“学习样本”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418468个，建议您升级VIP下载更多相关专利

[发明专利]一种旋转部件故障诊断模型构建方法及应用-CN202110326542.8有效
发明人：孙伟;王昊文 -专利权人：华中科技大学
申请日： 2021-03-26 - 公布日： 2022-05-20 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种旋转部件故障诊断模型构建方法及应用，包括：S1、从采集到的旋转部件在不同状态下的振动数据中选取n段振动数据段作为样本信号，构成样本集；S2、采用样本集训练稀疏过滤模型，并将样本集中的每个样本信号分别输入到训练后的稀疏过滤模型中，所得结果经过激活函数处理后得到各样本信号的学习特征；S3、分别将各样本信号的学习特征与对应的旋转部件的健康状况一一对应，构成训练样本集；S4、将训练样本集输入到机器学习模型进行训练，得到旋转部件故障诊断模型本发明采用稀疏过滤模型对特征进行无监督学习，对先验知识和人工的依赖性较低，且在特征学习过程中仅需要调整一个超参数，特征学习的效果较好，故障诊断的准确性较高。
一种旋转部件故障诊断模型构建方法应用

[发明专利]一种基于图嵌入的极限学习机的图像降维方法-CN201910648074.9有效
发明人：宋士吉;杨乐;黄高 -专利权人：清华大学
申请日： 2019-07-18 - 公布日： 2021-05-07 - 主分类号： G06T3/00 文献下载
摘要：本发明提出一种基于图嵌入的极限学习机的图像降维方法，属于机器学习和数据挖掘领域。该方法首先选取原始图像样本集合，利用原始图像样本的样本间距离和标签信息构建样本关系矩阵；之后根据构建的样本关系矩阵，首先对输入的向量化图像样本进行随机映射，随后通过最小化加权样本重构误差，来学习特征提取矩阵最终使用所学习到的特征提取矩阵对向量化图像数据实现数据降维。本发明训练时间短，数据压缩高效，有效提升数据的压缩质量和降维的稳定性。
一种基于嵌入极限学习机图像方法

[发明专利]一种反事实样本生成方法及模型调整方法、设备和介质-CN202111112938.9在审
发明人：夏正勋;杨雪松;金可乔 -专利权人：河南星环众志信息科技有限公司
申请日： 2021-09-18 - 公布日： 2021-12-31 - 主分类号： G06N3/04 文献下载
摘要：本发明实施例公开了一种反事实样本生成方法及模型调整方法、设备和介质。该方法包括：根据原始机器学习网络模型，构建与原始机器学习网络模型对称的镜像网络模型，生成反事实网络模型；通过测试样本集对原始机器学习网络模型进行模型训练测试，并得到测试结果；将测试结果中错误识别的目标样本作为反事实网络模型的输入，得到反事实网络模型输出的反事实样本。可以将测试阶段的测试结果自动化地反馈至学习阶段，可以生成反事实样本以对学习样本进行扩充，解决小样本的问题，进而可以在不依赖人工参与的情况下，自动化地实现模型纠偏，提高模型的识别精度，具备通用性。
一种事实样本生成方法模型调整设备介质

[发明专利]机器学习模型的训练方法、装置、电子设备及存储介质-CN202111360276.7在审
发明人：黄安埠 -专利权人：深圳前海微众银行股份有限公司
申请日： 2021-11-17 - 公布日： 2022-02-08 - 主分类号： G06F30/27 文献下载
摘要：本申请提供了一种机器学习模型的训练方法、装置；方法包括：基于共享样本集以及训练方设备的私有样本集，对训练方设备的机器学习模型进行训练，得到训练后的机器学习模型；基于共享样本集，调用训练后的机器学习模型进行预测处理，得到预测值集合；向服务方设备发送预测值集合，预测值集合用于供服务方设备结合其他训练方设备发送的预测值集合进行融合处理，得到融合值集合；接收服务方设备发送的融合值集合，并根据融合值集合更新共享样本集；更新后的共享样本集与私有样本集，用于供训练方设备对机器学习模型进行下一轮的训练。通过本申请，能够充分利用多方样本数据减少模型训练耗时，提升模型训练效率。
机器学习模型训练方法装置电子设备存储介质

[发明专利]基于神经通路激活状态的深度学习模型测试方法与装置-CN202010324434.2有效
发明人：陈晋音;金海波;熊晖;张龙源;邹健飞 -专利权人：浙江工业大学
申请日： 2020-04-22 - 公布日： 2023-06-02 - 主分类号： G06V10/82 文献下载
摘要：本发明公开了一种基于神经通路激活状态的深度学习测试样本的生成方法及装置，方法包括以下步骤：1)获取图数据集与深度学习模型；2)预训练深度学习模型并获得神经通路激活状态特征矩阵；3)构建样本批次；4)变异操作；5)生成测试样本，其中包括计算变异样本与神经通路激活状态特征矩阵的距离，保持神经通路激活状态一致的情况下，根据梯度上升最大化修改测试样本与原始样本的距离并最终生成数据集与相应深度学习模型的测试集。该方法可以根据深度学习模型内部神经元与神经元、层与层之间的联系，有针对性地生成测试样本。
基于神经通路激活状态深度学习模型测试方法装置

[发明专利]基于排序学习和集成学习的异常电话主动预测方法、系统及计算机可读存储介质-CN201811279810.X有效
发明人：纪科;刘健;孙润元;陈贞翔;马坤;王琳;袁雅涵 -专利权人：济南大学
申请日： 2018-10-30 - 公布日： 2020-10-30 - 主分类号： H04M3/22 文献下载
摘要：本公开公开了基基于排序学习和集成学习的异常电话主动预测方法及系统，包括：采集电话样本，基于分析和组合对电话样本的特征进行选择；将采集到的样本分为训练集和测试集；对于训练集样本，采用排序学习处理数据，得出的结果作为新的测试集，然后组建n组新的训练集继续通过学习模型，得出n组结果，再将这n组结果通过集成学习，输出最后的测试结果。本公开有益效果：使用排序学习和集成学习预测异常电话准确率高于单一使用排序学习，和常规方法比我们的方法更能主动预测异常电话，可以进行解决大规模数据问题。
基于排序学习集成异常电话主动预测方法系统计算机可读存储介质

[发明专利]一种深度学习神经网络的优化方法、装置及系统-CN201910513306.X有效
发明人：林宇;陶海 -专利权人：北京文安智能技术股份有限公司
申请日： 2019-06-14 - 公布日： 2021-06-01 - 主分类号： G06T7/00 文献下载
摘要：本发明涉及深度学习技术领域，公开了一种深度学习神经网络的优化方法、装置及系统。其中，所述深度学习神经网络的优化方法包括：获取深度学习神经网络的输出信息，样本的原始类别标注信息以及亲近类别损失函数；将所述深度学习神经网络的输出信息和所述样本的原始类别标注信息，通过所述亲近类别损失函数进行梯度分析，获取所述样本的梯度分析结果；将所述样本的梯度分析结果发送给所述深度学习神经网络进行参数调整，实现深度学习神经网络的优化，使得深度学习神经网络的精度不受实际场景的影响而有明显的波动，并且降低严重识别错误的发生概率
一种深度学习神经网络优化方法装置系统

[发明专利]预测癌症患者复发模型及设备-CN202310413539.9在审
发明人：孙成;贺培崎;贾耿介;李福玲;孙梦嫄;戴天力;郝乐乐 -专利权人：中国科学技术大学
申请日： 2023-04-12 - 公布日： 2023-07-04 - 主分类号： G16H50/50 文献下载
摘要：所述模型用于获取训练样本的标记基因表达值，所述训练样本包括癌症复发样本和癌症未复发样本，所述标记基因包括SPON2、ZFP36L2、ZFP36、VIM和HLA‑DRB1；将所述标记基因表达值输入至机器学习模型，采用已知样本的癌症复发状态作为标记，对所述机器学习模型进行监督式训练，以便获得经过训练的机器学习模型，所述机器学习模型用于基于所述标记基因表达值预测癌症复发的概率。
预测癌症患者复发模型设备

[发明专利]一种稀疏学习RCS序列特征提取方法-CN201810978245.X在审
发明人：周代英 -专利权人：电子科技大学
申请日： 2018-08-27 - 公布日： 2019-01-18 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种稀疏学习RCS序列特征提取方法，属于雷达目标识别技术邻域。本发明首先对训练样本进行稀疏学习，利用稀疏系数作为样本特征之间距离的调节因子，建立稀疏学习投影矩阵，该投影矩阵通过稀疏学习自动选择少量邻域样本，而且能够更好保持样本邻域局部结构信息，从而提高了目标识别性能
稀疏邻域投影矩阵序列特征学习样本雷达目标识别传统投影局部结构目标识别全局结构稀疏系数训练样本样本特征自动选择

[发明专利]基于强化学习的模型训练方法和装置、电子设备及介质-CN202210600465.5在审
发明人：王文;王健宗;黄章成 -专利权人：平安科技（深圳）有限公司
申请日： 2022-05-30 - 公布日： 2022-08-30 - 主分类号： G16B30/00 文献下载
摘要：本申请提供了一种基于强化学习的模型训练方法和装置、电子设备及介质，属于人工智能技术领域。该方法包括：获取样本DNA序列片段和预设的原始强化学习模型；将样本DNA序列片段输入至原始强化学习模型进行状态提取，以从强化学习环境提取样本碱基分布状态；通过智能体对样本碱基分布状态进行模体搜索处理，得到初始DNA模体；在强化学习环境中对初始DNA模体和样本DNA序列片段进行奖励计算，得到模体评估分值；根据模体评估分值更新原始强化学习模型的梯度参数，以训练原始强化学习模型，得到模体搜索模型。
基于强化学习模型训练方法装置电子设备介质

[发明专利]经由混洗及偏移的安全多方深度学习-CN202310368457.7在审
发明人： A·X·明·张 -专利权人：美光科技公司
申请日： 2023-04-07 - 公布日： 2023-10-17 - 主分类号： G06N3/098 文献下载
摘要：本公开涉及经由混洗及偏移的安全多方深度学习。在外包深度学习计算中经由混洗部分来保护对数据样本的存取。举例来说，每一数据样本可经配置为多个随机化部分的总和。来自不同数据样本的此类部分经混洗且外包给一或多个外部实体以应用深度学习计算。所述深度学习计算经配置以允许改变应用所述求和与应用所述深度学习计算之间的顺序。因此，可针对数据样本使所述外部实体将所述深度学习计算应用于其接收到的部分的结果反向混洗以应用反向偏移及求和。所述求和提供将所述深度学习计算应用于所述数据样本的结果。
经由偏移安全多方深度学习

[发明专利]一种基于多尺度度量学习的小样本学习方法-CN202010384767.4有效
发明人：蒋雯;黄凯;耿杰;邓鑫洋 -专利权人：西北工业大学
申请日： 2020-05-09 - 公布日： 2022-03-04 - 主分类号： G06V10/774 文献下载
摘要：本发明公开了一种基于多尺度度量学习的小样本学习方法，包括以下步骤：步骤一、建立数据集；步骤二、生成多尺度特征映射层；步骤三、迁移学习：转化模块对样本多尺度特征进行二次映射；步骤四、生成多尺度特征映射对；步骤五、计算多尺度特征映射对在多尺度关系生成网络中的关系得分；步骤六、采用多尺度度量学习模型对样本相似度进行度量。本发明结构简单、设计合理，通过迁移学习获得多尺度特征映射对，使得训练出来的模型具有迁移性，在均方差损失函数的基础上添加了样本间距给整体模型所带来的损失项构成新的损失函数，实现度量学习，以适应小样本学习的训练
一种基于尺度度量学习样本学习方法

[发明专利]一种用于深度学习训练的SAR时敏目标样本增广方法-CN202010213403.X有效
发明人：刘严羊硕;张辉;周斌;郝梦茜;靳松直;丛龙剑;王浩;高琪;杨柏胜;倪少波;田爱国;邵俊伟;李建伟;张孝赫;张连杰 -专利权人：北京航天自动控制研究所
申请日： 2020-03-24 - 公布日： 2023-05-12 - 主分类号： G06V10/774 文献下载
摘要：本发明涉及一种用于深度学习训练的SAR时敏目标样本增广方法，属于图像处理技术和深度学习领域；包括如下步骤：步骤一、对目标所在区域拍摄分辨率为a米的异源SAR图集,转换成分辨率为b米的异源SAR图集；步骤二、找到全部目标，并将每个目标制作成SAR时敏目标切片，获得切片集；步骤三、从异源SAR图集中各图片截取背景图像，获得背景图像集；步骤四、对切片集中各切片进行优化处理；步骤五、建立时敏目标的学习样本集；步骤六、旋转时敏目标的学习样本，获得不同角度下的学习样本；本发明解决了因样本数量较少以及未考虑深度学习网络特点而导致深度学习训练效果不好的问题。
一种用于深度学习训练 sar 目标样本增广方法

[发明专利]基于DDAG的SVM多类分类主动学习算法-CN201510155787.3在审
发明人：徐海龙;别晓峰;龙光正;申晓勇;辛永平;郭蓬松;王磊;王欢;冯卉;张建新;吴天爱;田野;史向峰;高歆 -专利权人：中国人民解放军空军工程大学
申请日： 2015-04-02 - 公布日： 2015-07-01 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于DDAG的SVM多类分类主动学习算法，在多类SVM训练学习过程中引入主动学习思想，充分利用传统“一对多”或“一对一”多类分类方法在测试样本时存在大量的不可分点或决策盲区的缺点，提出了一种基于“o-v-o”分类决策盲区的主动学习算法，主动选择这些不可分或决策盲区中对当前学习器来说就是“最不确定性”的样本，针对主动学习中仅使用单一主动学习策略存在的局限性，在多类SVM训练学习中提出一种基于后验概率及相似度度量不确定性多策略融合的主动学习方法，并将这两种主动学习方法有效得进行了融合，减小了SVM训练学习中的样本标记规模，减少学习的样本标记代价，以尽可能少的标记样本训练获得性能尽可能高的SVM分类器。
基于 ddag svm 分类主动学习算法

[发明专利]引导型策略搜索强化学习算法-CN201610299987.0在审
发明人：赵婷婷;杨巨成;赵希;陈亚瑞;房珊珊 -专利权人：天津科技大学
申请日： 2016-05-06 - 公布日： 2016-09-21 - 主分类号： G06F17/15 文献下载
摘要：本发明涉及一种引导型策略搜索强化学习算法，首先选择引导型学习样本，然后利用所选样本对目标函数进行梯度估计，根据策略更新原则更新参数，直到收敛为止。本发明定义了对于强化学习而言的引导型高质量学习样本，通过该引导型学习样本的使用，能够更准确的进行策略搜索，从而避免情况较坏的局部最优。
引导策略搜索强化学习算法