明;R·佐赫尔 - 硕动力公司
- 2017-11-03 - 2023-09-29 - G06N3/0442
- 所公开的技术提供了所谓的“联合多任务神经网络模型”，以在单个端到端模型中使用不断增长的层深度来解决各种日益复杂的自然语言处理(NLP)任务。通过考虑语言层级，将词表示直接连接到所有模型层，明确地使用较低任务中的预测，并应用所谓的“连续正则化”技术来防止灾难性遗忘，来连续训练该模型。较低级模型层的三个示例是词性(POS)标注层、语块划分层和依赖性解析层。较高级模型层的两个示例是语义相关性层和文本蕴涵层。该模型实现了关于语块划分、依赖性解析、语义相关性和文本蕴涵的最先进的结果。
- 一种LSTM网络处理方法、装置、设备及可读存储介质-202311077196.X
- 张欣杨;孙道恒;闫夏超;苏明明 - 太初（无锡）电子科技有限公司
- 2023-08-25 - 2023-09-26 - G06N3/0442
- 本发明涉及数据处理技术领域，公开了一种LSTM网络处理方法、装置、设备及可读存储介质。所述方法包括：对于LSTM网络中的每一个细胞，获取当前细胞需要进行运算的矩阵乘输入数据，按照当前细胞所要运算的结果类别进行划分，得到多组待运算矩阵，加载到对应的从核组对应的高速缓存区，由从核组进行对应组的待运算矩阵的矩阵乘运算，并将矩阵乘运算的计算结果存储在高速缓存区中；根据忘记门结果、前一个细胞状态、输入门结果以及临时细胞状态计算得到当前细胞的细胞状态；根据当前细胞的细胞状态与输出门结果计算得到当前细胞的隐藏状态。上述方案，在实现LSTM网络处理功能时，提高了计算效率。
- 用于图像标注的空间注意力模型-201780071579.2
- 卢家森;熊蔡明;R·佐赫尔 - 硕动力公司
- 2017-11-18 - 2023-09-26 - G06N3/0442
- 所公开的技术提出了一种新颖的空间注意力模型，其使用解码器长短期记忆(LSTM)的当前隐藏状态信息来引导注意力并提取空间图像特征用于图像标注(image captioning)。所公开的技术还提出了一种用于图像标注的新颖的自适应注意力模型，其混合来自卷积神经网络(CNN)的视觉信息和来自LSTM的语言信息。在每个时间步长处，与语言模型相比，自适应注意力模型自动决定依赖图像的程度，以发出下一个字幕单词。所公开的技术进一步将新的辅助哨兵门添加到LSTM架构并产生哨兵LSTM(Sn‑LSTM)。哨兵门在每个时间步长处产生视觉哨兵，这是从LSTM的内存得到的长期和短期视觉和语言信息的附加表示。
- 一种催化裂化产品收率的数据驱动预测方法及系统-202310773045.1
- 杜文莉;隆建;钟伟民;钱锋;杨明磊 - 华东理工大学
- 2023-06-28 - 2023-09-22 - G06N3/0442
- 本发明涉及工业催化裂化技术领域，更具体的说，涉及一种催化裂化产品收率的数据驱动预测方法及系统。本方法，包括以下步骤：步骤S1、获取催化裂化过程数据，并进行预处理；步骤S2、采用时间尺度的滑动窗口法，将预处理后的数据划分为时间序列数据集合；步骤S3、对时间序列数据集进行特征提取，选择建立基于时间关注度的长短期记忆网络模型所需特征；步骤S4、建立基于时间关注度的长短期记忆网络模型，采用基于时间关注度的长短期记忆网络模型进行非线性拟合，对催化裂化产品收率进行预测并输出。本发明通过引入时间专注度机制和滑动修剪平均法，预测精度更高，可以应用于催化裂化装置预测等领域。
- 一种发动机状态监测方法、系统、设备及介质-202011554128.4
- 彭玉怀;王晨路;赵灿;尹少芊;刘鑫渤;王雨昕;张国梁;吴菁晶 - 东北大学
- 2020-12-24 - 2023-09-22 - G06N3/0442
- 本发明涉及一种发动机状态监测方法、系统、设备及介质，其方法包括：首先，将发动机各个传感器采集的数据按照因果关系或空间位置进行排序，作为输入序列；其次，构建长短时记忆神经网络；接着，构建具有分支结构的长短时记忆神经网络；最后，通过具有分支结构的长短时记忆神经网络对发动机的进行状态监测与预测，其输出序列为各种状态类型。本发明针对时间序列输入中存在的各项输入维度不匹配的问题，每一个输入表示的是某一个固定传感器在固定时间内获取的数据，其长度是固定的，该方法可以解决时间序列维度不同的问题，同时因为数据是按照空间序列、因果关系排序的，它加强输入序列之间的关系，进而提高预测精度。
- 一种基于简化型长短期记忆神经网络的出水BOD预测方法-202011458698.3
- 李文静;王潇潇 - 北京工业大学
- 2020-12-10 - 2023-09-19 - G06N3/0442
- 一种基于简化型长短期记忆神经网络的出水BOD预测方法涉及人工智能领域，直接应用于污水处理领域。针对当前污水处理过程出水BOD浓度存在测试周期长、滞后性较大、不能及时反映水体中BOD的变化等问题，本发明提出了一种基于简化型长短期记忆神经网络的出水BOD预测方法，该方法包括：通过耦合输入门与遗忘门实现对标准长短期记忆神经网络的结构简化，从门结构控制方程中消除输入信号与偏差对门结构方程参数进行精简，采用梯度学习算法进行训练；结果表明该模型能够在不显著降低预测精度的情况下，缩短训练时间，准确、快速地预测污水处理过程中出水BOD浓度，为污水处理过程中高效率、低成本预测出水BOD浓度提供理论支持。
- 一种基于完全迁移学习的LSTM网络优化的驾驶意图推理方法-202310702577.6
- 廉宇峰;李丙林;李岩;刘帅师;孙中波;刘艳平;刘克平 - 长春工业大学
- 2023-06-14 - 2023-09-12 - G06N3/0442
- 本发明属于电动汽车主动安全技术领域，具体的说是一种基于完全迁移学习的LSTM网络优化的驾驶意图推理方法。包括以下步骤：步骤一、建立驾驶意图多变量分数阶灰色模型；步骤二、判断源域与目标域是否具有相似性；步骤三、对LSTM网络进行设计与完全迁移；步骤四、对分数阶进行优化计算，从而确定驾驶意图。本发明直接由路面工况推理驾驶意图，干扰信息少，精度较高；灰色绝对关联度的引入省去了大量的数据的概率计算，计算负担大大减小。
- 支持四种单比特计算模式的脉动阵列结构及计算模式控制方法-202310682579.3
- 乔树山;张默寒;游恒;尚德龙;周玉梅 - 中科南京智能技术研究院
- 2023-06-09 - 2023-09-12 - G06N3/0442
- 本发明公开了支持四种单比特计算模式的脉动阵列结构及计算模式控制方法，属于脉动阵列结构技术领域，在原有脉动阵列的基础上进行了改进，使用不同逻辑门的组合，对单比特计算进行了处理，通过第一计算模式选择信号和第二计算模式选择信号的控制，实现不同的计算模式的控制，使脉动阵列可以更好的支持异或、同或、与和与非四种不同类型的单比特计算模式，从而提高了脉动阵列对于不同计算模式的适用性。
- 专利分类
