专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果2665968个,建议您升级VIP下载更多相关专利
  • [发明专利]一种计算机网络智能监控系统-CN201911352126.4有效
  • 张海飞;钱兰美;吴芳;雷丽婷 - 南通理工学院
  • 2019-12-24 - 2023-07-04 - G06F21/72
  • 本发明涉及监控系统技术领域,且公开了一种计算机网络智能监控系统,包括:CPU模块、通讯模块、状态更新模块、报警模块、异常预警模块、加密模块、训练集数库、防火墙、伪命令发送模块、存储模块和USB模块;通讯模块用于计算机与外界的通讯本发明通过设置训练集数库,并通过状态更新模块进行不断的更新数据,以适应于最新防护状态,进而增加防护效果;通过设置加密模块,避免他人串改训练集数模块内部数据特征,进而提高训练集数模块的安全性;通过异常预警模块对通讯模块发送的数据进行预警,并通过伪令发送模块发送虚拟数据,进而迷惑攻击访问,保护真实数据的安全性。
  • 一种计算机网络智能监控系统
  • [发明专利]基于参数优化的深度信念网络模型的TE过程故障诊断方法-CN201910521837.3有效
  • 黄迪;张卫;黄家华 - 重庆仲澜科技有限公司
  • 2019-06-17 - 2022-07-01 - G05B23/02
  • 本发明公开了一种基于参数优化的深度信念网络模型的TE过程故障诊断方法,按照以下步骤进行:以TE过程为研究对象进行试验仿真,得到仿真数据,并将该仿真数据分成训练集数样本和测试集数样本;基于量子粒子群算法,对深度信念网络进行优化,得到优化深度信念网络;将训练集数样本带入优化深度信念网络进行训练,得到TE过程深度信念网络故障诊断模型;将测试集数样本带入TE过程深度信念网络故障诊断模型,对TE过程的故障进行诊断,得到测试集故障数据样本;根据测试集故障数据样本,对故障诊断结果进行评估。有益效果:收敛速度更快,全局收敛能力更强,避免了DBN算法易陷入局部最小值、训练不充分及早熟现象。
  • 基于参数优化深度信念网络模型te过程故障诊断方法
  • [发明专利]基于感知多模态大数据的高效查询方法-CN202011547371.3在审
  • 李海涛 - 江苏智水智能科技有限责任公司
  • 2020-12-24 - 2021-04-30 - G06F16/53
  • 本发明的一种基于感知多模态大数据的高效查询方法,包括以下步骤,步骤一:采集图像模态数据集,对图像滤波并生成点云数据;步骤二:根据步骤一中的点云数据下的图像深度值,获得点云数据下的所有点的特征值;步骤三:异步采集文本模态数据集,对文本进行特征提取;步骤四:利用CAA算法,建立图像特征‑文本特征的训练表;步骤五:随机对训练表中数据进行分类成训练集数库和测试集数库,将训练集数库和测试集数库中数据进行迁移学习该方法可以根据检测数据对后续数据进行推测。
  • 基于感知多模态大数据高效查询方法
  • [发明专利]一种基于元学习的人脸动作单元检测方法-CN202210340972.X在审
  • 刘志磊;曹济源 - 天津大学
  • 2022-04-02 - 2022-07-05 - G06V40/16
  • 本发明公开了一种基于元学习的人脸动作单元检测方法,包括如下步骤:1)数据集构建,采用任务集的方式采样数据。其中,每组任务集包含支持集数和查询集数,支持集数将用做元训练,查询集数将用作元测试;2)动作检测单元(AU)模型构建,使用基于区域关系学习的AU检测模型。其中区域特征使用人脸关键点landmarks提取AU中心,然后等比例映射到特征图提取AU区域特征;关系模型采用transformer,学习AU之间的关系参数;3)基于MAML的元学习训练策略构建,将元学习训练策略下的模型称为元学习器,首先初始化元学习器的模型结构参数,然后结合元学习数据集以及AU检测模型,采用基于梯度下降的元学习方法MAML对模型进行训练和测试。
  • 一种基于学习动作单元检测方法

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top