“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]基于前向迭代约束评分特征选择的信用评估方法及系统-CN202210980620.0在审
发明人：张莉;陈心怡;赵雷;王邦军;李映 -专利权人：苏州大学
申请日： 2022-08-16 - 公布日： 2022-10-25 - 主分类号： G06Q40/02 文献下载
摘要：本发明公开了基于前向迭代约束评分特征选择的信用评估方法，包括以下步骤：S1、对用户信用数据集中的数据进行预处理，得到原始样本数据集；S2、建立目标特征子集和候选特征集，设置需要选择的特征数量，通过前向迭代的约束评分算法从候选特征集中选择特征添加到目标特征子集，得到更新后的目标特征子集；S3、根据更新后的目标特征子集对原始样本数据集进行特征选择，生成训练样本数据，利用训练样本数据训练的分类器对用户进行信用评估。本发明通过基于前向迭代约束评分特征选择方法，有效考虑特征之间的耦合，生成最优特征子集，从而提高最终信用评估效果。
基于约束评分特征选择信用评估方法系统

[发明专利]基于机器学习的海洋藻类成因分析及浓度预测方法和系统-CN201910487618.8有效
发明人：高瑞;于沛轩;刘治平;张道良 -专利权人：山东大学
申请日： 2019-06-05 - 公布日： 2021-10-26 - 主分类号： G16B40/00 文献下载
摘要：本发明公开了一种基于机器学习的海洋藻类成因分析及浓度预测方法和系统，该方法包括以下步骤：构建数据集，并对其进行标准化处理，将处理后的数据集划分为训练集与测试集；对训练集中环境参数进行特征选择，得到多种特征子集，将所有特征子集在多种不同的机器学习算法上进行多次验证，得到每种机器学习算法对应的最优特征子集及其评价指标；选取评价指标最优的机器学习算法作为最优预测模型；利用最优预测模型预测最优特征子集对应的藻类浓度；利用GBDT模型对数据集中环境参数数据进行训练，得到最优特征子集中每个环境参数的重要程度，利用每个环境参数的重要程度，分析藻类成因。
基于机器学习海洋藻类成因分析浓度预测方法系统

[发明专利]神经网络压缩-CN201980090684.X在审
发明人： X·徐;M·S·朴;C·M·布里克 -专利权人：莫维迪厄斯有限公司
申请日： 2019-12-17 - 公布日： 2021-09-10 - 主分类号： G06N3/08 文献下载
摘要：训练神经网络模型，其中训练包括多个训练迭代。在训练迭代中的一个特定训练迭代的前向轮次期间，对神经网络的特定层的权重进行修剪。在特定训练迭代的相同前向轮次期间，对特定层的权重值进行量化以确定用于特定层的经量化‑稀疏化的权重子集。至少部分地基于经量化‑稀疏化的权重子集通过训练来生成神经网络模型的压缩版本。
神经网络压缩

[发明专利]一种不同辅助样本正负比例的迁移学习方法-CN201811403924.0在审
发明人：李远清;汤佳易 -专利权人：华南理工大学
申请日： 2018-11-23 - 公布日： 2019-04-09 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种不同辅助样本正负比例的迁移学习方法，包括步骤：1)将目标训练集分为K份，采用K折交叉验证，得到原始分类准确率；2)从辅助样本集中随机抽取不同正负样本比例的辅助样本子集；3)将不同正负样本比例的辅助样本子集和目标训练集合并进行迁移学习，并采用K折交叉验证，得到迁移学习分类准确率；4)求得各类正负样本比例的辅助样本子集给目标训练集带来的准确率的提升程度；5)对于每种比例，多次迭代，求出其迁移学习平均提升程度，并以此为目标训练集选择最好的正负样本比例的辅助样本子集本发明为一种新的评价标准用于评价迁移学习给目标训练集带来的准确率的提升程度。
辅助样本目标训练迁移正负样本子集准确率学习交叉验证分类准确率多次迭代目标测试评价标准随机抽取原始分类集合预测

[发明专利]训练分类器的方法、装置、电子设备和计算机可读存储介质-CN201910453997.9在审
发明人：王诗吟 -专利权人：北京字节跳动网络技术有限公司
申请日： 2019-05-28 - 公布日： 2019-09-06 - 主分类号： G06K9/62 文献下载
摘要：本公开公开了一种训练分类器的方法，其特征在于，包括：获取图像集合，所述图像集合包括第一子集合，第二子集合，和第三子集合，各子集合分别对应标签信息；确定分类器的输出项目，所述分类器的输出项目分别于所述标签信息对应；根据所述图像集合训练所述分类器。本公开实施例提供的训练分类器的方法、装置、电子设备和计算机可读存储介质，在训练分类器的过程中所采用的图像集合中包括不同类别的目标对象的集合以及不包括所述目标对象的集合，从而可以通过一个分类器实现对输入图像中是否包括所述目标对象的判断以及对输入图像中所包括的所述目标对象的类别的判断，简化了训练过程。
训练分类器目标对象分类器图像集合子集合集合计算机可读存储介质标签信息电子设备输出项目输入图像获取图像训练过程

[发明专利]人脸识别模型构建方法、人脸识别方法及相关设备-CN202210022384.1在审
发明人：郭东丹;王晓亮;张博 -专利权人：中国民航信息网络股份有限公司
申请日： 2022-01-10 - 公布日： 2022-04-19 - 主分类号： G06V40/16 文献下载
摘要：本申请提供了一种人脸识别模型构建方法、人脸识别方法及相关设备，该方法包括：获取训练数据集，训练数据集包括多个数据子集，每个数据子集包括属于同一类别的多张人脸图像，通过对每个数据子集包括的各张人脸图像进行类内聚类处理，得到每个数据子集对应的多个初始类簇，实现筛选出噪声数据，并通过对各个初始类簇进行类间聚类处理，得到多个目标类簇，实现对筛选出的噪声数据进行归并与剥离，从而实现对所有人脸图像的正确归类，并基于正确归类后的各个目标类簇，对预先构建的神经网络模型进行模型训练，得到人脸识别模型，实现了在不减少训练数据量的情况下，提高人脸识别模型的训练效果。
识别模型构建方法相关设备

[发明专利]一种道路井盖破损检测方法-CN202210458708.6在审
发明人：薛波;李林丰;蒋帅 -专利权人：江苏理工学院
申请日： 2022-04-27 - 公布日： 2022-09-23 - 主分类号： G06V20/40 文献下载
摘要：车载式图像获取设备获取井盖的视频数据，截取视频数据中的井盖图像，获取井盖缺陷的图像，获取增强井盖缺陷图像数据集；对增强井盖缺陷图像数据集中的图像进行种类标注，形成COCO数据集；将步骤S2中的COCO数据集分为训练子集和测试子集；将步骤S3中训练子集中的数据输入至改进的YOLOv4算法中训练；对所述训练子集进行若干次迭代训练，获取至少两个目标检测模型；对获取的目标检测模型进行分析，获得最优检测模型；利用所获取的最优模型识别待测井盖图像
一种道路井盖破损检测方法

[发明专利]指挥控制系统消息管理方法及装置-CN202310806723.X在审
发明人：李晓朋;何宇;刘科检 -专利权人：西安羚控电子科技有限公司
申请日： 2023-07-04 - 公布日： 2023-08-01 - 主分类号： G06F40/279 文献下载
摘要：本申请公开了一种指挥控制系统消息管理方法及装置，该方法包括：将清洗后的文本数据转换为结构化文本，并对结构化文本迭代执行模型训练步骤直至学习模型的评估结果满足预设阈值；将满足预设阈值的学习模型集成于指挥控制系统内；模型训练步骤包括：将结构化文本进行分词并生成词句合集；统计词句合集中各词句子集的出现频次，并根据出现频次筛选词句子集以保留强词句子集；根据强词句子集的出现频次构建多维向量；将多维向量作为训练样本训练学习模型，并对训练后的学习模型进行评估。
指挥控制系统消息管理方法装置

[发明专利]样本扩充方法、装置、设备、存储介质及产品-CN202211585069.6在审
发明人：陈祥;李斌泉 -专利权人：百果园技术（新加坡）有限公司
申请日： 2022-12-09 - 公布日： 2023-03-28 - 主分类号： G06F18/214 文献下载
摘要：通过获取原始样本集，并基于原始样本集中的训练正样本子集和训练负样本子集训练得到图像分类模型；将原始样本集中的测试正样本子集输入至图像分类模型，确定中间结果集；根据中间结果集和测试正样本子集确定待扩充样本本申请实施例的技术方案，无需在图像分类模型训练初始为其提供大量成熟数据，而是在训练过程中实现了待扩充样本的自适应确定，及样本的针对性扩充，减少了所需的原始样本数据量，降低了人工收集数据成本。
样本扩充方法装置设备存储介质产品

[发明专利]基于小样本迁移学习的数据推送方法、装置及计算机设备-CN202011424422.3有效
发明人：刘聃;张莉;余雯 -专利权人：平安科技（深圳）有限公司
申请日： 2020-12-08 - 公布日： 2021-03-26 - 主分类号： G06F16/9535 文献下载
摘要：本发明公开了基于小样本迁移学习的数据推送方法、装置、计算机设备及存储介质，涉及人工智能技术，先获取历史用户数据集，以提取对应的初始信息因子集；将初始信息因子集进行自动特征生成以得到对应的特征信息因子集；将当前用户数据集与特征信息因子集组合得到当前训练集；将其作为待训练预测模型的训练样本进行模型训练，得到预测模型；获取另一历史用户数据集，以输入至预测模型进行预测运算，得到对应的预测结果。实现了利用相似产品数据对应的历史用户数据进行迁移训练得到预测模型，通过预测模型在其他历史用户数据集中挖掘出潜在目标用户，从而更加准确的进行信息推送，降低了信息推送量和网络带宽占用。
基于样本迁移学习数据推送方法装置计算机设备

[发明专利]一种自动建模的方法、装置、系统、及其电子设备-CN202010318262.8有效
发明人：王勇;黄朝敏;马煜程;吴涵渠 -专利权人：武汉市奥拓智能科技有限公司
申请日： 2020-04-21 - 公布日： 2023-09-01 - 主分类号： G06Q10/0631 文献下载
摘要：本发明涉及一种自动建模的方法、装置、系统、及其电子设备，应用于派工系统，自动建模的方法包括从建模数学模型集中选择一个数学模型,从建模数据集中选择训练数据集；调用所述建模数据集；按排列组合，重复所述调用所述建模数据集，得出每组训练数据集特征字段子集对应的数学模型和匹配度；选出每组最优的训练数据集特征子集及其建模模型、匹配度；重复所述调用所述建模数据集，产出所有数学模型中的训练数据集特征子集及其建模模型、匹配度；在所有数学模型中选出最优的训练数据集特征子集及其建模模型
一种自动建模方法装置系统及其电子设备

[发明专利]应用于用户标签识别的模型训练方法、推荐方法和设备-CN202211385297.9在审
发明人：聂简;张倬荣;王全达;闫龙;胡博文;宋雨伦 -专利权人：中国联合网络通信集团有限公司;联通数字科技有限公司
申请日： 2022-11-07 - 公布日： 2023-01-31 - 主分类号： G06F16/9535 文献下载
摘要：本申请提供一种应用于用户标签识别的模型训练方法、推荐方法和设备，获取第一待训练数据集合和第二待训练数据集合；将第一数据子集、第二数据子集以及第二待训练数据集合，输入至第一分类器中，得到初始识别结果；根据第二数据子集中待训练数据的归属于第二预设标签的概率和第二待训练数据集合中待训练数据的归属于第二预设标签的概率，对第二待训练数据集合进行待训练数据的剔除，得到处理后的待训练数据集合；将第一待训练数据集合和处理后的待训练数据集合输入至第二分类器中进行训练，得到用户标签识别模型。基于大量的无标签的数据样本，对模型进行训练，得到用户标签识别模型；进而，利用用户标签识别模型对用户进行身份识别。
应用于用户标签识别模型训练方法推荐设备

[发明专利]一种异构资源的调用方法、装置和计算机可读存储介质-CN202010479028.3在审
发明人：赵谦谦;阚宏伟;仝培霖 -专利权人：浪潮电子信息产业股份有限公司
申请日： 2020-05-29 - 公布日： 2020-09-29 - 主分类号： G06F9/50 文献下载
摘要：本发明实施例公开了一种异构资源的调用方法、装置和介质，根据当前主机配置的硬件资源，为异构资源集合中的各硬件设备设置训练样本比例。当检测到训练集对应的设备类型为异构资源集合时，调用预先设置的模型文件对异构资源集合中的各硬件设备分别构建各自独立的神经网络架构；按照训练样本比例，将训练集划分为多个训练子集；调用各硬件设备的神经网络架构对相应的训练子集进行训练，并将训练过程生成的数据存储至各硬件设备各自独立的存储空间。每个硬件设备有其独立的神经网络架构，每一层都可以调用多个硬件设备实现对多个训练子集的并行训练，有效的提升了资源利用率。各个设备独立存储，无需进行硬件设备间数据交互，节省了数据传输时间。
一种资源调用方法装置计算机可读存储介质

[发明专利]模型训练系统、方法、设备及存储介质-CN202011334852.6在审
发明人：薛致远;李亚乾;郭彦东;杨林 -专利权人： OPPO广东移动通信有限公司
申请日： 2020-11-25 - 公布日： 2021-02-05 - 主分类号： G06K9/62 文献下载
摘要：本申请实施例提供了一种模型训练系统、方法、设备及存储介质。所述系统包括：标注模块、训练模块、测试模块；标注模块，用于获取无标签图像集合；将无标签图像集合聚类成n类，得到n类无标签图像子集合；基于有标签图像集合分别对n类无标签图像子集合标注标签；将完成标签标注的无标签图像子集合加入有标签图像集合，得到训练图像集合和测试图像集合；训练模块，用于基于训练图像集合，对神经网络模型进行训练，得到完成训练的神经网络模型；测试模块，用于基于测试图像集合对完成训练的神经网络模型进行测试，得到测试结果；将测试结果反馈给训练模块本申请实施例提供的模型训练系统为模型研发流程的各个环节提供了全面的集成化的支持。
模型训练系统方法设备存储介质

[发明专利]一种神经网络模型训练方法、装置及电子设备和存储介质-CN202310928140.4在审
发明人：闫瑞栋;郭振华;李仁刚;邱志勇 -专利权人：山东海量信息技术研究院
申请日： 2023-07-27 - 公布日： 2023-09-01 - 主分类号： G06N3/098 文献下载
摘要：本发明公开了一种神经网络模型训练方法、装置及电子设备和存储介质，涉及计算机技术领域，该方法包括：获取训练数据集，将训练数据集划分为多个训练数据子集；获取目标神经网络模型，将目标神经网络模型按照神经网络层划分为多个子模型；将多个训练数据子集和多个子模型分别发送至多个计算节点，多个计算节点基于接收到的训练数据子集和接收到的子模型的当前模型参数计算局部信息；将多个局部信息进行聚合得到全局信息，并将全局信息广播至多个计算节点，多个计算节点基于全局信息更新对应的子模型的模型参数，实现对应的子模型的迭代训练得到训练完成的子模型；基于多个训练完成的子模型确定训练完成的目标神经网络模型。
一种神经网络模型训练方法装置电子设备存储介质