“前向神经网络”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果4341742个，建议您升级VIP下载更多相关专利

[发明专利]基于复数值前向神经网络的风速预测方法-CN202110565347.0在审
发明人：黄鹤;董忠蓥 -专利权人：苏州大学
申请日： 2021-05-24 - 公布日： 2021-07-23 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种基于复数值前向神经网络的风速预测方法，包括：获取用于风速预测的训练集和预测集，构建复数值前向神经网络并初始化参数向量；在复数值前向神经网络训练的目标函数中引入GroupLasso正则化项，并将训练转化为约束优化问题的求解，采用训练集和定制复数值投影拟牛顿算法训练复数值前向神经网络，直到满足预设的条件结束训练，得到训练好的复数值前向神经网络，将预测集输入训练好的复数值前向神经网络得到风速预测结果本发明通过引入GroupLasso正则化项和使用定制复数值投影拟牛顿算法训练复数值前向神经网络实现网络结构和参数的优化，使网络结构紧凑、泛化性能强，同时提高风速预测的准确性。
基于复数神经网络风速预测方法

[发明专利]在硬件中运行双向递归神经网络-CN202210750389.6在审
发明人： B·乔杜里;C·迪基奇;J·罗杰斯;P·席尔瓦 -专利权人：想象技术有限公司
申请日： 2022-06-29 - 公布日： 2022-12-30 - 主分类号： G06N3/063 文献下载
摘要：在硬件中运行双向递归神经网络。一种在硬件中实施用于对输入序列进行运算的双向递归神经网络(BRNN)的方法，BRNN的每一步长都用于对(a)序列的输入、(b)关于序列的后续输入生成的对应后向状态，以及(c)关于序列的先前输入生成的对应前向状态进行运算，方法包括：接收BRNN的表示；将BRNN的表示变换成等价于输入序列上的BRNN的微分神经网络，微分神经网络包括：前向递归神经网络(RNN)，前向递归神经网络用于对序列的输入的前向状态进行运算；和后向递归神经网络(RNN)，后向递归神经网络用于对序列的输入的后向状态进行运算；以及在硬件中实施微分神经网络以便对输入序列执行BRNN。
硬件运行双向递归神经网络

[发明专利]图像处理中的联合前向和后向神经网络优化-CN202180015927.0在审
发明人：苏冠铭 -专利权人：杜比实验室特许公司
申请日： 2021-02-17 - 公布日： 2022-10-04 - 主分类号： H04N19/117 文献下载
摘要：可以由包括前向路径和后向路径的端到端图像映射流水线接收源颜色等级和目标颜色等级。可以应用前向路径中的前向神经网络来从源颜色等级生成与目标颜色等级相对应的经前向整形的颜色等级。可以应用后向路径中的后向神经网络来从经前向整形的颜色等级生成与源颜色等级相对应的经后向整形的颜色等级。可以为前向路径和后向路径指定总神经网络成本函数，以生成可以用作用于确定前向神经网络和后向神经网络的操作参数的基础的成本。
图像处理中的联合神经网络优化

[发明专利]基于构造性神经网络实现小样本下的故障诊断方法-CN202310682297.3在审
发明人：张持健;张武琪;方明星 -专利权人：安徽师范大学
申请日： 2023-06-09 - 公布日： 2023-09-05 - 主分类号： G06F18/2433 文献下载
摘要：本发明公开了基于构造性神经网络实现小样本数据集下的故障诊断方法，包括如下步骤：(1)获取表征模拟电路故障特征的小样本集；(2)构建基于小样本数据集的前向神经网络；(3)采用构建后的前向神经网络对实际模拟电路故障样本类别进行精准诊断本发明的优点在于：适用于小样本集的快速构建前向神经网络，可以快速实现神经网络的权重确定并用于识别模拟电路中的故障诊断；基于小样本建立前向神经网络，具有快速的建立和训练的优点，同时具备小样本中的故障类别的
基于构造神经网络实现样本故障诊断方法

[发明专利]一种用于计算光刻的集成神经网络-CN201810600924.3有效
发明人：时雪龙;赵宇航;陈寿面;李铭 -专利权人：上海集成电路研发中心有限公司
申请日： 2018-06-12 - 公布日： 2022-04-01 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种用于计算光刻的集成神经网络，包括共轭神经网络和前向神经网络，且所述共轭神经网络的输出端连接所述前向神经网络的输入端；所述共轭神经网络用于提取计算光刻的特征矢量，并将提取出来的特征矢量输入所述前向神经网络中，其中，所述共轭神经网络提取计算光刻的特征矢量的方法为：Yj＝∑iWijX<*；其中，Zj为提取出来的特征矢量，Wij为所述共轭神经网络的参数本发明中提供的一种用于计算光刻的集成神经网络，将用于提取特征矢量的共轭卷积神经网络结构和前向神经网络结合起来，形成集成神经网络，可以用于任何类型的计算光刻学习。
一种用于计算光刻集成神经网络

[发明专利]基于机器学习的激光大气湍流传输特性分析方法-CN201811499782.2有效
发明人：陈纯毅;杨华民;蒋振刚 -专利权人：长春理工大学
申请日： 2018-12-10 - 公布日： 2021-02-23 - 主分类号： G06F30/27 文献下载
摘要：本方法首先在不同外界传输条件下，执行接收光信号强度起伏归一化方差测量操作，创建多层前向神经网络的训练样本集；然后用创建出的训练样本集训练多层前向神经网络，使多层前向神经网络逼近接收光信号强度起伏归一化方差与外界传输条件之间的函数关系；最后使用多层前向神经网络来获得特定外界传输条件下的接收光信号强度起伏归一化方差。由于本方法使用无量纲参量作为多层前向神经网络的输入，因此本方法建立的多层前向神经网络可以用于预测那些没有开展过实验测量的外界传输条件下的接收光信号强度起伏归一化方差。
基于机器学习激光大气湍流传输特性分析方法

[发明专利]一种基于前向神经网络的车辆速度和转向预测方法-CN202011324075.7有效
发明人：蔡锦康;赵蕊;邓伟文;丁娟 -专利权人：浙江天行健智能科技有限公司
申请日： 2020-11-23 - 公布日： 2022-07-29 - 主分类号： B60W40/105 文献下载
摘要：本发明公开了一种基于前向神经网络的车辆速度和转向预测方法，该预测方法的步骤包括：进行模拟驾驶试验并采集车辆数据，所述车辆数据包括与前车的距离、车速、方向盘转角和转向信号；建立前向神经网络模型，使用采集的车辆数据训练前向神经网络模型，并经过测试合格后，获得用于预测车辆速度和转向的前向神经网络模型；根据车辆与前车的距离、车速、方向盘转角和转向信号，通过所建立的用于预测车辆速度和转向的前向神经网络模型模型进行车辆速度和转向的预测。通过模拟驾驶试验采集车辆行驶相关数据，建立用于预测车辆速度和转向的前向神经网络模型，可用于同时预测车辆速度和方向盘转角，具有对数据要求低，计算量小的优点。
一种基于神经网络车辆速度转向预测方法

[发明专利]基于循环重组和分块的卷积神经网络反向传播映射方法-CN202110229586.9在审
发明人：单伟伟 -专利权人：东南大学
申请日： 2021-03-02 - 公布日： 2021-05-25 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了基于循环重组和分块的卷积神经网络反向传播映射方法，适用于片上神经网络训练加速器电路，属于神经网络加速器领域。该方法通过数据调度方式将神经网络训练中的反向传播算法映射到现有的用于前向推理的神经网络加速器引擎上，即将卷积神经网络的反向传播中的大卷积操作进行重映射，使得卷积的规模和维度能够适配到用于前向推理的神经网络加速器中该方法可以在几乎不需要改变硬件架构的情况下，通过将反向传播算法特有的大卷积运算进行重组和分块，将其映射到现有的用于前向推理的神经网络加速器引擎上，从而可以使这类原本只能进行前向推理的加速器很容易就能适配反向传播算法，进而在片上进行神经网络的训练。
基于循环重组分块卷积神经网络反向传播映射方法

[发明专利]超参数调整方法、装置、设备及存储介质-CN202010819783.1在审
发明人：刘君 -专利权人： OPPO广东移动通信有限公司
申请日： 2020-08-14 - 公布日： 2020-10-23 - 主分类号： G06N3/04 文献下载
摘要：该方法包括：训练过程中，获取目标神经网络模型的当前前向推导偏差，当前前向推导偏差根据目标神经网络模型输出的当前前向推导结果和目标推导结果确定得到；响应于当前前向推导偏差不满足训练完成条件，且当前前向推导偏差和历史前向推导偏差指示进行超参数调整，将目标神经网络模型的历史训练数据输入超参数调整模型；根据超参数调整模型输出的超参数调整值调整超参数，并根据调整后的超参数训练目标神经网络模型。本申请实施例实现了神经网络训练过程中超参数的自动化调整，有助于提高超参数的调整效率，进而提高神经网络模型的训练效率。
参数调整方法装置设备存储介质

[发明专利]适配训练设备资源的神经网络模型训练方法及装置-CN201910562751.5在审
发明人：罗玄;陈茂森;黄君实 -专利权人：北京奇虎科技有限公司
申请日： 2019-06-26 - 公布日： 2020-12-29 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种适配训练设备资源的神经网络模型训练方法及装置、计算设备、存储介质，方法包括：获取神经网络模型的批处理参数；根据批处理参数和训练设备资源，确定是否对批处理参数进行修改；若是，则根据修改后的批处理参数计算神经网络模型的前向传播次数；根据修改后的批处理参数将训练样本批量输入至神经网络模型，并根据前向传播次数进行多次前向传播；对多次前向传播得到的梯度偏差进行累加，利用累加的梯度偏差进行后向反馈以调整神经网络模型。利用本发明，可以基于训练设备本身的资源，针对神经网络模型修改得到合适于训练设备的神经网络模型的训练方式，无需对训练设备进行硬件的扩充、算法修改等操作，节省成本，也更易于实施。
训练设备资源神经网络模型方法装置

[发明专利]一种新型网络拓扑结构的卷积神经网络的构造方法-CN201510908355.5在审
发明人：游萌 -专利权人：四川长虹电器股份有限公司
申请日： 2015-12-09 - 公布日： 2016-05-04 - 主分类号： G06N3/08 文献下载
摘要：本发明涉及卷积神经网络的构造，目的是为了解决现有的神经网络算法计算中对硬件的处理速递要求高，无法在家电中进行应用的问题。本发明提供一种新型网络拓扑结构的卷积神经网络的构造方法，该方法包括如下步骤：确定神经元节点间的互联结构，根据互联结构确定在神经元节点间的数值计算反馈和前向计算传递的相互关系；使用反向传播神经网络创建多层感知机模型，所述反向传播神经网络结构中包含前向传播算法；同时运行反向传播算法和前向传播算法，进行卷积神经网络的训练和计算。
一种新型网络拓扑结构卷积神经网络构造方法

[发明专利]神经网络模型运行方法及装置、以及存储介质-CN201910073661.X在审
发明人：孙智;陀健 -专利权人：网易（杭州）网络有限公司
申请日： 2019-01-25 - 公布日： 2019-05-10 - 主分类号： G06N3/02 文献下载
摘要：本发明公开了一种神经网络模型运行方法及装置、以及存储介质。其中，该方法包括：根据前向计算框架的软件环境和硬件环境确定待运行神经网络模型的目标计算模式，其中，前向计算框架设置有至少一种计算模式，用于运行神经网络模型；根据目标计算模式在前向计算框架中运行待运行神经网络模型本发明解决了由于相关技术中只包含前向计算功能的计算框架硬件兼容性差，计算速度慢，而导致神经网络训练模型运行效率低的技术问题。
神经网络模型前向计算存储介质目标计算神经网络训练计算模式框架设置软件环境硬件环境运行效率兼容性

[发明专利]基于数据库的模型训练方法及相关设备-CN202210956243.7在审
发明人：郭铁成 -专利权人：深圳市皮爬爬信息技术有限公司
申请日： 2022-08-10 - 公布日： 2022-11-04 - 主分类号： G06N3/08 文献下载
摘要：本申请提供一种基于数据库的模型训练方法及相关设备，所述方法包括：在数据库中创建神经网络模型的训练集数据表、训练任务表、节点清单表、节点关系表、数组运算函数库以及求导函数库，将训练数据作为前向传播公式的输入，得到神经网络模型前向传播的输出值并写入节点清单表；计算神经网络模型的损失函数值对神经网络模型前向传播的输出值的导数值；将导数值作为反向传播公式的输入，得到神经网络模型反向传播的输出值并写入节点清单表；基于神经网络模型反向传播的输出值，计算多个神经网络节点的权重，将多个神经网络节点的权重写入节点清单表。本申请在数据库中以表结构的形式创建了模型训练过程，降低了神经网络配置与训练的技术难度。
基于数据库模型训练方法相关设备

[发明专利]基于结构优化算法的复值神经网络的信号调制识别方法-CN202110939236.1有效
发明人：黄鹤;王志东 -专利权人：苏州大学
申请日： 2021-08-16 - 公布日： 2023-02-07 - 主分类号： G06F18/241 文献下载
摘要：本发明公开了一种基于结构优化算法的复值神经网络的信号调制识别方法，首先对前向复值神经网络的结构与参数进行初始化；利用复值结构优化算法调整所述复值神经网络中的参数，验证所述前向复值神经网络的泛化性能，保存当前隐层神经元的个数以及所述前向复值神经网络的所有参数值，判断训练是否陷入局部极小值点；若是，利用复值增量构建算法向当前模型添加一个隐层神经元，在当前训练的基础上计算新增神经元的权值、隐层输出矩阵和损失函数值，继续训练新的模型；若不是，则保持模型结构不变，继续训练本发明有利于自适应地构建结构最优的前向复值神经网络模型，用于通信信号调制方式的识别，并取得满意的效果。
基于结构优化算法神经网络信号调制识别方法

[发明专利]基于PyTorch至ONNX的神经网络格式转换方法-CN202210715812.9在审
发明人：田聪;王甜;刘涛;贺凯;张海瑞;刘昊庭;赵耕;杨佳;张梓辉;虞小龙;张鹏 -专利权人：西安电子科技大学
申请日： 2022-06-22 - 公布日： 2022-11-08 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于PyTorch至ONNX的神经网络格式转换方法，涉及人工智能技术领域，包括：获取PyTorch神经网络模型，解析PyTorch神经网络模型，获取PyTorch神经网络模型的各操作层的参数信息和前向传播过程；将PyTorch神经网络模型的各操作层的参数信息和前向传播过程转换至ONNX模型；序列化保存ONNX模型至ONNX文件，完成转换过程。
基于 pytorch onnx 神经网络格式转换方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 100000 条