[发明专利]替选循环限制在审
| 申请号： | 202310558267.1 | 申请日： | 2018-04-27 |
| 公开（公告）号： | CN116663604A | 公开（公告）日： | 2023-08-29 |
| 发明（设计）人： | 奥利维尔·泰马姆;哈西特·哈伊坦;拉维·纳拉亚纳斯瓦米;禹同爀 | 申请（专利权）人： | 谷歌有限责任公司 |
| 主分类号： | G06N3/044 | 分类号： | G06N3/044 |
| 代理公司： | 中原信达知识产权代理有限责任公司 11219 | 代理人： | 李宝泉;周亚荣 |
| 地址： | 美国加利*** | 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： | 本发明涉及替选循环限制。描述了用于N维张量的张量元素来执行计算的方法、系统和装置。在一些实施方式中，一种方法包括对第一嵌套循环的一个或多个第一迭代中的每个迭代，执行嵌套在第一嵌套循环内的第二嵌套循环的迭代，直到达到用于第二嵌套循环的第一循环边界为止。响应于第二嵌套循环具有超过计算系统的硬件属性的值的迭代的总数，用于第一嵌套循环的一个或多个第一迭代的第二嵌套循环的迭代的数目受到第一循环边界限制。在第一嵌套循环的倒数第二迭代已经完成之后，对第一嵌套循环的最后一个迭代执行第二嵌套循环的一个或多个迭代，直到达到替选循环边界为止。 | ||
| 搜索关键词： | 循环 限制 | ||
【主权项】：
暂无信息
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谷歌有限责任公司，未经谷歌有限责任公司许可，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/202310558267.1/，转载请声明来源钻瓜专利网。
- 同类专利
- 一种基于递归图的储备池神经元故障检测及容错方法-202310724111.6
- 李莹琦;王宇;孙建军;崔东艳;孙晓川 - 华北理工大学
- 2023-06-19 - 2023-10-20 - G06N3/044
- 本发明基于储备池神经元状态的确定性DET，提出了一种基于递归图的储备池神经元故障检测及容错方法。DET是从递归图RP中获得的参数之一，RP包括许多信号特征，而这些特征难以被其它工具提取出来。由于神经元的确定性会在特定条件下变化，因此，该指标被用作储备池神经元故障的检测标准。具体地，在故障神经元的检测阶段，通过公式计算训练后的ESN中每个储备池神经元的DET，当某个神经元的DET低于阈值时，可将该神经元视为故障神经元，并记录此故障神经元的位置，实现故障神经元的检测。在容错阶段，将该神经元的输出权值置为零，使其退出当前的计算任务，进而实现储备池的容错计算。最终，通过此方法可构建一个具备实时容错功能的高可靠性ESN。
- 用于搜索模型结构的方法和装置-202010503205.7
- 希滕;张刚;温圣召 - 北京百度网讯科技有限公司
- 2020-06-05 - 2023-10-20 - G06N3/044
- 本申请公开了用于搜索模型结构的方法和装置，涉及人工智能、深度学习和图像处理技术领域。该方法包括：获取训练数据集；初始化模型结构的搜索空间、模型结构生成器，并进行迭代操作：利用预设数量个模型结构生成器在搜索空间中搜索候选模型结构；从训练数据集中选取预设数量个训练数据组，生成预设数量个与各模型结构生成器一一对应的训练数据组集合；利用各模型结构生成器对应的训练数据组集合对模型结构生成器生成的候选模型结构进行训练；根据训练后的候选模型结构的性能生成反馈信息，根据反馈信息在下一次迭代前更新模型结构生成器直到达到预设收敛条件，将当前迭代操作中的候选模型结构确定为目标模型结构。采用本方法可以提高搜索模型结构的准确性以及搜索效率。
- 基于可微神经结构搜索的大脑时-空网络分解方法及系统-202010804794.2
- 邬霞;李晴 - 北京师范大学
- 2020-08-12 - 2023-10-17 - G06N3/044
- 本发明公开一种基于可微神经结构搜索的大脑时‑空网络分解方法及系统，方法包括：根据所述大脑原始数据矩阵确定输入特征矩阵、输出层矩阵和目标输出矩阵；根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵，对细胞结构进行最优搜索，获得最优细胞结构；引入早停机制，根据所述最优细胞结构确定最终细胞结构；根据所述最终细胞结构对大脑时‑空网络进行分解，获得时间动态特征和空间网络特征。本发明先将RNN层细胞结构中的内部节点引入到可微的连续搜索空间中进行搜索更新，引入早停机制构建最终细胞结构，并根据所述最终细胞结构对大脑时‑空网络进行最优分解，从而有助于后续对脑疾病的精准医疗、风险智能预测、以及个性化教育提供依据。
- 一种神经网络截断推理的方法-202210314743.0
- 王丽泉 - 合肥君正科技有限公司
- 2022-03-28 - 2023-10-13 - G06N3/044
- 本发明提供一种神经网络截断推理的方法，所述方法的实施步骤包括：S1，由高级IR转换为中级IR并进行数据和图优化，优化完成初始化中级IR的数据结构的各个成员变量；S2，根据用户设置的起止点动态从节点池中选择输出节点并由输出节点开始递归执行，执行过程中提供空间的利用选项和错误检查功能；S3，推理完成并重置各个节点属性，准备下一次推理。除了完成任意起始点推理的基本功能外，本发明还提供了高效内存利用的选项来随时释放后续不需要用到的空间。
- 一种基于地形单元分区使用机器学习反演海底地形的方法-202310763911.9
- 范美琦;陈义兰;孙贺元;张倩然;付延光;周兴华;王燕红 - 山东科技大学
- 2023-06-27 - 2023-10-10 - G06N3/044
- 本发明公开一种基于地形单元分区使用机器学习反演海底地形的方法，属于地球物理技术领域，用于反演海底地形，包括将重力异常、短波重力异常、垂直重力梯度异常和残余垂直重力梯度异常组成机器学习模型所需的特征数据集，特征数据集构成训练集，格网化的特征数据集组成预测集；将训练集进行整体性相关性分析，调整模型的各种参数，将所有训练集输入机器学习模型进行训练，再将预测集输入到训练好的机器学习模型中，得到全区水深值，将分区预测结果融合得到整体区域最终的水深。本发明利用机器学习强大的非线性映射能力解决传统反演方法忽略重力信息和海底地形非线性项作用的问题，从而提高地形起伏大、变化快的区域的反演精度。
- 用于获取样本的方法及装置-202010112532.X
- 希滕;张刚;温圣召 - 北京百度网讯科技有限公司
- 2020-02-24 - 2023-10-10 - G06N3/044
- 本公开的实施例公开了用于获取样本的方法及装置。该方法的一具体实施方式包括：通过当前的反馈奖励值对预设的样本筛选控制器进行更新，得到更新后的样本筛选控制器，并通过上述更新后的样本筛选控制器从样本空间中生成候选数据样本集合；基于预设的基准模型对上述候选数据样本集合进行检测，确定候选数据样本的样本损失函数；基于上述样本损失函数更新上述反馈奖励值；响应于上述反馈奖励值达到预设的收敛条件或者上述迭代操作的累计次数达到预设的迭代次数阈值，确定当前的候选数据样本为有效数据样本。该实施方式提高了获取有效数据样本的效率，降低了数据处理量，节约了硬件的内存空间。
- 针对具有归一化或非线性的深度神经网络的半可编程和可重构协同加速器-202280012691.X
- S·S·杨;S·K·莱因哈特;J·H·福沃斯;L·C·科帕卡;K·奥恰洛夫 - 微软技术许可有限责任公司
- 2022-01-14 - 2023-10-03 - G06N3/044
- 本公开涉及一种用于使用针对固定功能数据路径的可配置堆叠架构的设备，其具有用于加速深度神经网络(DNN)的运算或层的加速器。堆叠架构可以具有固定功能数据路径，该固定功能数据路径包括一个或多个可配置微执行单元，该一个或多个可配置微执行单元执行针对DNN层运算的一系列向量、标量、归约、广播和归一化运算。固定功能数据路径可以基于DNN或运算进行定制。
- 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-202010115996.6
- 蔡涛;刘天泉;牛德姣;周时颉;薛安荣;何志刚;盘朝奉 - 江苏大学
- 2020-02-25 - 2023-09-29 - G06N3/044
- 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。
- 构建神经网络架构搜索框架的方法、系统、设备及介质-202011495125.8
- 周镇镇;李峰;张潇澜 - 苏州浪潮智能科技有限公司
- 2020-12-17 - 2023-09-26 - G06N3/044
- 本发明公开了一种构建神经网络架构搜索框架的方法、系统、设备和存储介质，方法包括：根据搜索空间配置文件在超网络类中生成初始超网络结构，并使用数据集对初始超网络结构中的超网络进行预训练；利用控制器在预训练后的超网络中采样子网络，并根据任务类型在子网络中设置对应的head网络和neck网络以形成子任务网络；对子任务网络进行训练，并根据训练结果更新初始超网络结构以得到超网络结构；以及基于多个子任务网络对所述超网络结构进行验证，利用验证结果，对超网络和控制器进行优化，重复控制器采样、验证及优化过程，直到重复次数达到阈值，选择具有最优验证结果的超网络结构作为神经网络架构搜索框架。
- 用于深度学习加速器的高速缓存技术-202280009290.9
- A·T·扎伊迪;P·A·埃斯特普;D·A·罗伯茨 - 美光科技公司
- 2022-01-06 - 2023-09-15 - G06N3/044
- 本发明描述与深度学习加速器及存储器相关的系统、装置及方法。举例来说，所述加速器可具有处理单元以经由指令的执行来执行人工神经网络的至少矩阵计算。所述处理单元具有本地存储器，存储所述指令的操作数。所述加速器可经由系统缓冲器或无需通过所述系统缓冲器来存取随机存取存储器。提取指令可请求在所述随机存取存储器中的存储器地址处可用的项目加载到所述本地存储器中的本地地址处。所述提取指令可包含将所述项目高速缓存于所述系统缓冲器中的提示。在所述指令执行期间，所述提示可用于确定是通过所述系统缓冲器加载所述项目还是绕过所述系统缓冲器来加载所述项目。
- 生成神经网络-201780015370.4
- 伊沃·达尼赫尔卡;丹尼洛·希门尼斯·雷森德;沙基尔·穆罕默德 - 渊慧科技有限公司
- 2017-02-03 - 2023-09-15 - G06N3/044
- 本公开提供了用于神经网络系统的方法、系统和装置，包括编码在计算机存储介质上的计算机程序。在一个方面中，神经网络系统包括：递归神经网络，被配置为：针对预定数目的时间步中的每个时间步，接收所述时间步的一组潜变量并且对所述潜变量进行处理以更新所述递归神经网络的隐藏状态；以及生成子系统，被配置为：针对每个时间步，生成所述时间步的所述一组潜变量并且将所述一组潜变量作为输入提供至所述递归神经网络；使用所述递归神经网络的所更新的隐藏状态来更新隐藏画布；并且针对最后一个时间步，使用所述最后一个时间步的所更新的隐藏画布来生成输出数据项。
- 执行触摸运动预测的深度机器学习-201780055187.7
- P-C.林;T-H.林 - 谷歌有限责任公司
- 2017-08-17 - 2023-09-15 - G06N3/044
- 本公开提供了利用机器学习来执行用户输入运动预测的系统和方法。具体地，本公开的系统和方法可以包括并使用机器学习运动预测模型，该机器学习运动预测模型被训练为接收指示用户输入对象的运动的运动数据，并且响应于接收到运动数据而输出用户输入对象的预测的未来位置。用户输入对象可以是用户的手指或由用户操作的触笔。运动预测模型可以包括深度递归神经网络。
- 一种基于异步时域视觉传感器的油缸运动优化方法-202310551235.9
- 钱光国;贺电;陈旭荣;李辉瑛;卢志学;陈柏林;蔡欣浩;杨旭 - 湖南奥通智能科技有限公司;三一汽车制造有限公司
- 2023-05-17 - 2023-09-12 - G06N3/044
- 本发明公开了一种基于异步时域视觉传感器的油缸运动优化方法，所述方法包括采集油缸的异步时域视觉传感器数据；对异步时域视觉传感器数据进行预处理，去除干扰信息，得到清晰准确的油缸图像；使用图像处理技术对油缸图像进行处理，提取油缸的运动信息；对油缸的运动信息进行建模，为油缸运动状态的控制和优化提供基础；根据油缸的建模结果预测油缸的运动信息，构建优化目标调整油缸的运动轨迹，完成油缸运动优化。本发明能够充分使用异步视觉传感器记录的信息对生成的图像进行去噪，生成准确的图像，同时能对油缸的运动信息数据进行精确的建模，用于捕获油缸的运动状态并进行相应的优化。
- 使用在线注意的序列处理-201880013742.4
- R.J.韦斯;T.M.隆;P.J.刘;C.A.拉费尔;D.埃克 - 谷歌有限责任公司
- 2018-02-13 - 2023-09-05 - G06N3/044
- 方法、系统和装置，包括在计算机存储介质上编码的计算机程序，用于从输入序列中的输入的相应编码表示生成包括在多个输出时间步长中的每一个的相应输出的目标序列。该方法包括：对于每个输出时间步长，按照输入顺序从在先前输出时间步长被选择作为先前上下文向量的编码表示的位置开始，遍历编码表示，直到编码表示被选择为输出时间步的当前上下文向量。解码器神经网络在先前输出时间步长处理当前上下文向量和先前输出，以生成每个可能输出的相应输出分数并且更新解码器循环神经网络的隐藏状态。使用输出分数为输出时间步长选择输出。
- 替选循环限制-202310558267.1
- 奥利维尔·泰马姆;哈西特·哈伊坦;拉维·纳拉亚纳斯瓦米;禹同爀 - 谷歌有限责任公司
- 2018-04-27 - 2023-08-29 - G06N3/044
- 本发明涉及替选循环限制。描述了用于N维张量的张量元素来执行计算的方法、系统和装置。在一些实施方式中，一种方法包括对第一嵌套循环的一个或多个第一迭代中的每个迭代，执行嵌套在第一嵌套循环内的第二嵌套循环的迭代，直到达到用于第二嵌套循环的第一循环边界为止。响应于第二嵌套循环具有超过计算系统的硬件属性的值的迭代的总数，用于第一嵌套循环的一个或多个第一迭代的第二嵌套循环的迭代的数目受到第一循环边界限制。在第一嵌套循环的倒数第二迭代已经完成之后，对第一嵌套循环的最后一个迭代执行第二嵌套循环的一个或多个迭代，直到达到替选循环边界为止。
- 基于多智能体的物体运输方法及装置-202310634989.0
- 周洪钧 - 无锡动视宫原科技有限公司
- 2023-05-31 - 2023-08-25 - G06N3/044
- 本发明公开了一种基于多智能体的物体运输方法及装置，基于物理规则在仿真环境下建立场景环境；基于在场景环境中的路径规划，针对智能体到达场景环境中指定地点的能力，对单个智能体的单体决策网络进行训练；在场景环境中，针对多个智能体的协作物体运输，对多个智能体的合作决策网络进行强化学习训练。本发明的技术方案能够通过将移动控制与顶层规划分离，加速了强化学习的训练速度，可以实现在复杂非结构化大场景下的多智能体任务。通过循环神经网络综合历史观测以及多头注意力机制收集临近智能体的动作预期，实现在部分观测环境下合作完成搬运任务。从而使得多机器人系统具有在复杂非结构化场景中合作搬运物体的能力。
- 一种神经网络训练方法、区域运力检测方法及装置-202210127625.9
- 姜明;王怀宇 - 北京嘀嘀无限科技发展有限公司
- 2022-02-11 - 2023-08-22 - G06N3/044
- 本公开提供了一种神经网络训练方法、区域运力检测方法、装置、设备、存储介质及产品，通过将获取的多个所述训练样本数据序列输入至神经网络，得到每个训练样本数据序列对应的预测样本司机上线率，并根据由神经网络的网络结构预先设置的非对称二次损失函数、得到的多个预测样本司机上线率以及与每个预测样本司机上线率对应的真实样本司机上线率，对神经网络进行训练，然后可以使用训练得到的预测模型预测待预测时刻的预测司机上线率，以检测是否存在运力异常。这样，可以更好的对神经网络进行收敛，有效提升模型精确度和稳定性，大大提高模型的鲁棒性，相应的，在使用模型预测司机上线率时，预测准确度高、速度快、而且鲁棒性好。
- 一种设备运行状态的监测方法及装置-202010341683.2
- 赵蕾 - 新奥新智科技有限公司
- 2020-04-27 - 2023-08-22 - G06N3/044
- 本发明适用于能源技术领域，提供了一种设备运行状态的监测方法及装置，该方法包括：根据设备的历史数据，获取设备的测点数据；采用时间序列模型对测点数据进行处理，获取设备在预设时刻的预测值；采用逆向误差神经网络对测点数据和预测值进行处理，获取残差预测值；根据预测值和残差预测值，获取评价基准值；根据设备的测点数据和评价基准值，确定设备在预设时刻的置信区间；根据设备在预设时刻的运行数据以及置信区间，确定设备的运行状态。本发明基于时间序列模型和逆向误差神经网络算法实时监测设备的实际运行状态，结合置信区间范围确定设备的运行状态，保证了预测的准确性、便捷性和迅速性。
- 一种RNN并行模型及其在多核CPU上的实现方法及系统-202111204314.X
- 董小社;余星达;陈维多;何欣瑞;王强;陈衡;王龙翔 - 西安交通大学
- 2021-10-15 - 2023-08-18 - G06N3/044
- 本发明公开了一种RNN并行模型及其在多核CPU上的实现方法及系统，针对多层RNN结构进行层内和层间并行优化，将原输入序列分成许多最小子序列，并将切分后的多层子RNN作用于每个最小子序列；采用层间并行方法分析作用于每个最小子序列的多层子RNN中数据的依赖关系，将不同层及不同时间步的循环单元并行化；采用核组内的模型并行将多层次的RNN并行模型映射在多核CPU的第一层次；采用核组间的数据并行将多层次的RNN并行模型映射在多核CPU的第二层次，充分利用了多核CPU架构特点，实现多层次的RNN并行模型在多核CPU上的并行训练。本发明充分利用多核处理器架构的特点，实现循环神经网络更细粒度的并行方式，加快网络的训练。
- 双循环对抗网络架构的优化方法、系统、电子设备及装置-201911276155.7
- 贾富仓;李晓红 - 中国科学院深圳先进技术研究院
- 2019-12-12 - 2023-08-18 - G06N3/044
- 本申请公开一种双循环对抗网络架构的优化方法、系统、电子设备及装置，该方法包括以下步骤：构建双循环对抗网络架构；藉由右图像序列和左图像序列对双循环对抗网络架构进行对抗优化训练以得到优化后的双循环对抗网络架构。通过上述方式，旨在解决现有技术中腹腔镜器官表面三维重建难以满足手术实际需求的技术问题。
- 主动异常检测-202180078587.6
- 康辉;阙欣宇;邓豫;S·古文卡亚;B·达莫拉 - 国际商业机器公司
- 2021-10-21 - 2023-08-08 - G06N3/044
- 提供了计算机实现的方法、计算机程序产品和计算机系统。例如，方法可响应于接收到请求而收集针对微服务应用的正常行为的请求序列的跟踪数据和规范。方法可随后从所收集的跟踪数据和规范生成请求上下文特征。方法随后可基于所生成的上下文特征来训练神经网络模型；以及使用经训练的神经网络模型来预测微服务应用的异常行为。
- 利用强化学习的分层设备放置-201880022767.0
- B.斯坦纳;A.D.戈尔迪;J.A.迪安;H.H.法姆;A.米霍西尼;Q.V.勒 - 谷歌有限责任公司
- 2018-07-17 - 2023-08-01 - G06N3/044
- 一种用于确定机器学习模型操作跨多个硬件设备的放置的方法，包括：接收指定机器学习操作的数据，以及确定将由数据指定的操作中的每一个分配给来自多个硬件设备的相应的设备的放置。确定该放置包括：从该数据为操作中的每一个生成相应的操作嵌入；将操作分组为多个操作组，包括使用具有多个分组器参数的分组器神经网络来处理相应的操作嵌入中的每一个，其中分组器神经网络被配置为对于操作中的每一个，按照分组器参数的第一值来处理操作的操作嵌入，以生成分组器输出，该分组器输出将操作分配给来自多个操作组的操作组；以及将操作组中的每一个分配给来自多个硬件设备的相应的设备。
- 面向人工智能芯片的矢量引擎处理方法和装置-202310323014.6
- 王洲;尹首一;位经传;胡杨;韩慧明;魏少军 - 清华大学
- 2023-03-29 - 2023-07-25 - G06N3/044
- 本申请涉及一种面向人工智能芯片的矢量引擎处理方法和装置。应用于芯片中的矢量引擎，所述方法包括：接收通道配置指令，根据该通道配置指令将该矢量引擎的指令通道的数量配置为第一数量；将各该指令通道内并行指令的数量配置为第二数量；基于该第一数量的指令通道以及各该指令通道内该第二数量的并行指令，对目标数据执行矢量运算处理，该目标数据为该芯片当前处理的人工神经网络对应的运算数据。采用本方法能够提升人工智能芯片内部的计算处理能力以满足人工神经网络的计算需求。
- 一种循环神经网络RNN的鲁棒性验证方法-202310172110.5
- 雷丽晖;鲁畅;杨凯 - 陕西师范大学
- 2023-02-27 - 2023-07-25 - G06N3/044
- 本公开揭示了一种循环神经网络RNN的鲁棒性验证方法，包括如下步骤：S100：将RNN约减为FFNN；S200：获得与FFNN的网络输入对应的所有可能输出结果，对FFNN的网络输入可能归类为的类别贴上不同标签，并对标签进行排序，以获得标签排序结果；S300：根据标签排序结果对RNN循环神经网络进行鲁棒性验证。
- 具有稀疏访问的外部存储器的增强神经网络-201780015350.7
- 伊沃·达尼赫尔卡;格雷戈里·邓肯·韦恩;王富民;爱德华·托马斯·格里芬斯泰特;杰克·威廉·雷;亚历山大·本杰明·格拉韦斯;蒂莫西·保罗·利利克拉普;蒂莫西·詹姆斯·亚历山大·哈莱;乔纳森·詹姆斯·亨特 - 渊慧科技有限公司
- 2017-02-03 - 2023-07-18 - G06N3/044
- 方法、系统、以及装置，包括在计算机存储介质上编码的计算机程序，用于利用外部存储器来增强神经网络。所述系统中的一个包括稀疏存储器访问子系统，该稀疏存储器访问子系统被配置为执行操作，所述操作包括：使用读密钥生成包括外部存储器中的多个位置的每一个的相应读权重的读权重稀疏集；根据读权重稀疏集从外部存储器中的多个位置读取数据；生成包括外部存储器中的多个位置中的每一个的相应写权重的写权重集；并且根据该写权重将写向量写入到外部存储器中的多个位置。
- 使用递归神经网络浏览序列数据的方法和系统-201880017612.8
- Q.V.勒;H.李;余韡 - 谷歌有限责任公司
- 2018-04-20 - 2023-07-11 - G06N3/044
- 用于处理序列数据的方法、系统和装置，包括编码在计算机存储介质上的计算机程序。在一个方面，一种计算机实现的方法包括接收为输入数据序列生成系统输出的请求，所述输入数据序列包括多个词元。一个或多个词元可以被指定为要被跳过的词元。当词元没有被指定为要被跳过的词元时，使用递归神经网络处理词元以更新递归神经网络的当前内部状态。从递归神经网络的最终内部状态生成系统输出。
- 面向人工智能芯片的混合引擎智能计算方法和装置-202310323922.5
- 尹首一;王洲;位经传;韩慧明;胡杨;魏少军 - 清华大学
- 2023-03-29 - 2023-07-07 - G06N3/044
- 本申请涉及一种面向人工智能芯片的混合引擎智能计算方法和装置。该数据处理方法应用于处理芯片，处理芯片包括标量处理单元和计算单元；该方法包括：在接收到处理指令的情况下，从标量处理单元和计算单元中确定处理处理指令的第一目标处理单元；处理指令用于指示运行目标神经网络模型；利用第一目标处理单元对处理指令进行处理，得到处理指令对应的处理信息；处理信息包括控制信息和数据信息；利用第二目标处理单元和处理信息运行目标神经网络模型，得到目标神经网络模型的运行结果；第二目标处理单元包括第一目标处理单元。本申请可以改善人工智能芯片在运行神经网络模型的过程中容易产生过热等问题。
- 一种基于BiGRU结构的改进MATD3多机器人协同围捕方法-202310130915.3
- 刘中常;戴兵;刘田禾;岳伟 - 大连海事大学
- 2023-02-17 - 2023-06-30 - G06N3/044
- 本发明提供一种基于BiGRU结构的改进MATD3多机器人协同围捕方法，包括：建立追逃对抗场景；基于建立的追逃对抗场景和强化学习TD3算法，设计适用于多机器人的MATD3算法；基于BiGRU结构，对设计的适用于多机器人的MATD3算法进行改进；基于个人、团队奖励的多机器人围捕策略，设计奖励函数；将设计的奖励函数与改进的MATD3算法结合，得到基于MATD3‑BiGRU的多机器人协同围捕策略算法。本发明采用基于MATD3的多智能体强化学习算法求解二维场景中多机器人协同围捕问题，算法中奖励函数采用个体捕获奖励和团队配合奖励的加权形式；采用基于BiGRU结构的改进MATD3的多智能体强化学习算法来改善当追捕机器人数量发生改变时围捕性能下降的问题。
- 对电刺激数据处理的智能闭环反馈网络方法及系统-202211185767.7
- 梁佩鹏;王军凯;刘发瑞 - 首都师范大学
- 2022-09-27 - 2023-06-27 - G06N3/044
- 本发明涉及数据处理技术领域，具体地说，涉及对电刺激数据处理的智能闭环反馈网络方法及系统。其步骤为：测定用户对特定神经电刺激参数的耐受阈值和耐受极值；基于预处理得到的特征参数集建立耐受性预测模型；结合生理信号和人口统计学信息生成多模态信息；实时预测用户对当前神经电刺激的耐受程度；匹配安全范围内的最大神经电刺激参数。本发明中智能闭环反馈神经网络算法建立耐受性预测模型，以实时的预测值为反馈信号，形成闭环，在线自适应调整刺激参数，并且在刺激的同时实时分析个体生理信号，为其智能匹配最佳电刺激参数，克服了传统开环刺激系统的不足，在保证安全性的同时兼顾了耐受性与有效性，符合研究需求并具有实用性。
- 一种基于神经网络模型的数据处理方法、装置和电子设备-202310131157.7
- 赵茂祥;李全忠 - 普强时代（珠海横琴）信息技术有限公司
- 2023-02-17 - 2023-06-23 - G06N3/044
- 本发明公开了一种基于神经网络模型的数据处理方法、装置和电子设备，涉及数据处理技术领域，包括：对神经网络模型N个网络层进行合并，得到M个网络层组；每个网络层组中的网络层在同一个通用处理器结点上并行计算；确定多个第一待输入数据分别对应的目标网络层，基于目标网络层所属的目标网络层组的维度特征，对第一待输入数据进行特征扩展，通过目标网络层组所在的目标通用处理器结点对扩展后的第一待输入数据进行计算，输出第二待输入数据，并更新各第二待输入数据分别对应的目标网络层；响应于目标网络层是第N个网络层，将第N个网络层输出的第三待输入数据作为神经网络模型的输出数据。缩短了计算时间，降低了时延。
- 专利分类
