“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]一种基于机器学习的神经网络模型优化方法及系统-CN202210959383.X在审
发明人：刘欢 -专利权人：郑州大学
申请日： 2022-08-10 - 公布日： 2022-11-01 - 主分类号： G06N3/04 文献下载
摘要：本申请提出了一种基于机器学习的神经网络模型优化方法及系统，涉及机器学习领域。一种基于机器学习的神经网络模型优化方法包括：获取待优化的神经网络模型的结构、参数、每一层对应的权重参数及每一层的神经元个数；对待优化的神经网络模型的目标优化层的上层加入虚拟层，并将加入虚拟层的待优化的神经网络模型转化为初始模型；对初始模型结合待优化的神经网络模型的结构、参数、每一层对应的权重参数及每一层的神经元个数进行融合处理，输出组合优化策略，使用组合优化策略对待优化的神经网络模型进行优化。能够提高在图像识别的识别精度或分类中的分类精度，同时还解决了神经网络模型在硬件加速器上布局受限的问题。
一种基于机器学习神经网络模型优化方法系统

[发明专利]基于深度强化学习的端到端在轨自主加注控制系统及方法-CN202010693535.7有效
发明人：解永春;陈奥;王勇;李林峰;唐宁;徐拴锋 -专利权人：北京控制工程研究所
申请日： 2020-07-17 - 公布日： 2022-03-04 - 主分类号： B25J9/16 文献下载
摘要：基于深度强化学习的端到端在轨自主加注控制系统及方法，包括基于深度强化学习的端到端在轨加注控制系统和神经网络结构；控制系统包括：基于深度神经网络的特征提取系统、基于深度强化学习的自学习轨迹规划系统和机械臂关节控制系统；神经网络结构包括：基于深度神经网络的特征提取系统网络和基于深度强化学习的自学习轨迹规划系统网络；特征提取系统网络主要由深度卷积神经网络组成；轨迹规划系统网络由策略网络和评价网络构成；整个系统在虚拟环境下利用深度强化学习的基本方法进行训练
基于深度强化学习端到端自主加注控制系统方法

[发明专利]一种图像预测方法、设备和存储介质-CN202010568970.7在审
发明人：栗伟清;韩炳涛;屠要峰;王永成;高洪 -专利权人：南京中兴软件有限责任公司
申请日： 2020-06-19 - 公布日： 2021-12-21 - 主分类号： G06K9/62 文献下载
摘要：本发明公开一种图像预测方法、设备和存储介质，属于深度学习技术领域。该方法包括：获取待测图像；将待测图像输入预设神经网络模型，得到待测图像的预测类别，其中，预设神经网络模型每层的权重通过分层自适应学习速率训练得到。本发明的技术方案，通过将获取的待测图像输入预设神经网络模型，由于预设神经网络模型每层的权重是通过分层自适应学习速率训练所获得的，每层的权重更加准确，从而确定出的预设神经网络模型更加精准，因此在将待测图像输入预设神经网络时
一种图像预测方法设备存储介质

[发明专利]一种基于机器学习的碰撞假人肌肉神经网络预测模型的构建方法、预测方法、构建设备及一种计算机可读存储介质-CN202310160571.0在审
发明人：陈文奇;朱大炜;张耿耿;乔淑平 -专利权人：上汽大众汽车有限公司
申请日： 2023-02-23 - 公布日： 2023-05-02 - 主分类号： G06F30/23 文献下载
摘要：本发明涉及一种基于机器学习的碰撞假人肌肉神经网络预测模型的构建方法、预测方法、构建设备及一种计算机可读存储介质。该基于机器学习的碰撞假人肌肉神经网络预测模型的构建方法包括S1，获取碰撞假人肌肉结点坐标数据；S2，构建所述神经网络预测模型；S3，模型训练。本发明提出了一种基于机器学习的碰撞假人肌肉神经网络预测模型的构建方法、预测方法、构建设备及一种计算机可读存储介质，能构建神经网络预测模型，通过该神经网络预测模型能够快速有效预测碰撞假人各肌肉结点坐标。
一种基于机器学习碰撞假人肌肉神经网络预测模型构建方法设备计算机可读

[发明专利]自适应的神经网络训练与推理装置-CN201911354506.1在审
发明人：刘欣;黎江;程诚;王旭光 -专利权人：中国科学院苏州纳米技术与纳米仿生研究所
申请日： 2019-12-25 - 公布日： 2020-05-22 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了自适应的神经网络训练与推理装置，包括深度学习处理引擎阵列、存储模块以及自动更新控制模块，深度学习处理引擎阵列用于执行神经网络的训练与推理；存储模块用于存储神经网络每层的输出数据、每层的激励函数的求导值、每层的权重值以及训练样本；自动更新控制模块用于控制执行前向传播推理，并根据所监测的网络输出控制所述深度学习处理引擎阵列执行反向传播训练以更新神经网络的网络参数。利用上述模块，自适应的神经网络训练与推理装置能够直接在边缘端完成神经网络训练与推理，实现自动更新，能有效地提高深度学习网络的处理性能，降低功耗，并且免去了将训练过程转移至服务器端或云端而产生的额外交互成本
自适应神经网络训练推理装置

[发明专利]同步伺服PID自学习分配神经网络方法-CN202111606150.3在审
发明人：李蜜 -专利权人：江苏亿控智能装备有限公司
申请日： 2021-12-25 - 公布日： 2022-04-12 - 主分类号： G05B11/42 文献下载
摘要：本发明公开了一种同步伺服PID自学习分配神经网络方法，涉及伺服驱动器技术领域。本发明包括如下步骤：建立同步伺服PID自学习神经网络；采集智能伺服系统的中PID控制器参数，作为样本集；根据当前PID控制器参数获得同步伺服PID分配系数；根据同步伺服PID分配系数配对应的自学习神经网络；自学习神经网络输出性能目标值；PID控制器根据输出的性能目标值分配硬件资源。本发明通过建立同步伺服PID自学习神经网络，输入权值和隐藏层偏置值能随机的设置，神经网络输出层的权值就可以具有解析的计算式，输出性能目标值并分配对应的硬件资源，提高了PID控制器实时性和工作效率。
同步伺服 pid 自学习分配神经网络方法

[发明专利]一种无人车全局路径规划方法和装置-CN201911414795.X有效
发明人：王学强;张一凡;邹李兵;李保明 -专利权人：歌尔股份有限公司
申请日： 2019-12-31 - 公布日： 2022-04-05 - 主分类号： G05D1/02 文献下载
摘要：本发明公开了一种无人车全局路径规划方法和装置，该方法包括：通过强化学习方法建立对象模型，对象模型中包括：无人车状态、采用地图图片进行描述的环境状态、以及路径规划结果的评估指标；基于对象模型，搭建深度强化学习神经网络，并利用无人车状态和地图图片对深度强化学习神经网络进行训练，得到稳定的神经网络模型；启动路径规划后，将当前任务场景下的环境状态的地图图片和无人车状态输入到训练后的深度强化学习神经网络中，根据深度强化学习神经网络输出的路径规划结果的评估指标本发明通过地图图片标识场景中的环境信息，通过深度神经网络提取地图特征，简化了对地图场景的建模过程。
一种无人全局路径规划方法装置

[发明专利]利用V2X信息集成技术更新高清地图的方法和装置-CN202010017082.6有效
发明人：金桂贤;金镕重;金鹤京;南云铉;夫硕焄;成明哲;申东洙;吕东勋;柳宇宙;李明春;李炯树;张泰雄;郑景中;诸泓模;赵浩辰 -专利权人：斯特拉德视觉公司
申请日： 2020-01-08 - 公布日： 2022-12-30 - 主分类号： G08G1/0967 文献下载
摘要：本发明提供一种选择用于更新高清地图的特定信息的学习方法，该方法包括：步骤(a)学习装置，使坐标神经网络针对坐标矩阵加以坐标神经网络运算，生成本地特征图及全局特征矢量；步骤(b)所述学习装置，使判断神经网络针对所述集成特征图加以判断神经网络运算，生成第1预测适合度分数至第N预测适合度分数；及步骤(c)所述学习装置，使损失层参照(i)所述第1预测适合度分数至第N预测适合度分数及(ii)第1GT(ground‑truth)适合度分数至第N GT适合度分数，生成损失，利用所述损失执行反向传播(backpropagation)，从而学习所述判断神经网络及所述坐标神经网络的参数。
利用 v2x 信息集成技术新高地图方法装置

[发明专利]基于强化学习的四旋翼无人机预置性能跟踪控制方法-CN202310930078.2有效
发明人：赵冬;苏延旭;黄大荣 -专利权人：安徽大学
申请日： 2023-07-27 - 公布日： 2023-09-22 - 主分类号： G05D1/08 文献下载
摘要：本发明公开了基于强化学习的四旋翼无人机预置性能跟踪控制方法，包括：构建姿态跟踪误差模型；基于离散化后的姿态跟踪误差模型构造四旋翼无人机长期代价函数，形成积分强化学习的实时奖励函数；构建评价神经网络，基于评价神经网络对长期代价函数的估计值，构建积分强化学习的误差模型，结合实时奖励函数，建立评价神经网络‑动作神经网络积分强化学习控制模型；对控制模型中的评价神经网络、动作神经网络分别设计权重更新律，使用采用所述权重更新律的积分强化学习控制模型对四旋翼无人机姿态进行跟踪控制
基于强化学习四旋翼无人机预置性能跟踪控制方法

[发明专利]多任务学习深度网络的识别方法、系统及设备-CN202210445590.3有效
发明人：杨德顺;罗晓忠;孙海航;肖罗;徐建宇 -专利权人：心鉴智控（深圳）科技有限公司
申请日： 2022-04-26 - 公布日： 2022-07-15 - 主分类号： G06K9/62 文献下载
摘要：本发明提供了一种多任务学习深度网络的识别方法、系统及设备，其中系统包括：数据识别模型，该数据识别模型是基于神经网络构建的具有第一神经网络和根据任务进行的在第一神经网络内建立的至少一组动态神经网络单元；动态分配模块、监控模块以及资源释放模块，该资源释放模块用于当监控模块监测到新任务学习完毕后，动态神经网络单元所具有的网络资源被释放并重新融合到训练资源集合中，同时所述动态神经网络单元被消除。本申请随着任务的进行，可以在第一神经网络中建立多个动态神经网络单元，随着任务的结束，动态神经网络单元也被消除，这样，随着任务的不断进行，第一神经网络所具有的训练资源不会因大量的无用的动态神经网络单元所占据
任务学习深度网络识别方法系统设备

[发明专利]一种基于强化学习的机动智能决策规避导弹方法-CN202110769584.9有效
发明人：樊养余;刘洋;段昱;刘曦春;吕国云;张君昌 -专利权人：西北工业大学
申请日： 2021-07-07 - 公布日： 2023-09-08 - 主分类号： G05B13/04 文献下载
摘要：本发明公开了一种基于强化学习的机动智能决策规避导弹方法，方法包括：步骤1、在Unity端，建立强化学习环境；步骤2、搭建第一神经网络，所述第一神经网络包括决策网络和好奇心网络，设置奖励值判别机制，其中，奖励值由第一奖励值和第二奖励值组成，所述第一奖励值由所述好奇心网络计算得出；步骤3、在Python端，在所述强化学习环境下，训练所述第一神经网络得到训练完成的神经网络；步骤4、利用所述训练完成的神经网络对导弹进行规避本发明的规避决策的神经网络结构简单，易于训练且实时性好。本发明利用神经网络作为状态空间到动作空间的映射函数，有效解决的传统算法中状态空间大、动作空间大等缺点。
一种基于强化学习机动智能决策规避导弹方法

[发明专利]针对神经网络的迭代式小样本精细化的微训练-CN202011083316.3在审
发明人： A·帕特尼;B·L·罗利特;徐英浩;A·L·艾德斯登;A·E·勒福恩 -专利权人：辉达公司
申请日： 2020-10-12 - 公布日： 2021-09-14 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了针对神经网络的迭代式小样本精细化的微训练。所公开的微训练技术通过使用相对短的系列微训练步骤以低学习率执行迭代精细化来提高训练的神经网络的准确性。神经网络训练框架接收训练后的神经网络以及第二训练数据集和超参数集。神经网络训练框架通过使用较低的学习率来调整训练后的神经网络的一个或更多个权重，从而促进增量精度的提高，而本质上不改变训练后的神经网络的计算结构，从而产生微训练的神经网络。可以评估微训练的神经网络的准确性和/或质量的变化。可以在微训练的神经网络上执行其他微训练会话，以进一步提高准确性或质量。
针对神经网络迭代式小样本精细训练

[发明专利]基于无监督学习的非局部神经网络图像处理方法及系统-CN202110745634.X在审
发明人：姜丽希 -专利权人：浙江安防职业技术学院
申请日： 2021-07-01 - 公布日： 2021-11-09 - 主分类号： G06K9/62 文献下载
摘要：本发明提供一种基于无监督学习的非局部神经网络图像处理方法，包括获取图像数据集，把图像数据集中图像进行统一尺寸调整之后作为神经网络的训练集；构建非局部神经网络；将训练集中的图像作为非局部神经网络的输入，并基于无监督学习训练非局部神经网络，得到训练好的非局部神经网络；获取待平滑图像，将待平滑图像输入到已训练好的非局部神经网络中，得到平滑后的图像。实施本发明，任何图像都可以用来训练神经网络，避免没有训练集目标平滑结果而无法训练神经网络的弊端，不但获得高质量的图像平滑结果，还避免了训练神经网络时效果近似于传统全局最优化的图像平滑方法的弊端。
基于监督学习局部神经网络图像处理方法系统

[发明专利]基于干涉神经网络的航天器组合体误差补偿控制方法-CN202010489764.7有效
发明人：李爽;佘宇琛;孙俊 -专利权人：南京航空航天大学
申请日： 2020-06-02 - 公布日： 2022-07-26 - 主分类号： B64G1/24 文献下载
摘要：本发明公开了一种基于干涉神经网络的航天器组合体误差补偿控制方法，包括：将RBF神经网络和HERMITE神经网络的输出进行叠加，构造一种新型神经网络；设计最优学习规则；将基于RBF和HERMITE两个神经网络的输出信号所获得的干涉模型拓展到N个RBF神经网络或HERMITE神经网络输出的情况；构建航天器组合体动力学模型，并将新型神经网络与最优学习规则集成到航天器组合体控制系统中；利用新型神经网络对航天器组合体控制系统所受到的外在扰动力进行拟合本发明提高了神经网络系统对复杂复合型扰动信号的跟踪能力。
基于干涉神经网络航天器组合误差补偿控制方法

[发明专利]训练用于图像识别的神经网络的方法和设备-CN202110662202.2在审
发明人：李沅祚;吴荣敏;赵民炅 -专利权人：三星电子株式会社
申请日： 2021-06-15 - 公布日： 2022-04-15 - 主分类号： G06N3/08 文献下载
摘要：公开了一种训练用于图像识别的神经网络的方法和设备。所述方法包括：接收输入图像集；以输入图像集为输入执行预训练的神经网络，以获取推断的结果值，并基于与输入图像集对应的预定结果值和推断的结果值获取预训练的神经网络的第一任务准确度；基于通道单元，通过基于预设学习权重并基于与预训练的神经网络的多个层中的每个的通道对应的逐通道修剪参数调整多个通道的节点之间的权重，来修剪神经网络；基于第一任务准确度和修剪后的神经网络的任务准确度更新学习权重；基于更新后的学习权重和修剪后的神经网络的任务准确度更新逐通道修剪参数；和基于通道单元，基于更新后的学习权重并基于更新后的逐通道修剪参数重新修剪修剪后的神经网络
训练用于图像识别神经网络方法设备