“训练子集”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364438个，建议您升级VIP下载更多相关专利

[发明专利]一种构建建筑能耗预测模型的方法及装置-CN201710806517.3有效
发明人：宋扬;官泽;孔祥旭 -专利权人：北京首钢自动化信息技术有限公司
申请日： 2017-09-08 - 公布日： 2021-01-05 - 主分类号： G06Q10/04 文献下载
摘要：本发明实施例提供了一种建筑能耗预测模型的方法及装置，方法包括：获取能耗影响因子集合；将其分为线性相关影响因子集合及非线性相关影响因子集合；分别构建相应的贝叶斯网络模型；基于相应的所述贝叶斯网络模型分组为第一主要影响因子、第一非主要影响因子、第二主要影响因子及第二非主要影响因子；构建各BP神经网络训练模型；基于训练样本数据，分别对各BP神经网络训练模型进行训练；基于预设的测试样本数据，分别对训练后的各BP神经网络训练模型进行预测检验
一种构建建筑能耗预测模型方法装置

[发明专利]图像识别模型生成方法、装置、计算机设备和存储介质-CN202010862911.0有效
发明人：崔洁全;刘枢;田倬韬;贾佳亚 -专利权人：深圳思谋信息科技有限公司
申请日： 2020-08-25 - 公布日： 2021-06-25 - 主分类号： G06K9/62 文献下载
摘要：本申请涉及一种图像识别模型生成方法、装置、计算机设备和存储介质，包括：获取样本图像集；样本图像集包括图像数量依次递减的多个样本图像子集，多个样本图像子集均包含相同数量的图像类别；根据样本图像集，对待训练的图像识别模型进行训练，得到待训练的图像识别模型的损失值；待训练的图像识别模型包括多个分支神经网络；损失值包括目标分类损失值以及分类损失值，目标分类损失值为模型针对样本图像集的损失值，分类损失值为分支神经网络针对对应的样本图像子集的损失值本申请使得训练过程中图像数量较少的图像类别也能得到充分训练，提升了图像识别模型生成的效果。
图像识别模型生成方法装置计算机设备存储介质

[发明专利]一种信息处理装置-CN202011530775.1有效
发明人：刘靖宇;韩旭;刘琦;赵宣栋 -专利权人：哈尔滨师范大学
申请日： 2020-12-22 - 公布日： 2022-02-11 - 主分类号： G06F16/55 文献下载
摘要：本发明提供了一种信息处理装置，该装置包括训练数据获取单元、第一训练单元、人脸标记单元、第二训练单元、信息获取单元、第一分类单元、第二分类单元、子集获得单元、分组单元、第一计算单元、第二计算单元以及确定单元信息处理装置获取包含人物照和非人物照的训练数据集训练第一分类模型将人物照再分为单人照、小合照或集体照来训练第二分类模型；对待处理图像集分类得到单人照、小合照、集体照和非人物照子集；基于拍摄信息和人脸标记结果对每个子集分组
一种信息处理装置

[发明专利]针对智能体的交互式训练方法、装置、终端和存储介质-CN202110288790.8有效
发明人：毋杰;周凯捷 -专利权人：中国平安人寿保险股份有限公司
申请日： 2021-03-18 - 公布日： 2023-09-08 - 主分类号： G06F16/332 文献下载
摘要：本发明实施例公开了一种针对智能体的交互式训练方法、装置、终端和存储介质，属于智能决策技术领域，其中，方法包括，基于第一交互目标子集调用规则模拟器和规则智能体进行交互，得到第一交互数据集合，基于第一交互数据集合对初始模拟器和初始智能体进行训练，得到基础模拟器和基础智能体，基于第二交互目标子集调用规则智能体和基础智能体的组合对基础模拟器进行交互训练，得到目标模拟器，基于第三交互目标子集调用规则模拟器和目标模拟器的组合对基础智能体进行交互训练，通过实施上述方法，可以基于模拟器组合与智能体交互的形式，对模拟器和智能体进行交替式训练，提升针对智能体的训练效率。
针对智能交互式训练方法装置终端存储介质

[发明专利]一种应对类别不平衡的罪名分类方法-CN201811317492.1在审
发明人：杨权;梁栋;后弘毅 -专利权人：中国电子科技集团公司第二十八研究所
申请日： 2018-11-07 - 公布日： 2019-03-15 - 主分类号： G06F16/35 文献下载
摘要：本发明公开了一种应对类别不平衡的罪名分类方法，包括如下步骤：获取收集语料，对案情描述语料进行预处理，得到和罪名相关的案情描述语料；将某罪名相关的案情描述语料作为正实例语料，将某罪名无关的案情描述语料作为负实例语料，并划分出训练语料和测试语料；利用欠采样算法从负实例语料中独立随机抽取出若干子集，每个子集和正实例样本组合成一个训练语料子集；利用若干训练语料子集，训练得到多个基于LSTM的基分类器；结合基分类器的分类结果进行对新的案情描述进行罪名分类本发明能够在正样本数量较少而负样本数量较多的情况下训练出分类正确率较高的基分类器，解决类别不平衡情况下的分类错误率较高的情形，实现案情描述的罪名自动化推理。
语料子集训练语料分类基分类器预处理分类错误率测试语料分类结果实例样本分类器负样本结合基欠采样正确率正样本算法推理取出自动化

[发明专利]一种基于患者电子健康记录的不良事件风险预测方法-CN202210322129.9有效
发明人：郑恒杰;刘勇国;张云;朱嘉静;李巧勤;傅翀 -专利权人：电子科技大学
申请日： 2022-03-30 - 公布日： 2023-04-07 - 主分类号： G16H50/30 文献下载
摘要：：S1、数据预处理；S2、进行K均值聚类采样处理，将数据分成3个类簇，得到3个聚类中心；S3、将3个聚类中心按P*中的最大值从小到大进行排序，分别作为罕见编码子集、较常见编码子集、常见编码子集，然后将三个子集分别对应输入GRAM+、Dipole+、RNN+三个基础分类器进行预训练，然后对三个基础分类器进行模型融合。本发明通过聚类算法为基础学习器采样合适的训练样本，并设计自适应结合策略，根据训练样本到预训练集中心的距离，自适应的产生不同基础分类器的集成权重，使得模型具备更强的自适应性。此外，通过聚类后的采样，训练基本嵌入时可显著减少计算量。
一种基于患者电子健康记录不良事件风险预测方法

[发明专利]图像质量评分模型训练方法、装置、设备及存储介质-CN201911222233.5在审
发明人：钟官世 -专利权人：恒大智慧科技有限公司
申请日： 2019-12-03 - 公布日： 2020-05-26 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种图像质量评分模型训练方法、装置、设备及存储介质。本发明中获取多张样本人脸图像以组成训练集，并对多张样本人脸图像分别标注综合质量评分；根据每张样本人脸图像所标注的综合质量评分将多张样本人脸图像分为N个训练子集；基于N个训练子集训练获得图像质量评分模型。该图像质量评分模型基于大量样本数据训练获得，且是基于样本的综合质量评分数据训练得到，因此基于该图像质量评分模型获得的图像质量综合评分准确性较高。
图像质量评分模型训练方法装置设备存储介质

[发明专利]盾构掘进参数变量复杂度分组抽样多进程预测方法-CN202211462822.2有效
发明人：韩爱民;李彤;周雄;施烨辉;王金铭;李根 -专利权人：南京工业大学;南京坤拓土木工程科技有限公司
申请日： 2022-11-22 - 公布日： 2023-08-01 - 主分类号： G06F9/38 文献下载
摘要：本发明基于盾构掘进参数变量复杂度分组抽样并行训练，属于盾构数据处理方法领域及高端装备制造领域。为了提高盾构掘进参数预测模型训练效率、减少模型训练耗时，以变量复杂度量化评价、分组分层抽样构成训练集、多进程运算为主要技术手段，以变量复杂度量化分组、分组分层抽样生成训练子集、训练子集进程封装并行运算、精度判定循环、模型测试优选为实施步骤，可减少预测模型训练耗时，可用于盾构掘进参数智能决策，也可用于为盾构机电设备参数选型提供参考值。
盾构掘进参数变量复杂度分组抽样进程预测方法

[发明专利]用于非线性过程监控的核函数参数的获取方法和系统-CN201410218816.1有效
发明人：周东华;何潇;李钢;纪洪泉 -专利权人：清华大学
申请日： 2014-05-22 - 公布日： 2017-01-04 - 主分类号： G05B23/02 文献下载
摘要：本发明公开了一种用于非线性过程监控的核函数参数的获取方法和系统，该方法包括：获取正常样本数据并将其划分为s个子集，确定待获取参数的核函数；依次选取s个子集中的每个子集，将每次选取的不同子集作为测试数据，其余所有子集作为训练数据，基于训练数据以及对应的得分训练神经网络，将测试数据的得分矩阵的行向量输入至神经网络，将其输出作为测试数据的重构值；基于各个重构值和测试数据获取相对重构误差和最终相对重构误差；计算核函数参数取不同数值时的最终相对重构误差
用于非线性过程监控函数参数获取方法系统

[发明专利]一种基于模型聚类的提高说话人识别效率的方法-CN201910031907.7有效
发明人：邓清勇;欧阳艳;阳柳;林琦;邓霜意;徐雁冰;刘昊霖 -专利权人：湘潭大学
申请日： 2019-01-14 - 公布日： 2021-07-06 - 主分类号： G10L17/04 文献下载
摘要：在训练阶段首先构建一个语音训练集，对输入的语音数据样本进行预处理，预处理过程包括采样和量化、预加重、分帧、加窗以及端点检测，然后基于不同性别的基因频率累计分布函数，将语音训练集划分为男性子集和女性子集。采用基于融合梅尔频率倒谱系数和共振峰频率特征参数的方法，为子集中的每个语音数据样本建立一个高斯混合模型，然后采用聚类算法分别将两个子集中的模型进行基于地区口音的聚类。识别阶段首先判别所属的性别子集，再根据似然度最大原则判断所属的类别，最后与类别中所有模型进行匹配，识别说话人身份。本发明实现了一种分层的说话人识别方法，能够满足某些环境下对识别系统实时性的要求。
一种基于模型提高说话识别效率方法

[发明专利]基于强化学习的局部可解释模型-CN202080066799.8在审
发明人：赛尔坎·奥默·阿里克;尹珍圣;托马斯·乔恩·菲斯特 -专利权人：谷歌有限责任公司
申请日： 2020-09-23 - 公布日： 2022-05-10 - 主分类号： G06N3/04 文献下载
摘要：一种用于训练局部可解释模型(190)的方法(300)包括，获得训练样本(130)的集合，以及使用训练样本的集合来训练黑盒模型(120)。该方法还包括，使用经训练的黑盒模型和训练样本的集合来生成辅助训练样本(140)的集合，以及使用辅助训练样本的集合来训练基线可解释模型(150)。该方法还包括，使用辅助训练样本的集合和基线可解释模型来训练实例式权重估计器模型(160)。对于每个辅助训练样本，该方法还包括，使用经训练的实例式权重估计器模型来确定辅助训练样本的选择概率(170)。该方法还包括，基于选择概率来选择辅助训练样本(140S)的子集，以及使用辅助训练样本的子集来训练局部可解释模型。
基于强化学习局部可解释模型

[发明专利]SAR遥感图像到光学遥感图像的翻译方法-CN201911126718.4在审
发明人：孟祥超;李煜;符冉迪;金炜 -专利权人：宁波大学
申请日： 2019-11-18 - 公布日： 2020-04-21 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了一种SAR遥感图像到光学遥感图像的翻译方法，在训练阶段，构建包括生成器网络和判别器网络的对抗神经网络；对SAR遥感图像进行预处理，将预处理图像及对应的光学遥感图像构成训练集；根据多幅SAR遥感图像所属的地物不同将训练集分成若干个子集；针对任一子集，将子集中的预处理图像输入到对抗神经网络中，对生成器网络和判别器网络交替训练，得到子集对应的对抗神经网络预测模型；在测试阶段，对待翻译的SAR遥感图像进行预处理，并根据其所属的地物，选择相应的对抗神经网络预测模型
sar 遥感图像光学翻译方法

[发明专利]一种基于特征贡献的多模型特征选择方法及系统-CN202211357878.1在审
发明人：陈超;宋彪;张瑞环 -专利权人：内蒙古卫数数据科技有限公司
申请日： 2022-11-01 - 公布日： 2023-06-06 - 主分类号： G06F18/211 文献下载
摘要：本发明公开了一种基于特征贡献的多模型特征选择方法及系统，包括：S1.提取血常规检验数据和生化检验数据，分别获取样本特征集；S2.基于k折交叉验证方法，获得测试集和训练集；S3.选择多种机器学习分类器模型进行样本集训练并进行嵌入式特征选择，获得各个模型的平均准确率，输出特征重要性并赋权重值；S4.根据各个模型的平均准确率排序并赋值相应的权重，并与特征权重值相结合构建公式，计算不同模型下每个特征总权重并进行排序选取最优特征子集；S5.使用平均准确率高的模型训练最优特征子集，与S4结果进行对比，确定选取的最优特征子集效果；在保证预测的准确率的同时大大降低训练复杂度，更够高效快速的在高维数据集中寻找最优特征子集。
一种基于特征贡献模型选择方法系统

[发明专利]一种决策树训练方法、装置、计算机设备以及存储介质-CN202211509892.9在审
发明人：张翰林;程刚 -专利权人：青岛大学
申请日： 2022-11-29 - 公布日： 2023-03-07 - 主分类号： G06N5/01 文献下载
摘要：本发明公开了一种决策树训练方法、装置、计算机设备以及计算机可读存储介质，涉及计算机技术领域，其中方法包括：获取训练数据和属性；根据所述属性，从所述训练数据中分别提取样本集和样本子集；利用信息熵计算公式分别计算得到所述样本集和所述样本子集对应的信息熵；利用求和公式分别计算得到所述样本集和所述样本子集对应的权重总和；根据所述权重总和以及所述信息熵，通过计算得到所述属性的信息增益；根据所述信息增益，构建决策树。本发明通过根据样本集和样本子集的权重总和与信息熵，可以计算得到属性的信息增益的方式，相较于根据比例计算信息增益的方式，减少了需要计算比例的步骤，减少了数据量计算的同时提高了决策树训练的效率。
一种决策树训练方法装置计算机设备以及存储介质

[发明专利]从分布式数据学习-CN201680009815.3有效
发明人： R·诺克;G·派特锐尼 -专利权人：澳大利亚国家ICT有限公司
申请日： 2016-02-12 - 公布日： 2021-08-03 - 主分类号： G06F16/27 文献下载
摘要：具体而言，涉及从多个第一数据样本确定多个第一训练样本。多个第一数据样本中的每一个包括多个第一特征值和对该第一数据样本进行分类的第一标签。处理器通过以下方式确定该多个第一训练样本中的每一个：选择该多个第一数据样本的第一子集，使得第一子集包括具有该多个第一特征值中的对应的一个或多个第一特征值的数据样本，以及基于第一子集的第一数据样本中的每一个的第一标签，组合第一子集的数据样本的第一特征值。可以将所得的训练样本与共享相同的对应特征的来自其他数据库的训练样本组合，以及实体匹配是不必要的。
分布式数据学习