“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]一种基于残差学习与卷积神经网络的图像去噪方法-CN201911391449.4在审
发明人：周先春;吴静;翟靖宇;徐新菊;葛超;吴婷;陈铭 -专利权人：南京信息工程大学
申请日： 2019-12-30 - 公布日： 2020-05-12 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了一种基于残差学习与卷积神经网络的图像去噪方法，包括以下步骤：先分别采用卷积神经网络方法、残差学习的方法对输入的含噪图像去噪；再采用卷积神经网络方法与残差学习方法相结合的方法对含噪图像去噪，在卷积神经网络中添加padding，进行批规范化操作，在网络中加入浅层到深层的跨越连接结构，再采用Adam算法的卷积神经网络进行训练；最后，将去噪后的图像输出。本发明的方法不仅能拓展网络深度，有效避免网络退化以及信息在传递的工程中的丢失与损耗，提高卷积神经网络去噪模型深度和结构信息的保持效果。
一种基于学习卷积神经网络图像方法

[发明专利]一种基于权重不确定的图卷积神经网络的优化方法、装置-CN202011546124.1在审
发明人：孙月;闫潇宁 -专利权人：深圳市安软科技股份有限公司
申请日： 2020-12-23 - 公布日： 2021-04-13 - 主分类号： G06K9/62 文献下载
摘要：本申请实施例属于深度学习技术领域，涉及一种基于权重不确定的图卷积神经网络的优化方法，所述方法包括：获取图结构数据并进行预处理；构建图卷积神经网络，并基于所述图卷积神经网络的权重参数先验分布，通过KL散度损失获取所述图卷积神经网络的权重参数后验分布；根据所述权重参数后验分布更新所述图卷积神经网络，并使用所述图结构数据训练所述更新后的图卷积神经网络。基于构建的图卷积神经网络的权重参数先验分布利用KL散度损失来学习图卷积神经网络的权重参数后验分布，并使用权重参数后验分布来更新图卷积神经网络，从而在图卷积神经网络权重中引入不确定性，提高了图卷积神经网络模型进行图结构数据分类的准确率
一种基于权重不确定图卷神经网络优化方法装置

[发明专利]一种基于递归神经网络的推荐方法及系统-CN201510718394.9有效
发明人：刘俊涛;王军伟;邓德位 -专利权人：中国船舶重工集团公司第七0九研究所
申请日： 2015-10-30 - 公布日： 2020-11-06 - 主分类号： G06F16/9535 文献下载
摘要：本发明提供一种基于递归神经网络的推荐方法和系统，其采用递归神经网络模型对用户行为建模并用于推荐系统，通过结合BP算法原理和本发明的神经网络结构，构建针对推荐系统的递归神经网络模型学习方法，根据推荐系统的特点对递归神经网络进行训练，建立独有神经网络结构，从而根据新的神经网络结构为不同用户生成与其兴趣爱好相对应的推荐列表。所述推荐方法和系统通过采用递归神经网络从用户历史行为中学习用户偏好，并据此为用户提供推荐服务。通过递归神经网络特有的递归结构，能够基于时间序列对不同类型的用户行为进行统一表示；且递归神经网络在时间上展开后形成一个深度神经网络结构，能够更精确的表示具有较大随机性的用户行为。
一种基于递归神经网络推荐方法系统

[发明专利]电子节气门的自学习逆模型控制方法-CN200910044150.1无效
发明人：王耀南;袁小芳;张辉;吴亮红 -专利权人：湖南大学
申请日： 2009-08-18 - 公布日： 2010-01-20 - 主分类号： G05B13/02 文献下载
摘要：本发明公开了一种电子节气门的自学习逆模型控制方法，该控制器的组成结构包括2个部分：1)采用一个径向基函数神经网络作为辨识器，建立电子节气门的非线性模型；2)采用另外一个RBF神经网络作为逆模型控制器，得到合适的控制量这里的2个RBF神经网络采取了一种自学习策略，包括离线学习和在线学习两个环节：离线学习中，2个RBF神经网络根据现场样本数据，调整优化网络权值参数；离线学习完成后，再采用一种在线学习算法调整优化这两个RBF神经网络权值参数，控制性能达到要求。
电子节气自学习模型控制方法

[发明专利]一种基于RBF神经网络的电机温升预测的方法-CN201510578240.4在审
发明人：周武能;张杨;潘亮 -专利权人：东华大学
申请日： 2015-09-11 - 公布日： 2015-12-16 - 主分类号： G06F17/50 文献下载
摘要：本发明提出的一种基于RBF神经网络的电机温升预测的方法通过构建RBF神经网络预测现代汽车车窗电机温升参数，同时将神经网络所预测的参数代入到所建电机温升数学模型中实现对电机温度的实时预测。本发明选用的RBF神经网络是前向网络中最优的网络，在算法速度方面要高于普通的BP神经网络算法，分类能力好，学习过程收敛速度快，学习方法也避免了局部最优的问题。
一种基于 rbf 神经网络电机预测方法

[发明专利]一种基于现场可编程门阵列实现神经网络计算的方法-CN201510258018.6有效
发明人：何虎;马海林;徐志恒;马千里;杨弈南;邓宁 -专利权人：清华大学
申请日： 2015-05-20 - 公布日： 2017-11-28 - 主分类号： G06F9/44 文献下载
摘要：本发明涉及一种基于现场可编程门阵列实现神经网络计算的方法，属于神经网络计算技术领域。首先建立现场可编程门阵列中基本逻辑单元与神经网络各组成部分的映射关系，用编程语言，描述现场可编程门阵列各个基本逻辑单元的功能，建立现场可编程门阵列中的所有基本逻辑单元的模型，通过FPGA与神经网络结构的映射关系来模拟神经网络，通过FPGA基本逻辑单元间互联关系的重新配置以及其自身的运算能力完成网络的自学习过程，相比现阶段追求与真实神经网络结构一致的方法，本发明在模拟相同复杂度的神经网络时能较大的减少硬件开销。其次，本发明在现场可编程门阵列软件模型上完成神经网络的学习过程，大大地减少了学习的周期，节省了时间成本。
一种基于现场可编程门阵列实现神经网络计算方法

[发明专利]基于人工智能的面部追踪调整多屏亮度的控制方法-CN202011575165.3在审
发明人：宋彦震 -专利权人：宋彦震
申请日： 2020-12-28 - 公布日： 2021-03-26 - 主分类号： G06K9/00 文献下载
摘要：本发明将面部方向分为九种，将各种面部方向的图像信息作为神经网络训练学习前的输入参数，将九种面部方向作为神经网络训练学习前的输出参数。神经网络根据已知的输入参数和输出参数进行训练学习，学习结果作为神经网络使用阶段的隐含层数据。摄像装置实时采集的用户的照片信息被输入到已经完成训练学习的神经网络，该神经网络根据输入层新的信息自动匹配隐含层已知的学习结果，并在输出层输出当前用户的面部方向。
基于人工智能面部追踪调整亮度控制方法

[发明专利]一种基于深度学习神经网络的风力发电功率预测方法-CN202210144734.1在审
发明人：田卫华;包妍;孟祥斌;刘炜;冷月妍;李志豪;董亚松;张健 -专利权人：沈阳工程学院
申请日： 2022-02-17 - 公布日： 2022-05-06 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种基于深度学习神经网络的风力发电功率预测方法，包括：S1，获取用于风力发电功率预测的实时风速、实时风向、实时温度、5min平均风速、10分钟平均风向、10分钟平均温度；S2，初始化这8类输入数据对应的8类深度学习神经网络；S3，对所述8类深度学习神经网络进行训练；S4，获取待预测日的所述8类待预测日的数据，将8类测试输入数据作为8类深度学习神经网络的输入,通过8类深度学习神经网络计算得到8类测试输出相似度值本发明的方法中，深度学习神经网络已经通过训练输入数据训练好了,速度要比传统的风力发电功率预测方法速度快。
一种基于深度学习神经网络风力发电功率预测方法

[发明专利]一种商场品牌组合预测方法及预测服务器-CN201710053928.X有效
发明人：冯博;张夏天;王泽铭 -专利权人：腾云天宇科技（北京）有限公司
申请日： 2017-01-22 - 公布日： 2020-09-01 - 主分类号： G06N3/08 文献下载
摘要：获取用户地理位置信息和品牌信息，对其进行处理以获取用户特征信息和第一品牌特征信息；获取基本人口统计学数据，对品牌信息、用户特征信息和基本人口统计学数据进行处理，以获取第二品牌特征信息；分别构建第一深度学习神经网络和第二深度学习神经网络；将用户特征信息、第一品牌特征信息和第二品牌特征信息作为第一深度学习神经网络的输入，对第一深度学习神经网络进行训练，以获取各品牌的用户购买概率；将用户特征信息、第二品牌特征信息和用户购买概率作为第二深度学习神经网络的输入，对第二深度学习神经网络进行训练，以预测用户购买概率最大的品牌组合。
一种商场品牌组合预测方法服务器

[发明专利]神经网络的搜索方法、装置及设备-CN201911209275.5在审
发明人：徐航;陈泽伟;李震国 -专利权人：华为技术有限公司
申请日： 2019-11-30 - 公布日： 2021-06-01 - 主分类号： G06N3/04 文献下载
摘要：本发明实施例公开了一种神经网络的搜索方法、装置及设备，涉及人工智能技术领域，具体涉及自动机器学习技术领域，该方法包括：计算设备获取数据集和N个神经网络，N为正整数；对所述N个神经网络进行K次演化，得到第K次演化得到的神经网络，K为正整数；其中，在每一次演化过程中对上一次演化测到的神经网络的网络结构进行变异，基于偏序假设对变异后得到的网络进行筛选，以得到候选神经网络，进而，从候选神经网络和上一次演化得到的神经网络中筛选出本次演化得到的神经网络，上述方法在每一次演化过程中应用偏序假设对网络的搜索空间进行剪枝，提高自动机器学习的效率。
神经网络搜索方法装置设备

[发明专利]一种基于模糊神经网络的机械臂柔性关节控制方法-CN201710059539.8有效
发明人：杨天夫;赵洪雷;姚问;王超;江磊;蓝伟;苏波 -专利权人：中国北方车辆研究所
申请日： 2017-01-24 - 公布日： 2021-01-26 - 主分类号： B25J9/16 文献下载
摘要：本发明提供一种基于模糊神经网络的机械臂柔性关节控制方法，该方法包括：建立模糊神经网络模型；制定神经网络参数学习算法；学习算法确定后件网络的连接权参数，前件网络的隶属度函数中心值和宽度参数；根据辨识模型建立模糊神经网络控制器本发明提供的技术方案结合模糊逻辑和神经网络两种控制方法，采用了一种基于X模型的模糊神经网络控制器，使得神经网络具有模糊系统的结构，神经网络的每个层、每个节点都对应模糊系统的一个部分，该网络不同于一般的神经网络的黑箱操作
一种基于模糊神经网络机械柔性关节控制方法

[发明专利]神经网络的训练和获取安装孔位置的方法、及对应装置-CN202010909221.6在审
发明人：宋海川;邓苏;茅静霞 -专利权人：苏州三仲信息科技有限公司
申请日： 2020-09-02 - 公布日： 2020-11-27 - 主分类号： G06T7/00 文献下载
摘要：本发明公开了一种神经网络的训练和获取安装孔位置的方法、及对应装置，所述神经网络包括ResNet‑101神经网络、VGG‑16神经网络和密集关注模块，在该神经网络模型中，利用ResNet‑101与VGG16网络的深度差异，分别模拟底层和高层特征的学习。由于ResNet‑101网络更深，其学习到的高层语义更加准确完整，而VGG‑16相对较浅，底层特征在学习的过程中损失较少，得到了较好的保持。
神经网络训练获取安装位置方法对应装置

[发明专利]一种文本分类方法、装置及模型训练方法-CN202010132631.4在审
发明人：王振杰 -专利权人：新华三大数据技术有限公司
申请日： 2020-02-29 - 公布日： 2020-07-31 - 主分类号： G06F16/35 文献下载
摘要：本发明使用一种混合结构的深度学习神经网络模型，结合了卷积神经网络和多层循环神经网络的各自优点，利用卷积神经网络学习输入文本的局部特征，利用循环神经网络学习文本序列之间的上下文语义信息，同时引入注意力机制将本发明应用于网络用户网络访问行为的审计、新闻分类、智能客服等场景，能够提高这些场景下的文本分类的准确性和时效性。
一种文本分类方法装置模型训练

[发明专利]数据处理系统及数据处理方法-CN201880094927.2在审
发明人：矢口阳一 -专利权人：奥林巴斯株式会社
申请日： 2018-06-28 - 公布日： 2021-02-02 - 主分类号： G06N3/08 文献下载
摘要：数据处理系统(100)具备：神经网络处理部(130)，其执行依照神经网络的处理，该神经网络包括输入层、1个以上的中间层及输出层；以及学习部，其基于输出数据与针对学习数据的理想输出数据的比较，对神经网络的优化对象参数进行优化，其中，该输出数据是通过神经网络处理部(130)对该学习数据执行依照神经网络的处理而输出的数据。神经网络处理部(130)执行如下的扰乱处理：针对如下的N(2以上的整数)个中间数据中的各中间数据，应用使用了从该N个中间数据中选择出的至少1个中间数据的运算，其中，该中间数据是表示向构成第M层(M为1以上的整数)的中间层的中间层要素输入的输入数据或者从中间层要素输出的输出数据的中间数据，并且该N个中间数据是基于学习数据所包含的N个学习样本的集合的中间数据。
数据处理系统数据处理方法

[发明专利]一种基于卷积神经网络的图像分类方法和装置-CN201310477564.X有效
发明人：周龙沙;邵诗强 -专利权人： TCL集团股份有限公司
申请日： 2013-10-12 - 公布日： 2017-08-08 - 主分类号： G06K9/66 文献下载
摘要：本发明公开了一种基于卷积神经网络的图像分类方法和装置，所述方法通过接收输入的多个类别的图像样本，计算出每一个类别的图像对应的神经网络权值；采用分层结构对多个类别图像的对应神经网络权值进行分布，每一层形成对应的学习库；对输入的测试类别图像样本数据进行处理得到对应的一维特征描述，将所述测试类别图像样本数据对应的一维特征描述与所述学习库中的神经网络权值进行前馈学习，从而判断出所述测试类别是否在所学习的类别图像中；通过分层分布的结构解决了传统卷积神经网络在分类数量上的局限性，防止了卷积神经网络的过学习问题，扩大了卷积神经网络本身的分类能力，并提高了分类的精确性，使得图像分类算法在新的环境中具有更高的鲁棒性。
一种基于卷积神经网络图像分类方法装置