“序列模型”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965191个，建议您升级VIP下载更多相关专利

[发明专利]一种构建序列推荐模型的方法和序列推荐方法-CN202010844315.X在审
发明人：陈磊;杨敏;原发杰;李成明;姜青山 -专利权人：中国科学院深圳先进技术研究院
申请日： 2020-08-20 - 公布日： 2020-11-20 - 主分类号： G06Q30/06 文献下载
摘要：本发明公开了一种构建序列推荐模型的方法和序列推荐方法。所述构建序列推荐模型的方法包括：构建第一序列推荐模型和第二序列推荐模型，其中，第一序列推荐模型设有多个空洞卷积残差块，第二序列推荐模型包含与第一序列推荐模型一一对应的轻量级空洞卷积残差块；训练第一序列推荐模型，获得预训练的第一序列推荐模型；对第二序列推荐模型和预训练的第一序列推荐模型进行协同训练，并使第二序列推荐模型学习预训练的第一序列推荐模型的行为；基于经协同训练的第二序列推荐模型构建用于预测推荐项的序列推荐模型
一种构建序列推荐模型方法

[发明专利]一种基于音调的级联序列到序列模型的中文唇语识别方法-CN201911259483.6在审
发明人：宋明黎;赵雅;许睿 -专利权人：浙江大学
申请日： 2019-12-10 - 公布日： 2020-05-19 - 主分类号： G06K9/00 文献下载
摘要：一种基于音调的级联序列到序列模型的中文唇语识别方法，包含如下步骤：1)准备实验数据；2)建立拼音序列预测子模型；3)训练拼音序列预测子模型；4)建立音调序列预测子模型；5)训练音调序列预测子模型；6)建立汉字序列预测子模型；7)训练汉字序列预测子模型；8)建立唇语识别模型；9)训练唇语识别模型；10)获得中文唇语识别结果。本发明针对中文语言特点，将音调信息引入到中文唇语识别问题中，提出了一种基于音调的级联序列到序列模型的中文唇语识别方法。通过依次预测拼音序列、音调序列和汉字序列挖掘汉字语言特征，并将多个阶段的预测结果融合起来共同预测汉字序列，从而提高唇语识别准确率。
一种基于音调级联序列模型中文识别方法

[发明专利]一种基于人工智能的模型训练方法、装置、服务器及介质-CN202011056921.1在审
发明人：王龙跃;史树明;涂兆鹏 -专利权人：腾讯科技（深圳）有限公司
申请日： 2020-09-29 - 公布日： 2020-12-25 - 主分类号： G06N3/08 文献下载
摘要：本申请实施例公开了一种基于人工智能的模型训练方法、装置、服务器及介质，其中方法包括：获取基于序列数据训练得到的包括多个模型参数的神经网络模型；在对多个模型参数中的第一模型参数进行裁剪后，对第二模型参数进行训练，第二模型参数为多个模型参数中除第一模型参数之外的模型参数；在对第二模型参数训练完成后，对第一模型参数进行训练，以恢复第一模型参数在神经网络模型中的数据处理能力，其中，在对第一模型参数训练完成后，得到序列到序列处理模型，序列到序列处理模型用于根据输入序列生成匹配的输出序列。通过实施上述方法，可以有效的提升模型参数的利用率，并且有助于提升序列到序列处理模型处理序列数据时的准确度。
一种基于人工智能模型训练方法装置服务器介质

[发明专利]序列推荐模型的训练方法、信息推荐方法及相关装置-CN202011459776.1在审
发明人：王佳纯;原发杰;吴庆耀;杨敏;李成明;姜青山 -专利权人：中国科学院深圳先进技术研究院
申请日： 2020-12-11 - 公布日： 2021-03-26 - 主分类号： G06F16/9535 文献下载
摘要：本申请公开了一种序列推荐模型的训练方法、信息推荐方法及相关装置，该训练方法包括：获取第一序列推荐模型；对第一序列推荐模型进行块复制和堆叠，得到第二序列推荐模型；对第二序列推荐模型进行训练；将训练后的第二序列推荐模型作为新的第一序列推荐模型，并再次执行上述步骤，直至训练后的第二序列推荐模型满足预设要求。通过这样的方式，能够提升序列推荐模型的训练速度，并提高模型的预测效率。
序列推荐模型训练方法信息相关装置

[发明专利]一种基于混合模型求解预测电压序列的方法和系统-CN202310464873.7在审
发明人：顾单飞;江铭臣;李倩;韦良长;严晓;赵恩海 -专利权人：上海玫克生储能科技有限公司
申请日： 2023-04-26 - 公布日： 2023-07-25 - 主分类号： G06F30/367 文献下载
摘要：本发明公开一种基于混合模型求解预测电压序列的方法和系统，其中方法包括：采集预设辨识时间段内电池实际电流序列和实际电压序列，并采集预设验证时间段内验证电流序列和验证电压序列；将实际电流序列代入电化学模型，得到第一模拟电压序列；根据第一模拟电压序列和实际电压序列，得到真实电化学模型；将实际电流序列代入真实电化学模型，得到第二模拟电压序列；对等效电容模型中待辨识参数进行辨识，得到真实等效电容模型；将验证电流序列输入由真实等效电容模型和真实电化学模型混合的混合模型，计算预测电压序列。本发明对双电层电容建模，并将模型与传统电化学模型混合，提高模型模拟电池的真实工况的准确度。
一种基于混合模型求解预测电压序列方法系统

[发明专利]和弦生成模型的训练方法、和弦生成方法、装置及设备-CN202110217833.3在审
发明人：张冉;张欢;王晓瑞 -专利权人：北京达佳互联信息技术有限公司
申请日： 2021-02-26 - 公布日： 2022-08-30 - 主分类号： G06K9/62 文献下载
摘要：本公开关于一种和弦生成模型的训练方法、和弦生成方法、装置，和弦生成模型的训练方法，包括：获取样本序列集合；包括：样本旋律序列以及样本调性序列、样本和弦序列以及样本和弦功能序列；将样本序列集合输入待训练的神经网络模型；神经网络模型用于根据样本序列集合中的样本旋律序列、样本调性序列、样本和弦序列中以及样本和弦功能序列中的部分序列位，预测完整的和弦序列以及和弦功能序列，并输出预测和弦序列以及预测和弦功能序列；基于预测和弦序列与样本和弦序列，预测和弦功能序列与样本和弦功能序列，确定当前神经网络模型的损失值；若小于预设的损失阈值，将当前神经网络模型作为和弦生成模型。
和弦生成模型训练方法装置设备

[发明专利]序列标注模型训练方法、电子病历处理方法及相关装置-CN201910625223.X有效
发明人：王李鹏 -专利权人：新华三大数据技术有限公司
申请日： 2019-07-11 - 公布日： 2022-09-09 - 主分类号： G06F40/289 文献下载
摘要：本发明实施例涉及自然语言处理技术领域，提供一种序列标注模型训练方法、电子病历处理方法及相关装置，所述方法包括：获得样本序列和样本序列的标准标签序列；将样本序列输入预先建立的序列标注模型，利用序列标注模型的初始特征网络获得样本序列的初始向量序列；将初始向量序列输入序列标注模型的特征提取网络，采用注意力机制得到特征序列；将特征序列输入序列标注模型的标签预测网络，得到样本序列的训练标签结果；基于训练标签结果和标准标签序列，对序列标注模型进行迭代修正，得到训练后的序列标注模型。本发明实施例引入注意力机制可以更好的学习序列中的长距离特征信息，从而有效提高序列标注的准确度。
序列标注模型训练方法电子病历处理相关装置

[发明专利]一种模型文件封装方法、装置和存储介质-CN202111428498.8在审
发明人：陈善云;蒋成;毛凯;罗苇 -专利权人：武汉尺子科技有限公司
申请日： 2021-11-25 - 公布日： 2022-03-15 - 主分类号： G06F16/16 文献下载
摘要：本发明公开了一种模型文件封装方法、装置和存储介质，包括：获取扫描目标物体生成的第一模型数据，所述第一模型数据用于标识扫描目标物体的数据；将第一模型数据序列化，得到第一序列模型数据；将第一序列模型数据写入第一文件，所述第一文件用于保存扫描数据；根据第一模型数据计算出第二模型数据，所述第二模型数据用于建立目标物体模型；将第二模型数据序列化，得到第二序列模型数据，并写入第一文件；将第一序列模型数据和第二序列模型数据进行封装，形成模型文件封装。通过将模型数据序列化，减少模型数据对cpu和磁盘等系统资源的占用，提高模型数据写入的效率，对第一序列模型数据和第二序列模型数据进行封装，保证数据稳定性。
一种模型文件封装方法装置存储介质

[发明专利]一种基于网络自协作的隐式推荐方法和系统-CN202011269644.2在审
发明人：杨敏;原发杰;孙洋;李成明;姜青山 -专利权人：中国科学院深圳先进技术研究院
申请日： 2020-11-13 - 公布日： 2021-03-09 - 主分类号： G06F16/9536 文献下载
摘要：该方法包括：对应于一个序列推荐模型，构建具有相同网络架构的对等序列推荐模型；对于所述序列推荐模型及其对等序列推荐模型进行协作训练，并在协作训练过程中，根据所述序列推荐模型中每一层参数的重要性通过从其对等序列推荐模型中移植参数来重激活该序列推荐模型的无效参数；以用户的历史浏览序列作为输入，利用经协作训练的所述序列推荐模型为用户进行序列推荐服务。本发明通过自动化地促进多个模型的协作和优化，能够获得更具表现力的序列推荐模型，为用户提供准确的推荐服务。
一种基于网络协作推荐方法系统

[发明专利]时间序列的预测方法、装置、设备及存储介质-CN202110734762.4在审
发明人：刘广 -专利权人：中国平安人寿保险股份有限公司
申请日： 2021-06-30 - 公布日： 2021-09-03 - 主分类号： G06K9/62 文献下载
摘要：本申请涉及人工智能技术领域，揭示了一种时间序列的预测方法、装置、设备及存储介质，其中方法包括：获取目标时间序列；将所述目标时间序列输入目标时间序列预测模型进行时间序列预测，其中，所述目标时间序列预测模型是根据生成模块、判别模块和时间序列预测初始模型训练得到的模型，所述时间序列预测初始模型是根据LSTM网络、GRU网络、ARIMA模型中任一个得到的模块；获取所述目标时间序列预测模型输出的所述目标时间序列对应的时间序列预测结果生成模块、判别模块有利于快速扩充训练样本，从而使最终训练得到目标时间序列预测模型具有较好的鲁棒性，提高了目标时间序列预测模型预测的成功率和准确率。
时间序列预测方法装置设备存储介质

[发明专利]一种基于机器阅读到序列模型的迁移学习方法-CN201811284309.2有效
发明人：潘博远;蔡登;李昊;陈哲乾;赵洲;何晓飞 -专利权人：浙江大学
申请日： 2018-10-31 - 公布日： 2020-05-29 - 主分类号： G06F40/30 文献下载
摘要：本发明公开了一种基于机器阅读到序列模型的迁移学习方法，包括以下步骤：(1)预训练一个机器阅读模型，所述机器阅读模型包含基于循环神经网络的编码层和模型层；(2)建立一个序列模型，所述序列模型包含基于循环神经网络的编码器和解码器；(3)提取训练好的机器阅读模型中编码层和模型层的参数，迁移到待训练的序列模型中，作为训练序列模型时的部分初始化参数；(4)训练序列模型，直到模型收敛；(5)使用训练好的序列模型进行文本序列预测任务。利用本发明，能够更加深入地挖掘文本蕴含信息，提升生成文本序列的质量。
一种基于机器阅读序列模型迁移学习方法

[发明专利]一种基于深度学习的非侵入式负荷分解方法及系统-CN202211164730.6在审
发明人：吴皓;张玉森;马庆;杨庆荣 -专利权人：山东大学
申请日： 2022-09-23 - 公布日： 2022-12-09 - 主分类号： G06N3/04 文献下载
摘要：本发明提出了一种基于深度学习的非侵入式负荷分解方法及系统，包括：对用户侧历史负荷运行功率数据进行预处理，得到聚合功率数据；建立深度学习模型，包括序列到序列模型及序列到点模型；其中，所述序列到序列模型针对预处理后聚合功率数据提取功率序列的特征，作为全局特征；针对序列到序列模型输出的全局特征按时间维度采用滑动窗口的方法划分为时间窗口；所述序列到点模型输出每个时间窗口对应目标序列的中值，以逐点预测目标序列。
一种基于深度学习侵入负荷分解方法系统

[发明专利]模型训练方法、数据鉴别方法、设备、介质及产品-CN202210665189.0在审
发明人：柳寒;李航;朱光旭;陆彦辉 -专利权人：深圳市大数据研究院;郑州大学
申请日： 2022-06-13 - 公布日： 2022-09-13 - 主分类号： G06F16/2458 文献下载
摘要：本公开实施例公开了一种模型训练方法、数据鉴别方法、设备、介质及产品，该方法包括：获取时间序列数据；通过时间序列数据生成模型生成合成时间序列数据；获取时间序列特征数据，获取合成时间序列特征数据；获取数据鉴别结果；基于数据鉴别结果，通过对抗训练的方式对时间序列数据生成模型以及时间序列数据鉴别模型进行训练；响应于至少一轮训练后的时间序列数据鉴别模型输出的数据鉴别结果满足合成时间序列数据未分辨条件，将至少一轮训练后的时间序列数据生成模型确定为目标时间序列数据生成模型基于该方案所确定的目标时间序列数据生成模型能够生成与真实的时间序列数据的相似度较高的合成时间序列数据。
模型训练方法数据鉴别方法设备介质产品

[发明专利]联邦学习方法、装置、电子设备以及存储介质-CN202210110135.8在审
发明人：杨博 -专利权人：北京百度网讯科技有限公司
申请日： 2022-01-28 - 公布日： 2022-05-13 - 主分类号： G06N20/20 文献下载
摘要：具体实现方案为：响应于接收到来自第一计算节点的第一序列化模型数据，对第一序列化模型数据进行反序列化处理，得到第一反序列化模型数据。第一序列化模型数据满足预定数据格式；利用联邦学习任务的第一局部模型处理第一反序列模型数据，得到第二反序列化模型数据；对第二反序列化模型数据进行序列化处理，得到第二序列化模型数据。第二序列化模型数据满足预定数据格式；向第二计算节点发送第二序列化模型数据，以便第二计算节点利用联邦学习任务的第二局部模型处理与第二序列化模型数据对应的第三反序列化模型数据。
联邦学习方法装置电子设备以及存储介质

[发明专利]三维网格模型序列的渐变方法-CN201510278130.6有效
发明人：冯结青;陈雪;谢选孟 -专利权人：浙江大学
申请日： 2015-05-26 - 公布日： 2017-06-27 - 主分类号： G06T19/20 文献下载
摘要：本发明公开了一种三维网格模型序列的渐变方法，包括如下步骤分别构建源网格模型序列和目标网格模型序列，分别构建各个网格模型的骨架驱动Cage结构，所述骨架驱动Cage结构包括各个网格模型对应的骨架，以及附在骨架上的Cage；所述骨架的关节点处具有截面线；根据骨架关节点处的截面线所有骨架分别进行一致化分割，并利用分割结果对源网格模型序列中每个网格模型进行交叉参数化得到相应的兼容网格模型；根据源网格模型序列和目标网格模型序列的关系以及兼容网格模型序列采用重构‑插值的方式获得最终动态渐变的网格模型序列。本发明的渐变方法能够在不同网格模型序列上同时进行几何插值和运动混合，得到新的渐变网格模型序列，应用范围广泛。
三维网格模型序列渐变方法

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