“学习神经网络”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1116986个，建议您升级VIP下载更多相关专利

[发明专利]一种基于混合深度神经网络的非定常流场预测方法-CN201910506931.1有效
发明人：陈刚;韩仁坤;王怡星;张扬 -专利权人：西安交通大学
申请日： 2019-06-12 - 公布日： 2021-01-15 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于混合深度神经网络的非定常流场预测方法，该方法包括生成深度学习网络输入数据；基于该输入数据，构建用于非定常流场快速预测的混合深度神经网络结构；对该深度学习网络进行训练，以得到非定常流场预测神经网络模型；该混合深度神将网络结构由卷积深度神经网络、长短时记忆神经网络及反卷积深度神经网络组成，卷积深度神经网络被用于提取流场中的结构特征，长短时记忆神经网络的作用是引入时间效应，反卷积深度神经网络被用于重现流场信息，三者结合即形成能够预测未知时刻流场信息的闭环网络；测试结果表明这种神经网络结构能够准确地捕捉到流场信息的底层结构特性和时间特性，并能准确地重现出未知时刻整个流畅信息。
一种基于混合深度神经网络非定常流场预测方法

[发明专利]一种基于区间参数优化的区间神经网络学习方法-CN201810250184.5在审
发明人：关守平;张菁菁 -专利权人：东北大学
申请日： 2018-03-26 - 公布日： 2018-08-28 - 主分类号： G06N3/08 文献下载
摘要：本发明提供一种基于区间参数优化的区间神经网络学习方法，涉及区间神经网络技术领域。该方法包括：测量动态系统的输入输出数据对，并确定训练数据和测试数据；建立问题空间和区间粒子群算法的映射关系，确定种群粒子维度；根据区间神经网络实际输出区间值与样本输出区间值确定区间粒子群的适应度函数；根据限定粒子宽度的区间粒子群算法优化区间神经网络的区间权值和区间阈值本发明提供的一种基于区间参数优化的区间神经网络学习方法，利用区间粒子群优化算法并结合限定粒子宽度的技术进行一类区间神经网络的学习，解决了神经网络学习中易陷入局部最优问题，从而完成了工业过程中不确定系统的建模工作
神经网络学习区间参数神经网络粒子粒子群算法优化粒子群优化算法神经网络技术输入输出数据不确定系统适应度函数测量动态测试数据工业过程粒子计算评价指标实际输出输出区间问题空间训练数据映射关系粒子群权值和建模维度样本种群学习

[发明专利]基于深度强化学习的组合投资方法及智能体-CN202210213887.7在审
发明人：苏炯龙;任晓天;姚伟业 -专利权人：西交利物浦大学
申请日： 2022-03-04 - 公布日： 2022-06-28 - 主分类号： G06Q40/06 文献下载
摘要：本发明提供一种基于深度强化学习的组合投资方法及智能体，所述基于深度强化学习的组合投资方法，包括：S1，构建加密货币交易场景的基于深度强化学习的策略神经网络，所述策略神经网络使用深度多通道卷积神经网络，并结合了瓶颈注意力机制；S2，训练所述策略神经网络使得其参数最优化；S3，加载训练好的所述策略神经网络，接受实时的加密货币数据，通过所述策略神经网络获得下一个交易周期的资产分配权重，并根据资产分配权重来调整资金在加密货币市场中各个投资标的间的分配本发明所述基于深度强化学习的组合投资方法及智能体，使用深度多通道卷积神经网络，并结合了瓶颈注意力机制，所以能力较佳。
基于深度强化学习组合投资方法智能

[发明专利]一种基于二次迁移学习的虹膜身份验证方法-CN201910528587.6有效
发明人：黄以华;张睿 -专利权人：中山大学
申请日： 2019-06-18 - 公布日： 2022-12-09 - 主分类号： G06V40/18 文献下载
摘要：本发明提出一种基于二次迁移学习的虹膜身份验证方法，包括以下步骤：采集眼球虹膜图片，进行预处理后划分为训练集和测试集；将训练集图片输入已进行预训练的深度卷积神经网络中进行迁移学习的分类训练；对训练集图片进行三元组的构造，去除深度卷积神经网络中的全连接层，再输入三元组对深度卷积神经网络进行二次迁移学习训练；将测试集图片输入深度卷积神经网络，输出特征向量后与其对应的身份信息进行验证，若验证成功，深度卷积神经网络完成训练；否则，调整结构参数后对深度卷积神经网络重新进行二次迁移学习训练；将待验证的图片输入完成训练的深度卷积神经网络中，将输出特征向量与存储有人员身份的数据库进行距离匹配，输出身份验证结果。
一种基于二次迁移学习虹膜身份验证方法

[发明专利]一种基于深度学习的车辆外观部件图像分割方法-CN201610363554.7有效
发明人：史方;邹佳运;王标 -专利权人：史方
申请日： 2016-05-26 - 公布日： 2018-10-19 - 主分类号： G06T7/11 文献下载
摘要：本发明是关于一种基于深度学习的车辆外观部件图像分割方法，包括：根据图像中的分割目标对原始图像进行手工分割标定，获得分割标签；将所述原始图像和分割标签输入到深度学习神经网络中,结合回归模型对所述深度学习神经网络进行训练，获得深度学习网络模型，其中，所述深度学习神经网络包括依次连接的编码层、解码层和卷积层；将待分割图像输入到所述深度学习网络模型中进行分割，获得分割图像。所述神经网络模型包括依次连接的编码层、解码层和卷积层，相对其它的神经网络结构，删除了全连接层，更加适用于车辆外观部件、这种大面积且平整的图像分割。
一种基于深度学习车辆外观部件图像分割方法

[发明专利]基于卡尔曼滤波和BP神经网络的变形预测方法和装置-CN201510671512.5在审
发明人：亢春;周卫军;张瑶;马孝亮;李月霄;方艳;杨春;张伟;王玉柱 -专利权人：中国石油天然气股份有限公司
申请日： 2015-10-13 - 公布日： 2017-04-19 - 主分类号： G06N3/08 文献下载
摘要：本发明提供一种基于卡尔曼滤波和BP神经网络的变形预测方法和装置，其中，基于卡尔曼滤波和BP神经网络的变形预测方法包括获取工程中监测对象的变形监测数据作为训练样本；根据所述训练样本建立BP神经网络拓扑模型；采用卡尔曼滤波算法按照预设训练参数进行所述BP神经网络拓扑模型的学习，调整所述BP神经网络拓扑模型中各神经元的权值；根据调整权值后的所述BP神经网络拓扑模型进行变形预测。本发明提供的基于卡尔曼滤波和BP神经网络的变形预测方法，可以缩短BP神经网络的学习时间，提高了变形预测过程中变形预测模型的建立效率。
基于卡尔滤波 bp 神经网络变形预测方法装置

[发明专利]基于自编码神经网络的无监督特征提取方法-CN201610855703.1在审
发明人：刘弹;王芹;陶姣姣;梁霖;杨天社;赵静;王徐华;徐光华 -专利权人：西安交通大学
申请日： 2016-09-28 - 公布日： 2017-02-22 - 主分类号： G06N3/08 文献下载
摘要：基于自编码神经网络的无监督特征提取方法，先进行训练数据矩阵的构建，然后把训练数据矩阵的各个分量值归一化到[0,1]之间，再进行参数学习，得到自编码神经网络模型，然后计算隐藏层的输出，获取特征，最后按照“对折取值”法确定最佳隐藏层神经元的个数，最终确定自编码神经网络的结构，在网络的训练学习中，自编码神经网络规定网络的期望输出等于网络的输入，这样的学习目标使得自编码神经网络的训练过程中不需要训练数据提供期望网络输出
基于编码神经网络监督特征提取方法

[发明专利]一种基于计算机模式识别的并行卷积神经网络方法-CN201711492094.9在审
发明人：李玉鑑;方皓达 -专利权人：北京工业大学
申请日： 2017-12-30 - 公布日： 2018-04-06 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于计算机模式识别的并行卷积神经网络方法，基于计算机模式识别的并行卷积神经网络方法包括三个阶段图像分类数据收集阶段。并行卷积神经网络构建阶段。深度卷积神经网络分类阶段。本发明可以作为深度学习算法的实际应用平台，辅助教学；在当前深度学习的领域，提高神经网络的训练速度；由于本发明使用硬件成本资源较少，易于实现。本方法由图像数据集和并行卷积神经网络组成。图像数据集由互联网下载的各个图像分类数据构成，并行卷积神经网络是改进的深层卷积网络。
一种基于计算机模式识别并行卷积神经网络方法

[发明专利]基于深度残差GRU神经网络的产品性能预测方法-CN202011577005.2在审
发明人：钟百鸿;王琳;钟诗胜;林琳 -专利权人：哈尔滨工业大学（威海）
申请日： 2020-12-28 - 公布日： 2021-04-20 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于深度残差GRU神经网络的产品性能预测方法，包括以下步骤：步骤一、构建深度残差GRU神经网络模型；步骤二、基于深度残差GRU神经网络对产品性能进行预测，预测结果用于指导复杂精密产品零部件装配本发明提出了一种新的深度学习方法，即深度残差GRU神经网络(DRGRUNN)，将GRU神经网络与残差神经网络的优点有机集成，以提高网络对装配参数特征学习能力，实现复杂精密产品性能高精度预测。
基于深度 gru 神经网络产品性能预测方法

[发明专利]一种基于RBF神经网络的网络流量测量方法-CN201410097087.9有效
发明人：蒋云良;王智群 -专利权人：湖州师范学院
申请日： 2014-03-17 - 公布日： 2017-03-01 - 主分类号： H04L12/26 文献下载
摘要：本发明公开了一种基于RBF神经网络的网络流量测量方法，依次包括以下步骤建立RBF神经网络模型、网络流量数据行归一化处理、RBF神经网络模型的学习算法、RBF神经网络模型的训练算法、RBF神经网络模型性能的评价本发明通过建立了一个基于RBF神经网络的流量测量模型，给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法，相对于BP流量预测模型，RBF方法预测准确度更高，能够很好地描述网络流的变化规律，具有泛化能力强、稳定性良好的特点，在网络流量预测中有较高的实用价值。
一种基于 rbf 神经网络网络流量测量方法

[发明专利]信息处理装置、信息处理方法和存储介质-CN202210259961.9在审
发明人：洼田望 -专利权人：洼田望
申请日： 2022-03-16 - 公布日： 2022-10-18 - 主分类号： G06N3/04 文献下载
摘要：一种能够使应用于神经网络中的隐藏层的函数更适当的信息处理装置，包括：获取部，用于获取预定学习数据；学习部，用于将预定学习数据输入至学习模型并进行学习，学习模型使用神经网络，且学习模型应用对神经网络的隐藏层中可能使用的各函数进行加权而生成的第一函数；调整部，用于当基于预定学习数据的指导标签通过使用误差反向传播法更新神经网络的参数时，调整第一函数的各权重；以及生成部，用于生成通过对第一函数设定调整后的各权重得到的第二函数，并作为学习的结果。
信息处理装置方法存储介质

[发明专利]一种人工神经网络的激活学习方法、系统及应用-CN202211165108.7在审
发明人：周洪超;黄卫平;赵佳;周斌 -专利权人：山东大学
申请日： 2022-09-23 - 公布日： 2022-12-16 - 主分类号： G06N3/08 文献下载
摘要：本发明涉及一种人工神经网络的激活学习方法、系统及应用，包括：构建人工神经网络，同时将数据和类别标签或多模态作为输入；通过无监督本地学习方法训练人工神经网络，使得人工神经网络中最后一层神经元的输出激活强度反映输入样本的典型性；将待识别的数据输入训练好的人工神经网络并优化缺失的类别标签使得输出激活强度最大，得到数据分类结果；或将类别标签输入训练好的加入随机噪音的人工神经网络并优化缺失的数据部分使得输出激活强度最大，实现数据生成本发明更好学习输入样本数据的统计概率分布，统一了监督学习、无监督学习和生成模型的框架。弥补了反向传播技术在训练样本数量、安全性、任务通用性等的一系列限制，具有较强的实用性。
一种人工神经网络激活学习方法系统应用

[发明专利]一种基于强化学习的神经网络逆控制器进行控制的方法-CN202210279948.X在审
发明人：曾德良;胡勇;李军;牛玉广;高耀岿;王林;王利国 -专利权人：华北电力大学;西安热工研究院有限公司;华能集团技术创新中心有限公司
申请日： 2022-03-22 - 公布日： 2022-06-17 - 主分类号： G05B13/04 文献下载
摘要：本发明提出一种基于强化学习的神经网络逆控制器进行控制的方法，神经网络控制包含神经网络逆控制器和神经网络模型两部分，神经网络模型主要用于对被控制对象进行辨识，并向神经网络逆控制器提供被控制对象信息。神经网络逆控制器采用强化学习中的行动者‑评论家结构，行动者采用神经网络根据评论家提供的值函数学习控制策略，依据策略函数给出下一步控制增量，评论家采用神经网络建立状态、行动与值函数的拟合关系，值函数根据预测控制中的性能评价函数设置
一种基于强化学习神经网络控制器进行控制方法

[发明专利]全栈式的前向型神经网络深度学习系统安全分析与检测方法-CN202011356570.6有效
发明人：谢肖飞;马雷;刘杨 -专利权人：杭州新州网络科技有限公司
申请日： 2020-11-27 - 公布日： 2022-08-09 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种全栈式的前向型神经网络深度学习系统安全分析与检测方法。前向型神经网络进行变换、变异生成改变的神经网络，将测试数据输入到神经网络获得输出结果，进而获得变异率并作为敏感度参数；计算获得覆盖率，利用覆盖率生成测试用例，再输入到神经网络中获得错误率作为质量参数；用遗传算法对原始测试数据进行变异，获得不一致率大于预设一致阈值的变异后的测试数据，以测试数据输入到神经网络中以输出结果的错误率作为兼容性结果。本发明支持前向型神经网络，通过从数据收集到神经网络开发再到神经网络部署阶段的系统分析与测试，从而更好的检测深度学习系统的质量与安全问题，确保深度学习系统在真正部署阶段的安全性。
全栈式神经网络深度学习系统安全分析检测方法

[发明专利]一种基于深度学习的自适应图像去噪方法-CN201810750492.4有效
发明人：陈晓;徐畅 -专利权人：南京信息工程大学
申请日： 2018-07-09 - 公布日： 2022-02-15 - 主分类号： G06T5/00 文献下载
摘要：本发明涉及一种基于深度学习的自适应图像去噪方法，包括如下步骤：步骤1）建立图像集；步骤2)构建自适应深度卷积神经网络；步骤3)训练自适应深度卷积神经网络：设置深度卷积神经网络网络的学习率和动量参数，通过深度学习框架训练所述自适应深度卷积神经网络直至训练达到迭代最大次数，生成训练后的自适应深度卷积神经网络模型；步骤4)图像去噪：将待去噪的图像输入至训练好的自适应深度卷积神经网络模型，得到对应的残差图像，再将待去噪的图像减去残差图像得到去噪后的图像。有益效果：该方法进一步提高和稳定卷积神经网络的训练性能，并且保证去噪性能，节省时间，无需手动调参，能实现未知噪声级图像的盲去噪。
一种基于深度学习自适应图像方法