“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]面向嵌入式系统的神经网络的映射方法及装置-CN201711162662.9在审
发明人：俞波;刘少山 -专利权人：深圳普思英察科技有限公司
申请日： 2017-11-21 - 公布日： 2018-04-24 - 主分类号： G06N3/04 文献下载
摘要：一种面向嵌入式系统的神经网络的映射方法及装置，方法包括建立所述神经网络结构,并获取所述神经网络的参数；根据所述神经网络结构和所述神经网络的参数生成描述所述神经网络的数据流图；获取深度学习计算单元库，并利用深度学习计算单元库实现神经网络的数据流图，以获取神经网络的实现程序，从而能够以深度学习计算单元库为基础，将神经网络映射为应用于嵌入式系统的实现程序，从而能够加快神经网络在嵌入式平台的实现速度，最大化嵌入式平台的性能。
面向嵌入式系统神经网络映射方法装置

[发明专利]神经网络的生成方法、生成装置和电子设备-CN201811269254.8在审
发明人：陈玉康;张骞;黄畅 -专利权人：北京地平线机器人技术研发有限公司
申请日： 2018-10-29 - 公布日： 2020-05-05 - 主分类号： G06N3/08 文献下载
摘要：公开了一种神经网络的生成方法、生成装置和电子设备。该方法包括：通过进化算法从神经网络框架中获得最优神经网络和最劣神经网络；通过强化学习算法从所述最优神经网络获得优化神经网络；通过将所述优化神经网络加入所述神经网络框架并从所述神经网络框架中删除所述最劣神经网络来更新所述神经网络框架；以及，从更新后的神经网络框架中确定最终生成的神经网络。这样，可以通过结合进化算法和强化学习算法来从神经网络框架优化和更新神经网络，从而快速和稳定地自动生成神经网络结构。
神经网络生成方法装置电子设备

[发明专利]学习设备和学习方法、识别设备和识别方法、程序和记录介质-CN201880074223.9在审
发明人：宫内由仁;宇田安规男;中出胜宏 -专利权人：日本电气方案创新株式会社
申请日： 2018-11-20 - 公布日： 2020-07-03 - 主分类号： G06N3/08 文献下载
摘要：该学习设备包括：神经网络单元，基于学习对象数据的多个元素值被输入到神经网络单元；以及学习单元，该学习单元训练神经网络单元。神经网络单元具有多个学习元，每个学习元包括：多个输入节点，该多个输入节点对多个元素值中的每个执行预定加权；以及输出节点，该输出节点对多个加权元素值进行求和并输出所述和，并且根据每个学习元的输出值，学习单元更新每个学习元的多个输入节点的加权系数或者向神经网络单元添加新的学习元
学习设备学习方法识别方法程序记录介质

[发明专利]基于两阶段学习策略的图像融合方法及装置-CN202310848538.7在审
发明人：吴衡;陈炳鑫;罗劭娟;陈梅云 -专利权人：广东工业大学
申请日： 2023-07-11 - 公布日： 2023-10-20 - 主分类号： G06T5/50 文献下载
摘要：本发明的目的在于提供一种基于两阶段学习策略的图像融合方法及装置，包括：将可见光图像融合分为纹理学习阶段和显著学习阶段；设立两个相同结构的融合神经网络，分别作为纹理学习阶段的融合神经网络和显著学习阶段的融合神经网络；利用纹理学习阶段的融合神经网络得到纹理特征图，且通过显著学习阶段的融合神经网络得到融合图；显著学习阶段的融合神经网络以学习纹理学习阶段提取纹理特征的能力和提高融合图像显著特征表达能力为目的，优化显著学习阶段的融合神经网络的参数
基于阶段学习策略图像融合方法装置

[发明专利]一种数据样本的神经网络模型构建方法及装置-CN202210085874.6在审
发明人：杨彦利 -专利权人：天津工业大学
申请日： 2022-01-25 - 公布日： 2022-05-13 - 主分类号： G06N3/08 文献下载
摘要：本发明公开了一种数据样本的神经网络模型构建方法及装置，包括：获取预设神经网络模型，预设神经网络模型包括输入层、投射网络和学习网络，输入层用于获取输入样本信号，并将输入样本信号映射为神经元输出，投射网络用于对输入层输出的高维信息进行降维，学习网络用于学习投射网络降维后的信息，并输出学习结果；基于与输入样本信号对应的目标任务，确定与预设神经网络模型每一层的连接权值；根据预设神经网络模型每一层的连接权值对预设神经网络模型进行训练得到目标神经网络模型本发明通过构建投射网络可以便于对数据样本的投射学习，实现信息在网络内部的快速传递，进而实现对样本的高效学习。
一种数据样本神经网络模型构建方法装置

[发明专利]一种CDRNN神经网络自然语义分析系统及方法-CN201810305403.5在审
发明人：陈亦玮 -专利权人：彩数（上海）商务咨询有限公司
申请日： 2018-04-08 - 公布日： 2019-10-22 - 主分类号： G06F16/35 文献下载
摘要：一种CDRNN神经网络自然语义分析系统，输入模块依次与CDRNN神经网络分词模块、CDRNN神经网络词性标注模块、CDRNN神经网络依存分析模块、CDRNN神经网络迭代机器学习模块、CDRNN神经网络聚类分类器模块、输出模块连接；一种CDRNN神经网络自然语义分析方法，包括以下操作步骤：A）、输入模块输入中文语料；B）、CDRNN分词；C）、CDRNN词性标注；D）、CDRNN依存分析；E）、CDRNN神经网络机器学习本发明采用分词，聚类和分类技术，神经网络高速迭代学习解决了准确度不高的问题，使机器的准确识别率高达90%。
神经网络自然语义词性标注分析系统机器学习输入模块分词聚类分类器模块迭代学习分词模块分类技术分析模块聚类分析输出分析输出模块输入中文准确度识别率迭代语料分析

[发明专利]神经网络模型的构建方法、装置及移动终端-CN201910010775.X在审
发明人：苏波;徐泽明 -专利权人：深圳增强现实技术有限公司
申请日： 2019-01-07 - 公布日： 2019-05-17 - 主分类号： G06N3/063 文献下载
摘要：本发明揭示了一种神经网络模型的构建方法、装置及移动终端，属于计算机应用技术领域。所述深度学习平台包括：构建神经网络对采集的样本图像进行深度学习的训练，所述神经网络包括多个网络结构及其对应的权重参数；根据所述权重参数对所述神经网络进行网络结构的裁剪，使最终得到神经网络模型在保持较高的准确率的同时，能够大大减少深度学习时的计算时间，提高采用该神经网络模型进行深度学习时的计算速率，实现将神经网络模型可应用于移动终端。
神经网络模型神经网络移动终端构建权重参数网络结构计算机应用技术学习平台样本图像准确率裁剪学习采集应用

[发明专利]选择用于有监督机器学习问题的神经网络架构-CN201980031270.X在审
发明人： S·阿米扎德;杨格;N·富西;F·P·卡萨莱 -专利权人：微软技术许可有限责任公司
申请日： 2019-04-27 - 公布日： 2021-03-09 - 主分类号： G06N3/04 文献下载
摘要：公开了用于针对机器学习问题选择神经网络的系统和方法。一种方法包括访问输入矩阵。该方法包括访问与机器学习问题相关联的机器学习问题空间和用于解决机器学习问题的多个未经训练的候选神经网络。该方法包括针对每个未经训练的候选神经网络，计算捕获候选神经网络关于机器学习问题的表达性的至少一个表达性度量。该方法包括针对每个未经训练的候选神经网络，计算捕获候选神经网络关于机器学习问题的可训练性的至少一个可训练性度量。该方法包括基于至少一个表达性度量和至少一个可训练性度量选择用于解决机器学习问题的至少一个候选神经网络。
选择用于监督机器学习问题神经网络架构

[发明专利]一种基于神经网络的AI视频深度学习系统-CN202210811391.X有效
发明人：李丽 -专利权人：北京烽火万家科技有限公司
申请日： 2022-07-11 - 公布日： 2023-07-18 - 主分类号： G06V20/40 文献下载
摘要：本发明公开了一种基于神经网络的AI视频深度学习系统，云处理中心链接有用户终端、神经网络学习单元、视频对象分割单元和视频处理单元；视频处理单元通过循环加权模块链接神经网络学习单元，神经网络学习单元通过加权判断模块链接视频对象分割单元；用户上传视频至云处理中心，云处理中心将视频发送至神经网络学习单元，神经网络学习单元依据神经网络模型提取视频帧中对象的图像特征，视频对象分割单元通过前后视频帧中对象的运动行程获取其区域移动特征，视频处理单元通过图像特征及区域移动特征对视频进行本发明采用上述视频深度学习系统，能够满足运动主体区域移动的视频的AI提取效率与提取准确率。
一种基于神经网络 ai 视频深度学习系统

[发明专利]记录介质、信息处理装置和计算机实现方法-CN202210379852.0在审
发明人：田渕晶大 -专利权人：富士通株式会社
申请日： 2022-04-12 - 公布日： 2023-02-03 - 主分类号： G06N3/0464 文献下载
摘要：本公开内容涉及存储机器学习程序的记录介质、信息处理装置及计算机实现方法。在一个实施例中，该机器学习程序控制通过划分神经网络生成的分布式神经网络模型的机器学习。该机器学习程序包括用于使处理器执行处理的指令，该处理包括：对于分布式神经网络模型中的每一个，将用于该分布式神经网络模型的个体噪声添加至该分布式神经网络模型中的非并行处理块，使得该分布式神经网络模型的个体噪声不同于分布式神经网络模型之中的其他分布式神经网络模型的个体噪声；以及将添加有个体噪声的分布式神经网络模型分配给多个进程，以使多个进程中的每一个对添加有个体噪声的分布式神经网络模型之中的分配的神经网络模型执行机器学习。
记录介质信息处理装置计算机实现方法

[发明专利]机器学习算法的参数调优方法及系统-CN202010036816.5在审
发明人：王宏志;欧龙燊;张恺欣;霸晨民;陈泊舟 -专利权人：哈尔滨工业大学
申请日： 2020-01-14 - 公布日： 2020-06-09 - 主分类号： G06N20/00 文献下载
摘要：一种机器学习算法的参数调优方法及系统，具有自动化、快速高效及具有普适性，属于机器学习领域。本发明包括：S1、输入用户数据集和待调参数算法，提取用户数据集的特征；S2、在神经网络数据库中，找到待调参数算法的神经网络，将S1提取的特征输入该神经网络中，该神经网络输出待调参数算法的参数；所述神经网络数据库包括根据各种机器学习算法建立及训练好的神经网络，具体构建方法为：构建适用于机器学习算法的数据集的知识库；提取知识库中每个数据集的特征；找到在各数据集上运行各机器学习算法的最优参数；建立每个机器学习算法的神经网络，利用数据集的特征和对应的最优参数作为训练集对对应的神经网络进行训练，获得训练好的神经网络。
机器学习算法参数方法系统

[发明专利]一种采用资格迹的神经网络学习控制方法-CN201510304299.4有效
发明人：刘智斌;刘晓峰 -专利权人：曲阜师范大学
申请日： 2015-06-04 - 公布日： 2017-10-03 - 主分类号： G05B13/04 文献下载
摘要：本发明公开了一种采用资格迹的神经网络学习控制方法，该采用资格迹的神经网络学习控制算法，将BP神经网络应用于强化学习，BP神经网络的模型拓扑结构包括输入层、隐层和输出层，运用资格迹，本方法把局部梯度从输出层传递到隐层，实现隐层权值的更新，能大大提高学习效率；在此基础上采用基于资格迹的残差梯度法，不仅对神经网络输出层进行权值更新，而且对隐层进行了优化权值更新，保证了BP神经网络在强化学习过程中良好的收敛性能。BP神经网络作为强化学习值函数拟合器，其输入层接收状态信息，依据BP神经网络输出层的输出值V和环境反馈的报酬值r，利用TD算法训练BP神经网络，Agent依据输出值V选取行为a，从而实现自适应控制。
一种采用资格神经网络学习控制方法

[发明专利]基于联邦学习的图神经网络模型训练方法以及装置-CN202210164702.8在审
发明人：田鹏飞;孙伟 -专利权人：亿景智联（北京）科技有限公司
申请日： 2022-02-23 - 公布日： 2022-06-03 - 主分类号： G06N20/00 文献下载
摘要：本申请提供一种基于联邦学习的图神经网络模型训练方法，包括：S1部署联邦学习平台，将各个训练节点接入所述联邦学习平台；S2所述训练节点根据预测目标分别更新训练数据，并将所述训练数据输入到图神经网络模型训练获得模型参数；S3通过联邦学习平台获得其他所述训练节点的模型参数进行参数聚合，并更新所述图神经网络模型；S4重复步骤S2和S3，到所述图神经网络模型收敛，获得预训练的图神经网络模型。本申请通过联邦学习平台训练图神经网络模型，可以涵盖更多训练数据，可有效的提高图神经网络模型准确度。本申请还提供一种基于联邦学习的图神经网络模型训练装置。
基于联邦学习神经网络模型训练方法以及装置

[发明专利]一种基于迁移学习的质谱图像超分辨率重建方法-CN202310560519.4在审
发明人：熊伟;朱洪影;廖铁鹏 -专利权人：中国科学技术大学
申请日： 2023-05-18 - 公布日： 2023-08-01 - 主分类号： G06T3/40 文献下载
摘要：本发明公开了一种基于迁移学习的质谱图像超分辨率重建方法，包括以下步骤：对光学对抗神经网络模型进行训练，得到训练后的光学对抗神经网络模型；将训练后的光学对抗神经网络模型中的参数迁移至MSI神经网络模型中，得到初始的MSI神经网络模型；对初始的MSI神经网络模型进行训练，得到训练后的MSI神经网络模型；利用训练后的MSI神经网络模型输出与待处理的MSI图像相对应的目标MSI图像。本发明首先从光学图像中学习部分映射关系，然后将从光学图像中学习的模型参数转移到MSI模型中，从而无需大量的MSI数据进行从头学习，有效地解决了深度学习训练中需要大量的MSI数据进行学习来提高质谱图像空间分辨率的技术问题
一种基于迁移学习图像分辨率重建方法

[发明专利]基于参与度神经网络的个性化课程推荐方法-CN202310738423.2在审
发明人：郭龙江;李舒;任美睿;张立臣;李鹏;李津 -专利权人：陕西师范大学
申请日： 2023-06-21 - 公布日： 2023-09-08 - 主分类号： G06Q50/20 文献下载
摘要：一种基于参与度神经网络的个性化课程推荐方法，由选取数据集、数据预处理、确定学习者参与度矩阵、构建学习者选课矩阵、构建平均聚合矩阵、确定相似度、构建参与度神经网络、训练参与度神经网络、测试参与度神经网络、参与度神经网络性能评估、个性化课程推荐结果评估等步骤组成。提出了参与度的量化方法并且搭建了参与度神经网络，通过捕获学习者的学习行为数据并将量化成参与度，反应了学习者是否有意愿学习该课程，分析了学习者参与度与课程辍学率的关系，通过构建的参与度神经网络向学习者进行个性化的课程推荐，考虑了学习者参与度矩阵，学习者平均聚合矩阵，课程平均聚合矩阵以及学习者选课矩阵，有利于向学习者推荐合适的课程。
基于参与神经网络个性化课程推荐方法