“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]深度学习编译器脉冲神经网络算子处理方法、系统、介质-CN202310610325.0在审
发明人：吴良顺;谢李生;薛建伟;陈发全;田清扬;周轶凡;应忍冬;刘佩林 -专利权人：上海交通大学
申请日： 2023-05-26 - 公布日： 2023-08-29 - 主分类号： G06F30/27 文献下载
摘要：本发明提供了一种深度学习编译器脉冲神经网络算子处理方法及系统，包括：步骤S1：将脉冲神经网络算子部署到低功耗机器人硬件众核处理器上，进行算子转换，将脉冲神经网络算子拆分为基础算子和自定义算子，适配深度学习编译器；步骤S2：进行脉冲神经网络算子合并、算子拆分和算子映射，实现脉冲神经网络算子在低功耗机器人硬件众核处理器上的部署和执行。发明与深度学习编译器的兼容性较好，本发明以深度学习编译器中常用的ONNX(Open Neural Network Exchange)格式表示SNN(spike Neural Network)神经元操作符，这种兼容性使脉冲神经网络算子能够集成到主流的深度学习编译器中。
深度学习编译器脉冲神经网络算子处理方法系统介质

[发明专利]一种基于宽度学习的城市照明系统调节方法、装置和存储介质-CN202111341765.8在审
发明人：姜淏予;徐今强;葛泉波;刘洺辛;林聪;杨文龙 -专利权人：广东海洋大学
申请日： 2021-11-12 - 公布日： 2022-02-01 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于宽度学习的城市照明系统调节方法、装置和存储介质，通过设置于智能路灯上的各传感器获取该路灯下方路面的车流量、车速值和环境亮度作为初始数据；将初始数据通过BLS宽度学习中的特征提取和节点增强后，合并作为模糊神经网络的训练扩展值；构建FNN模糊神经网络，在模糊神经网络FNN的离线学习阶段应用粒子群算法PSO对模糊神经网络的学习算法部分进行优化，获取网络的最优初始解并得到优化后的改良神经网络，输入训练扩展值对改良神经网络进行训练
一种基于宽度学习城市照明系统调节方法装置存储介质

[发明专利]深度卷积神经网络量化剪枝联合优化的方法及系统-CN202310422590.6在审
发明人：胥明凯;任志刚;李琮;杨杰;陈显达;王淑颖;王思源;刘昭;刘晓;刘一男;胡庆浩;高翔;邵帅;郑义斌;张雨薇 -专利权人：国网山东省电力公司济南供电公司;中国科学院自动化研究所
申请日： 2023-04-20 - 公布日： 2023-05-26 - 主分类号： G06N3/0464 文献下载
摘要：本发明公开了一种深度卷积神经网络量化剪枝联合优化的方法及系统，属于图像处理技术领域，方法包括：获取待处理对象图像的数据集；利用所述数据集训练待优化神经网络模型，并初始化神经网络模型参数，神经网络模型参数包括评价网络、执行网络、目标评价网络和目标执行网络参数；使用基于强化学习的量化剪枝策略学习方法得到神经网络模型最优的权重剪枝率、权重量化率、输入特征量化率；使用基于蒸馏和量化熵正则后训练方法重新训练神经网络，得到优化后的神经网络模型参数；利用最优的权重剪枝率、权重量化率、输入特征量化率对神经网络模型进行优化，得到最终的神经网络模型。本发明使深度卷积神经网络提升了模型性能，实现了加速与压缩。
深度卷积神经网络量化剪枝联合优化方法系统

[发明专利]一种基于深度学习卷积神经网络的裂缝识别方法-CN201710641103.X有效
发明人：叶肖伟;金涛;陈鹏宇 -专利权人：浙江大学
申请日： 2017-07-31 - 公布日： 2020-06-30 - 主分类号： G06K9/00 文献下载
摘要：一种基于深度学习卷积神经网络的裂缝识别方法，其具体步骤如下：A.采集图像搭建训练和验证图像数据库；B.建立深度学习卷积神经网络；C.利用A中的图像数据库训练B中搭建完成的深度学习神经网络。
一种基于深度学习卷积神经网络裂缝识别方法

[发明专利]深度学习系统-CN201910404061.7有效
发明人：郑载训 -专利权人：韩国宝之铂株式会社
申请日： 2019-05-15 - 公布日： 2023-10-17 - 主分类号： G06N3/045 文献下载
摘要：公开了一种深度学习系统，该深度学习系统通过通信网络可访问用于使第一人工神经网络模型进行学习的外部深度学习系统。该深度学习系统包括：数据分类存储模块，其被配置为接收和存储源学习数据；学习模块，其被配置为使用该源学习数据使该系统中的第二人工神经网络模型进行学习；调整信息传输模块，其被配置为向外部深度学习系统传输包括学习相关信息和第二人工神经网络模型的参数信息的调整信息，以请求调整第一人工神经网络模型，其中，根据学习的结果来修改该学习相关信息和参数信息；以及调整模块，其被配置为根据从外部深度学习系统传输的调整信息来更新所述第二人工神经网络模型的参数信息。
深度学习系统

[发明专利]基于神经网络自适应的深度哈希图像搜索方法-CN201910071846.7有效
发明人：胡海峰;蒋林瑞 -专利权人：南京邮电大学
申请日： 2019-01-25 - 公布日： 2022-10-14 - 主分类号： G06F16/953 文献下载
摘要：本发明公开了强化学习及深度学习领域的一种基于神经网络自适应的深度哈希图像搜索方法，首先在数据集中对大规模图像进行分类标记，然后通过定义搜索空间，利用循环神经网络抽样得到多组卷积神经网络结构模型，随后分别将抽样得到的卷积神经网络在哈希损失函数的约束下训练并得到mAP值，然后利用传回的mAP值，使用强化学习中的策略梯度方法同时通过反向传播来更新循环神经网络的参数，在达到目标迭代数目后，最后选取了最终的神经网络结构，本发明解决了在大规模图像检索过程中，传统深度哈希方法应用图像分类卷积神经网络而不是适应于深度哈希任务的神经网络所导致的性能欠佳的问题，有效提高了神经网络结构的设计效率，减少了计算开销。
基于神经网络自适应深度希图搜索方法

[发明专利]一种用于通信载波监视系统的干扰信号调制识别方法-CN202011148118.0有效
发明人：李扬清;周祥;荣华;林荣鼎 -专利权人：中国电子科技集团公司第七研究所
申请日： 2020-10-23 - 公布日： 2023-04-07 - 主分类号： G06F18/24 文献下载
摘要：本发明公开了一种用于通信载波监视系统的干扰信号调制识别方法，该方法包括：步骤S1：离线学习，构建级联ResNet神经网络分类器，用于对生成的二维信号分析图进行调制类型分类识别；并通过构建一个全连接BP网络分类器以捕获残差信号r的特征参数信息；步骤S2：在线学习，计算生成r的二维信号分析图和循环谱统计特征参数，然后分别输入级联ResNet神经网络和全连接BP网络进行调制类型分类识别，进行最终预测结果。本发明基于级联ResNet神经网络和全连接BP神经网络并联的神经网络调制识别分类器：级联ResNet神经网络学习和挖掘干扰信号的二维信号分析图结构特征，全连接BP神经网络学习挖掘干扰信号的循环谱参数特征，通过结合这两种神经网络进行处理判断，有效的提高干扰信号的调制识别率。
一种用于通信载波监视系统干扰信号调制识别方法

[发明专利]全栈式的循环神经网络深度学习系统安全分析与检测方法-CN202011356607.5在审
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： 2021-02-05 - 主分类号： G06F11/36 文献下载
摘要：本发明公开了一种全栈式的循环神经网络深度学习系统安全分析与检测方法。针对循环神经网络，进行变换变异生成改变的神经网络，将测试数据输入神经网络获得输出结果，进而获得变异率作为敏感度参数；在各个神经网络的处理过程中计算获得覆盖率，生成更多的测试用例并输入到神经网络中获得错误率作为质量参数；采用遗传算法对测试数据进行变异，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。本发明支持循环神经网络，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。
全栈式循环神经网络深度学习系统安全分析检测方法

[发明专利]一种通过量化组合神经网络进行深度学习的方法-CN202210076271.X在审
发明人：姚云凯 -专利权人：姚云凯
申请日： 2022-01-24 - 公布日： 2022-05-03 - 主分类号： G06N3/04 文献下载
摘要：本发明提供了一种通过量化组合神经网络进行深度学习的方法，所述方法包括以下步骤：步骤S1、使用三层量化神经网络的负载来构建一个具有现实准确性的识别器；步骤S2、通过增加三层量化神经网络的隐藏元素的数量提高RR方法的性能和改善三层量化神经网络的容错性；步骤S3、检验DNN深度神经网络对负载值离散化导致四舍五入错误的鲁棒性；步骤S4、验证三层量化神经网络的可学习性，训练开始时的DNN深度神经网络将表现出与训练后的DNN深度神经网络同样对离散化中四舍五入错误的稳健性；本发明能够实现神经网络的学习且能够检验DNN深层量化神经网络对负载值离散化导致的四舍五入错误的鲁棒性是否通过增加层数而得到改善。
一种通过量化组合神经网络进行深度学习方法

[发明专利]神经网络训练方法、装置、电子设备、介质和程序产品-CN202110548446.8有效
发明人：冯丹蕾;连龙;于佃海;姚雪峰;吴鑫烜;吴志华;马艳军 -专利权人：北京百度网讯科技有限公司
申请日： 2021-05-19 - 公布日： 2022-09-09 - 主分类号： G06N3/04 文献下载
摘要：本公开提供了一种神经网络训练方法、装置、电子设备、介质和程序产品，涉及人工智能领域，尤其是深度学习领域和分布式学习领域。该方法包括：获取用于深度学习的神经网络；针对神经网络建立深度强化学习模型；以及使用深度强化学习模型，基于使用多个类型的处理单元中的每个类型的处理单元针对神经网络中的多个网络层中的每个网络层执行训练所需的时长、以及每个类型的处理单元的成本，来确定针对多个网络层的处理单元选择。利用上述方法，可以使得在保证训练时长小于预定时长的情况下，使用的不同处理单元的总成本最小，从而能够最为合理地划分神经网络以实现分布式训练，提升深度学习的效率和使用深度学习的用户的用户体验。
神经网络训练方法装置电子设备介质程序产品

[发明专利]一种制冷设备故障诊断装置及系统-CN201910148909.4在审
发明人：崔晓钰;韩华;徐玲;范雨强;武浩;张展 -专利权人：上海理工大学
申请日： 2019-02-28 - 公布日： 2019-06-28 - 主分类号： G06N3/04 文献下载
摘要：根据本发明的制冷设备故障诊断装置及系统，制冷设备故障诊断装置包括管理用储存部、节点及层数设定部、深度神经网络训练部、深度神经网络模型构造部、训练步数设定部、故障诊断模型构建部、学习率优化部以及故障诊断结果生成部，管理用储存部至少存储有训练组数据和测试组数据，深度神经网络训练部采用SGDM对深度神经网络进行训练，深度神经网络模型构造部根据神经网络的结构、激活函数、损失函数等建立深度神经网络模型，故障诊断模型构建部用于深度神经网络模型中应用训练组数据进行训练后构建故障诊断模型，学习率优化部采用模拟退火算法对学习率进行优化，故障诊断结果生成部对测试组数据进行故障诊断，得到故障诊断结果。
神经网络模型故障诊断结果故障诊断模型故障诊断装置制冷设备构建神经网络训练神经网络测试组储存部优化模拟退火算法故障诊断激活函数损失函数应用训练训练组组数据步数学习存储管理

[发明专利]射频放大器预失真处理方法及其系统-CN201210510598.X有效
发明人：肖鸣;王晖;吴龙照;吕锐;陈运动;郑建飞;赖志坚 -专利权人：广东省电信规划设计院有限公司
申请日： 2012-12-03 - 公布日： 2013-04-17 - 主分类号： H03F1/32 文献下载
摘要：本发明提供一种射频放大器预失真处理方法及其系统，通过复数类神经网络算法，构建射频放大器的类神经网络模型，采用放大器输入／输出数据训练神经网络，在放大器前置相同的、经过训练的神经网络作为预失真函数。因为神经网络结构简单，并且具有自我学习功能，能够降低邻频频谱增益，进而降低射频通信的相互影响程度，提高整体通信速率和频谱利用率，并且无需复杂的运算。该神经网络通过不断学习，具有实时性；当放大器因为外部原因（温度、电压等）改变而改变性能后，该神经网络能够感知并进行自我修正。对于放大器的输入、输出曲线特征，采用复数幂函数构建所述类神经网络模型，使得学习收敛速度更加快，效果更加好。
射频放大器失真处理方法及其系统

[发明专利]一种基于联邦学习方式训练神经网络模型的方法及系统-CN202110249146.X有效
发明人：徐梦炜;袁进良;周傲;马骁;王尚广 -专利权人：北京邮电大学
申请日： 2021-03-08 - 公布日： 2022-09-23 - 主分类号： H04L41/12 文献下载
摘要：本发明实施例公开了一种基于联邦学习方式训练神经网络模型的方法及系统，本发明实施例在训练神经网络模型时，云服务器选取广域网内已有的至少一个局域网，云服务器将当前神经网络模型发送给所述局域网，由所述局域网在局域网内对该神经网络模型进行多个本地参与设备的联邦学习，并聚合为所述局域网改进的神经网络模型后，提供给云服务器；云服务器将接收到的局域网改进的神经网络模型进行聚合后，得到全局改进的该神经网络模型。这样，本发明实施例就可以在减少跨广域网通信量的前提下，实现基于联邦学习方式训练神经网络模型，提高训练速度及节省成本。
一种基于联邦学习方式训练神经网络模型方法系统

[发明专利]基于先验知识的可拓神经网络模式识别方法-CN201310532381.3无效
发明人：周玉;王亭岭;宫贺;陈建明;熊军华 -专利权人：华北水利水电大学
申请日： 2013-10-31 - 公布日： 2014-02-05 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种基于先验知识的可拓神经网络模式识别方法，包括以下步骤：（1）准备训练样本集和知识库；（2）根据训练样本和先验知识，确定可拓神经网络的初始权值；（3）利用训练样本对可拓神经网络进行训练，如果训练过程收敛或总误差率到达预设值，则停止训练，保存训练后的可拓神经网络的权值向量；否则继续训练；（4）利用训练好的可拓神经网络进行模式识别，直至所有识别对象全部识别完毕。本发明在先验知识和训练样本共同驱动下，指导可拓神经网络的学习，完成可拓神经网络的训练和学习，减轻其学习负担，有效提高可拓神经网络的性能，减少训练时间，提高识别精度。
基于先验知识神经网络模式识别方法

[发明专利]基于深度学习的城市内涝交通路网快速修复方法及系统-CN202310207671.4在审
发明人：张学全;张庭瑞;汪乐凡;杨汉慧;叶子扬;童书畅 -专利权人：武汉理工大学
申请日： 2023-03-06 - 公布日： 2023-07-11 - 主分类号： G06Q10/20 文献下载
摘要：本发明公开了一种基于深度学习的城市内涝交通路网快速修复方法及系统，所述方法包括：构建道路交通网络的图结构；基于图结构的邻接矩阵和随机生成的特征矩阵生成对应的道路错位程度矩阵，并建立数据集；基于图卷积神经网络和胶囊神经网络构建具有注意力机制的深度学习神经网络模型；通过数据集训练深度学习神经网络模型；通过训练好的深度学习神经网络模型进行道路错位程度预测，基于道路错位程度预测结果进行路网修复。本发明以边介数中心性之差表征道路的错位程度，并通过深度学习神经网络模型来预测暴雨内涝情景下道路的错位程度，从中优先选择道路错位程度高的道路进行路网修复，提高路网修复策略的时效性。
基于深度学习城市内涝交通路网快速修复方法系统