“神经网络构建”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1225245个，建议您升级VIP下载更多相关专利

[发明专利]神经网络训练的方法及装置、智能行驶控制的方法及装置-CN202110124780.0在审
发明人：侯跃南;刘春晓;马政;王哲 -专利权人：商汤集团有限公司
申请日： 2021-01-29 - 公布日： 2021-05-18 - 主分类号： G06N3/08 文献下载
摘要：本公开提供了一种神经网络训练的方法及装置、智能行驶控制的方法及装置，其中，训练的方法包括：构建与原始神经网络对应的待训练神经网络；将构建的待训练神经网络包括的多个网络层划分为多个网络层组，并基于当前资源池中的可分配运算资源对划分的每个网络层组进行资源分配；基于为每个网络层组分配的运算资源以及预先采集的图像样本，控制待训练神经网络包括的每个网络层进行训练，得到训练后的神经网络。由于待训练神经网络的通道数量更少，且经过网络层组的资源分配使得训练阶段所分配的资源更为合理，这样所训练得到的神经网络的性能更佳，从而可以更好的应用在图像处理技术领域。
神经网络训练方法装置智能行驶控制

[发明专利]中文分词方法、电子装置及可读存储介质-CN201910371045.2在审
发明人：金戈;徐亮 -专利权人：平安科技（深圳）有限公司
申请日： 2019-05-06 - 公布日： 2019-09-27 - 主分类号： G06K9/34 文献下载
摘要：本发明涉及数据分析技术领域，具体提供一种基于卷积神经网络模型的中文分词方法、电子装置及可读存储介质，该卷积神经网络模型的第四层卷积层构建有注意力机制，注意力机制用于调整各通道权重。本发明提供的中文分词方法，首先获取字向量字典，通过字向量字典将第二文本转化为训练信息，然后根据训练信息训练卷积神经网络模型，最后卷积神经网络模型根据输入的文本进行字符边界识别预测。通过卷积神经网络模型进行分词，消耗的资源更少，分词速度快，正确率高。在上述卷积神经网络模型的第四层卷积层处构建有注意力机制，在训练卷积神经网络模型时，该注意力机制的设置能够优化卷积神经网络模型，提高卷积神经网络模型预测的准确率。
卷积神经网络注意力机制中文分词可读存储介质电子装置训练信息分词构建卷积向量字典数据分析技术模型预测文本转化字符边界正确率准确率权重文本消耗预测优化

[发明专利]一种考虑用户隐私保护的自适应住宅负荷预测方法-CN202210235723.4在审
发明人：许贤泽;施元;徐逢秋 -专利权人：武汉大学
申请日： 2022-03-11 - 公布日： 2022-08-30 - 主分类号： G06Q10/04 文献下载
摘要：首先获得公共负荷数据和住宅负荷数据并处理；模型服务器构建公共负荷神经网络模型，将公共负荷神经网络模型发送给多个用户端；每个用户端利用住宅负荷训练样本在公共负荷神经网络模型的基础上训练住宅负荷神经网络模型，将住宅负荷神经网络模型传输至模型服务器；模型服务器通过加权平均用户的住宅负神经网络模型参数构建公共负荷神经网络模型；重复上述过程，直至公共负荷神经网络模型参数收敛；用户端利用住宅负荷训练样本对公共负荷神经网络模型进行自适应调整
一种考虑用户隐私保护自适应住宅负荷预测方法

[发明专利]基于三维循环卷积神经网络和多时相遥感影像的农作物产量预测方法-CN202210716198.8在审
发明人：赫晓慧;乔梦佳;郜利康;田智慧 -专利权人：郑州大学
申请日： 2022-06-23 - 公布日： 2022-10-21 - 主分类号： G06Q10/04 文献下载
摘要：本发明涉及一种基于三维循环卷积神经网络农作物产量预测方法，包括以下步骤：S1构建中国农作物估产数据集；S2、基于卷积神经网络和循环神经网络构建农作物估产模型空间‑光谱‑时间神经网络（SSTNN）；S3利用数据集验证农作物估产模型空间‑光谱‑时间神经网络（SSTNN）的泛化能力。本发明采用多光谱、多时相遥感影像作为数据源，结合卷积神经网络和循环神经网络各自的优势，提出了一种新的深度学习架构来进行农作物产量预测,农作物估产模型空间‑光谱‑时间神经网络（SSTNN）将空间光谱学习模块和时间依赖捕获模块集成到一个统一的神经网络中
基于三维循环卷积神经网络多时遥感影像农作物产量预测方法

[发明专利]信号处理的方法及装置-CN202110381735.3在审
发明人：王琪;罗辉昌;杨昉;何越 -专利权人：华为技术有限公司;清华大学
申请日： 2021-04-09 - 公布日： 2022-10-18 - 主分类号： G06K9/00 文献下载
摘要：本申请涉及人工智能技术领域，且涉及电力线通信中的信号处理的方法，包括：获取包含脉冲噪声的信号片段，信号片段包括至少一个采样点；将信号片段输入神经网络模型得到降噪参数；根据降噪参数对至少一个采样点进行降噪处理神经网络模型为本地神经网络模型时还包括：发送信号片段到云端设备；信号片段用于云端设备训练神经网络模型，神经网络模型的输入为信号片段、输出为降噪参数；接收云端设备所训练的神经网络模型的参数；根据神经网络模型的参数构建本地神经网络模型通过终端与云端的结合，可以实现算力有限的终端能快速构建神经网络模型，并据此模型得到降噪所需降噪参数，以据此参数对电力线通信中的脉冲噪声进行降噪处理。
信号处理方法装置

[发明专利]一种基于神经网络的散射介质光学成像方法-CN201910013217.9有效
发明人：何凌刚;许尧军;梁海;史丽;张凯;李静静 -专利权人：深圳市恒天伟焱科技股份有限公司
申请日： 2019-01-07 - 公布日： 2021-08-24 - 主分类号： G02B27/00 文献下载
摘要：本发明公开了一种基于神经网络的散射介质光学成像方法，该方法包括散射介质光学神经网络模型构建和成像两个过程。在散射介质光学神经网络模型构建过程中，将散射介质前的调制光信号作为神经网络模型的输出层，将穿过散射介质后形成的光散斑强度信息作为模型的输入层，利用多组输入输出层数据对神经网络进行训练，求解神经网络模型中各中间层参数，从而获得特定的散射介质光学神经网络模型。散射介质光学成像过程中，将待成像目标图案作为上述神经网络模型的输入层，经过神经网络计算输出得到光波预调制信号，之后利用预调制信号调制入射光光波面，从而透过散射介质直接形成目标图像。
一种基于神经网络散射介质光学成像方法

[发明专利]一种基于深度神经网络回归模型的近场信号源定位方法-CN201910817644.2有效
发明人：辛景民;刘文怡;左炜亮;李杰;郑南宁 -专利权人：西安交通大学
申请日： 2019-08-30 - 公布日： 2021-05-28 - 主分类号： G01S3/22 文献下载
摘要：本发明公开了一种基于深度神经网络回归模型的近场信号源定位方法，包括以下步骤：根据协方差矩阵R计算获得特征提取矩阵r；构建深度神经网络回归模型；产生深度神经网络回归模型的训练集；确定训练深度神经网络回归模型所需的各项参数；通过确定的参数和训练集训练构建的深度神经网络回归模型，获得训练好的深度神经网络回归模型；将特征提取矩阵r输入训练好的深度神经网络回归模型中，通过深度神经网络回归模型输出近场信号的波达方向和距离，完成近场信号源定位本发明引入了深度神经网络回归模型，在信噪比低于15dB和快拍数小于200的情况下波达方向角的估计精度提高了十倍，距离的估计精度接近理论上的最优解。
一种基于深度神经网络回归模型近场信号源定位方法

[发明专利]一种多小区蜂窝D2D设备中基于深度学习的用户关联方法-CN202010964458.4有效
发明人：李君;朱明浩;仲星;王秀敏;李正权 -专利权人：南京信息工程大学滨江学院;中科怡海高新技术发展有限公司
申请日： 2020-09-15 - 公布日： 2022-07-12 - 主分类号： H04W4/70 文献下载
摘要：本发明公开一种多小区蜂窝D2D设备中基于深度学习的用户关联方法，首先，收集环境内终端设备的信道增益信息；其次，运用穷举法得到相应信道增益样本下的最优蜂窝用户关联策略，收集训练数据集；然后，构建卷积神经网络框架，初始化神经网络参数；最后，训练该神经网络：将训练数据集输入至神经网络，构建神经网络的输出和标签之间的MSE作为损失函数，并选择随机梯度下降算法对神经网络的权重进行更新；当损失函数小于预设值或达到迭代次数时即认为神经网络训练完成，保存神经网络。本发明克服了环境中D2D设备对蜂窝设备造成的干扰问题，用卷积神经网络以监督学习的方式逼近传统算法来学习信道增益到最优用户关联策略之间的映射关系。
一种小区蜂窝 d2d 设备基于深度学习用户关联方法

[发明专利]基于GRU神经网络和ECG信号的疲劳检测方法-CN202211219067.5有效
发明人：吕国华;宋文廓;池强;程嘉玟;王美慧 -专利权人：齐鲁工业大学
申请日： 2022-10-08 - 公布日： 2023-01-31 - 主分类号： A61B5/16 文献下载
摘要：本发明提供了一种基于GRU神经网络和ECG信号的疲劳检测方法，涉及新一代信息技术领域。本发明包括以下步骤:S1：获取训练数据集T和测试数据集S；S2：从训练集T中分别提取时域特征t、频域特征f和非线性特征n，t、f和n组合，形成特征向量；S3：构建GRU神经网络：构建GRU神经网络，GRU神经网络包括input层、嵌入层、GRU层、线性分类层和输出层；S4：将t、f和n送入GRU神经网络训练得综合损失L，并更新GRU神经网络参数；S5：利用训练集T对GRU神经网络进行训练，然后利用测试集S对经训练得到的神经网络模型进行测试，输出最终GRU神经网络模型。
基于 gru 神经网络 ecg 信号疲劳检测方法

[发明专利]用于高光谱图像分类的深度神经网络架构搜索方法及系统-CN202210646335.5在审
发明人：刘翔;龚鑫;张超超;宋新生;李毅;祖文杰 -专利权人：中国地质大学（武汉）
申请日： 2022-06-09 - 公布日： 2022-10-11 - 主分类号： G06N3/04 文献下载
摘要：本发明涉及神经网络构建领域，提供一种用于高光谱图像分类的深度神经网络架构搜索方法及系统，包括：S1：获取初始卷积神经网络架构，构建所述初始卷积神经网络架构的搜索空间、超级网络和粒子群；S2：对所述超级网络和所述粒子群进行迭代更新，获得超级网络的最优权重和粒子群的最优粒子；S3：通过所述最优权重和所述最优粒子构建最优卷积神经网络架构。本发明将粒子群算法与超级网络结合，通过粒子群算法搜索最优网络架构，通过超级网络更新架构权重，既消除了粒子群算法时间消耗过大的问题，又能够找到性能更好的网络架构。
用于光谱图像分类深度神经网络架构搜索方法系统

[发明专利]基于神经网络的电缆报警温度阈值预测方法及系统-CN202110660238.7在审
发明人：王凤华;孟真;张茜;刘芬;李志文;崔登浩;王磊;张振海;王莉 -专利权人：山东电力高等专科学校;国家电网有限公司技术学院分公司;国家电网有限公司
申请日： 2021-06-15 - 公布日： 2021-10-15 - 主分类号： G06F30/27 文献下载
摘要：本发明涉及基于神经网络的电缆报警温度阈值预测方法及系统，包括以下步骤：获取一段时间内电缆运行的历史数据，基于历史数据构建训练神经网络；利用已构建的训练神经网络获得预测数据，基于预测数据作为反馈值修正已构建的神经网络
基于神经网络电缆报警温度阈值预测方法系统

[发明专利]一种基于联邦图神经网络的电力负荷预测方法-CN202310868553.8在审
发明人：王峰;曹宇航;刘立;鲜学丰;方立刚;卜峰 -专利权人：苏州市职业大学（苏州开放大学）
申请日： 2023-07-14 - 公布日： 2023-09-29 - 主分类号： H02J3/00 文献下载
摘要：本发明公开了一种基于联邦图神经网络的电力负荷预测方法，包括如下步骤：S1数据采集：S2数据处理；S3构建图神经网络；S4超节点构建；S5构建全局图结构。本发明提出了一种基于联邦图神经网络的电力负荷预测方法，该方法将每个地区的超节点，通过预测超节点间的链接获得超节点的图结构，从而训练图神经网络模型。
一种基于联邦神经网络电力负荷预测方法

[发明专利]神经网络反演方法、装置、电子设备及介质-CN202011064792.0在审
发明人：刘韬;王瑞;魏巍;陈冬 -专利权人：中国石油化工股份有限公司;中国石油化工股份有限公司石油勘探开发研究院
申请日： 2020-09-30 - 公布日： 2022-05-03 - 主分类号： G06N3/08 文献下载
摘要：本申请公开了一种神经网络反演方法、装置、电子设备及介质。该方法可以包括：建立基本训练集，构建初始神经网络；针对初始神经网络进行神经网络参数更新，获得优化神经网络；针对目标地震波道集，通过优化神经网络，反演获得初始地下结构模型；针对初始地下结构模型进行全波形反演，比较反演结果与已知全波形反演结果的误差，调节优化神经网络，获得最终神经网络；通过最终神经网络进行反演。本发明通过对神经网络不断进行优化，可以快速准确得到目标区域的地下结构。
神经网络反演方法装置电子设备介质

[发明专利]神经网络训练方法、图片分类方法及系统-CN202210683594.5在审
发明人：曾祥云;朱姬渊 -专利权人：上海易康源医疗健康科技有限公司
申请日： 2022-06-17 - 公布日： 2022-08-16 - 主分类号： G06V10/764 文献下载
摘要：本发明公开一种神经网络训练方法、图片分类方法及系统。神经网络训练方法包括：S1:准备数据集：S2:构建神经网络模型，所述神经网络模型包括第一神经网络和第二神经网络；S3:特征抽取：S4:计算第一神经网络的损失，更新第一神经网络的参数；S5:计算第二神经网络的损失，更新第二神经网络的参数。
神经网络训练方法图片分类系统

[发明专利]基于无标记样本的神经网络构建方法及其装置-CN201210500860.2无效
发明人：储荣;王敏;赵燕容;吴蓉;田胜;窦智;戴云峰 -专利权人：河海大学
申请日： 2012-11-29 - 公布日： 2013-03-13 - 主分类号： G06N3/02 文献下载
摘要：本发明公开了一种基于无标记样本的神经网络构建方法，属于智能科学与技术中的机器学习领域。该方法以神经网络中隐层神经元的敏感性为基准，通过逐渐裁剪隐层神经元中敏感性低的神经元达到逐渐简化网络结构、提高分类器性能的目的。与传统方式相比，在计算隐层神经元敏感性的过程中，本发明不但使用了有标记的样本，还大量使用了没有标记的样本，这样大大提高了敏感性计算精度。本发明还公开了基于无标记的神经网络构建装置。本发明可以有效提高神经网络构建效率，并提高神经网络的性能。
基于标记样本神经网络构建方法及其装置