“G06N3/04”专利分类搜索_专利查询_文献下载_出售_求购_买卖_交易

钻瓜专利网为您找到相关结果9067个，建议您升级VIP下载更多相关专利

[发明专利]罐区数字孪生模型的构建方法及对应的数字孪生模型-CN202210622728.2在审
发明人：李磊;矫恒超;夏涛;袁纪武;王正;李智临 -专利权人：中国石油化工股份有限公司;中石化安全工程研究院有限公司
申请日： 2022-06-02 - 公布日： 2023-09-22 - 主分类号： G06N3/049 文献下载
摘要：本发明实施例提供一种罐区数字孪生模型的构建方法及对应的数字孪生模型，属于数字孪生技术领域及安全工程技术领域。所述构建方法包括：基于罐区全流程孪生数据，构建适于罐区数字孪生模型的数据模型；基于罐区实时现场数据校正所述数据模型，包括使得所述数据模型：利用深度学习算法处理所述罐区实时现场数据，以预测所述罐区实时现场数据在未来时段的变化情况；以及将罐区对应的实体三维模型加载至所校正的数据模型中，以形成罐区数字孪生模型。本发明实现了针对罐区的实时、动态、全流程的孪生系统建模。
数字孪生模型构建方法对应

[发明专利]一种催化裂化产品收率的数据驱动预测方法及系统-CN202310773045.1在审
发明人：杜文莉;隆建;钟伟民;钱锋;杨明磊 -专利权人：华东理工大学
申请日： 2023-06-28 - 公布日： 2023-09-22 - 主分类号： G06N3/0442 文献下载
摘要：本发明涉及工业催化裂化技术领域，更具体的说，涉及一种催化裂化产品收率的数据驱动预测方法及系统。本方法，包括以下步骤：步骤S1、获取催化裂化过程数据，并进行预处理；步骤S2、采用时间尺度的滑动窗口法，将预处理后的数据划分为时间序列数据集合；步骤S3、对时间序列数据集进行特征提取，选择建立基于时间关注度的长短期记忆网络模型所需特征；步骤S4、建立基于时间关注度的长短期记忆网络模型，采用基于时间关注度的长短期记忆网络模型进行非线性拟合，对催化裂化产品收率进行预测并输出。本发明通过引入时间专注度机制和滑动修剪平均法，预测精度更高，可以应用于催化裂化装置预测等领域。
一种催化裂化产品收率数据驱动预测方法系统

[发明专利]基于全卷积神经网络的红外图像温度估计方法及系统-CN202110995964.4有效
发明人：马宾;娄爱涛;马睿和;徐健;王春鹏;李健;周琳娜;李宁宁 -专利权人：齐鲁工业大学
申请日： 2021-08-27 - 公布日： 2023-09-22 - 主分类号： G06N3/0464 文献下载
摘要：本发明提供了基于全卷积神经网络的红外图像温度估计方法及系统，替代红外图像温度标记方法，从而有效降低红外图像的文件大小；首先，分析了不同激活函数、批量归一化方法、温度标签等因素对温度估计结果的影响，优化全卷积神经网络结构，预测得到红外图像的初级相对温度矩阵；其次，采用奇异点消除算法对初级相对温度矩阵进行平滑处理，进一步提高温度矩阵估计精度。
基于卷积神经网络红外图像温度估计方法系统

[发明专利]模型转换方法、装置、电子设备和可读存储介质-CN202310297330.0有效
发明人：唐剑;夏立超;丁维浩;赵东宇;张法朝;奉飞飞 -专利权人：美的集团（上海）有限公司;美的集团股份有限公司
申请日： 2023-03-24 - 公布日： 2023-09-22 - 主分类号： G06N3/0464 文献下载
摘要：本申请提出了一种模型转换方法、装置、电子设备和可读存储介质，其中，模型转换方法，包括：查找第一模型中的目标卷积算子；基于目标卷积算子的算子结构为预设结构，构建目标算子组，目标算子组的输出结果与目标卷积算子的输出结果相匹配；将第一模型中的目标卷积算子，替换为目标算子组，生成目标模型。
模型转换方法装置电子设备可读存储介质

[发明专利]数据处理方法、电子设备和可读存储介质-CN202010214661.X有效
发明人：请求不公布姓名 -专利权人：中科寒武纪科技股份有限公司
申请日： 2018-12-29 - 公布日： 2023-09-22 - 主分类号： G06N3/0464 文献下载
摘要：本申请涉及一种数据处理方法、装置、电子设备和可读存储介质，针对子网络划分处理后的目标神经网络，所述目标神经网络包括至少一个子网络；采用本方法能够至少在进行所述子网络的编译和运行的过程中，仅需要一次输入操作和一次输出操作即可，相比于对所述子网络中多个网络层进行分别编译运行，所需的多次输入操作和多次输出操作，本实施例的数据处理方法更高效，提高了运算速率。
数据处理方法电子设备可读存储介质

[发明专利]模型的蒸馏方法、装置、电子设备及存储介质-CN202010516895.X有效
发明人：苏炜跃;冯仕堃;朱志凡;李伟彬;何径舟;黄世维 -专利权人：北京百度网讯科技有限公司
申请日： 2020-06-09 - 公布日： 2023-09-22 - 主分类号： G06N3/0499 文献下载
摘要：本申请公开了模型的蒸馏方法、装置、电子设备及存储介质，涉及深度学习技术领域。具体实现方案为：首先，获取教师模型和学生模型；接着，根据教师模型第一中间全连接层的第一数据处理量和学生模型第二中间全连接层的第二数据处理量，将第二中间全连接层转换为放大全连接层和缩小全连接层，并用放大全连接层和缩小全连接层对第二中间全连接层进行替代以生成训练学生模型；之后，根据教师模型对训练学生模型进行蒸馏训练。该方法通过将第二中间全连接层替换为放大全连接层和缩小全连接层，并根据教师模型对训练学生模型进行蒸馏训练，由此，在训练学生模型的中间层进行蒸馏，不需要引入额外全连接层，没有参数冗余，极大地提高了蒸馏效率和效果。
模型蒸馏方法装置电子设备存储介质

[发明专利]合作地训练和/或使用单独的输入神经网络模型和响应神经网络模型以用于确定针对电子通信的响应-CN201880012576.6有效
发明人：布莱恩·斯特罗普;宋云轩;马修·亨德森;拉米·阿尔-尔富;雷蒙德·库茨魏尔 -专利权人：谷歌有限责任公司
申请日： 2018-02-15 - 公布日： 2023-09-22 - 主分类号： G06N3/0464 文献下载
摘要：与确定要提供的一个或多个响应有关的系统、方法和计算机可读介质，所述一个或多个响应响应于通过与客户端计算设备的交互而生成的电子通信。例如，确定要提供的一个或多个响应以用于呈现给用户作为用于包括在对发送给所述用户的电子通信的回复中的建议。一些实施方式涉及训练和/或使用单独的输入神经网络模型和响应神经网络模型以用于确定针对电子通信的响应。所述输入神经网络模型和所述响应神经网络模型可以是分离的，但是被合作地训练和/或使用。
合作训练使用单独输入神经网络模型响应用于确定针对电子通信

[发明专利]自动特征提取结合LSTM的滚动轴承剩余寿命预测方法-CN202010881816.5有效
发明人：翟怡萌;张启亮;姜丽萍;刘振 -专利权人：徐工汉云技术股份有限公司
申请日： 2020-08-28 - 公布日： 2023-09-22 - 主分类号： G06N3/0464 文献下载
摘要：本发明公开了一种自动特征提取结合LSTM的滚动轴承剩余寿命预测方法，利用本方法可以根据振动信号预测出滚动轴承的剩余使用寿命。本发明首先对滚动轴承全生命周期的振动数据进行数据清洗，剔除异常值；接着对振动信号进行时频分析，得到表征轴承退化状态的PWVD时频图像数据集；然后基于迁移学习，使用预训练的VGG16模型进行自动特征提取；最后将提取得到的特征送至LSTM网络实现剩余寿命预测。本发明剩余寿命预测值均方误差小，能够实时监测轴承的退化状态，防止重大事故发生，为预测性维修提供参考意见。
自动特征提取结合 lstm 滚动轴承剩余寿命预测方法

[发明专利]基于预测框自动修正的边框回归神经网络构建方法-CN202011023567.2有效
发明人：刘晋;李怡瑶;高珍喻 -专利权人：上海海事大学
申请日： 2020-09-25 - 公布日： 2023-09-22 - 主分类号： G06N3/047 文献下载
摘要：本发明披露一种基于预测框自动修正的边框回归神经网络构建方法。该方法由一种基于相对熵损失函数的具有定位置信度的检测网络和一种改进的基于置信估计的定位精度方法组成。为解决目标定位不精确的问题，本发明提出一种新的基于相对熵的边框回归损失函数，不仅学习边框回归，同时定位学习不确定性；同时本发明结合概率分布引入方差投票机制，利用对相邻位置的预测方差加权，来对候选框的位置进行投票，从而得到定位更加准确的边框。本发明提供的方法网络适配性强、鲁棒性强，可结合多种目标检测神经网络使用以提高检测精度。通过将该方法在知名数据集上的进行实验，实验结果表明该方法的检测准确度高达0.402，优于多数已有方法，证明了其有效性。
基于预测自动修正边框回归神经网络构建方法

[发明专利]一种发动机状态监测方法、系统、设备及介质-CN202011554128.4有效
发明人：彭玉怀;王晨路;赵灿;尹少芊;刘鑫渤;王雨昕;张国梁;吴菁晶 -专利权人：东北大学
申请日： 2020-12-24 - 公布日： 2023-09-22 - 主分类号： G06N3/0442 文献下载
摘要：本发明涉及一种发动机状态监测方法、系统、设备及介质，其方法包括：首先，将发动机各个传感器采集的数据按照因果关系或空间位置进行排序，作为输入序列；其次，构建长短时记忆神经网络；接着，构建具有分支结构的长短时记忆神经网络；最后，通过具有分支结构的长短时记忆神经网络对发动机的进行状态监测与预测，其输出序列为各种状态类型。本发明针对时间序列输入中存在的各项输入维度不匹配的问题，每一个输入表示的是某一个固定传感器在固定时间内获取的数据，其长度是固定的，该方法可以解决时间序列维度不同的问题，同时因为数据是按照空间序列、因果关系排序的，它加强输入序列之间的关系，进而提高预测精度。
一种发动机状态监测方法系统设备介质

[发明专利]基于数据流的CNN加速方法、装置、设备及存储介质-CN202010351174.8有效
发明人：宋朝忠;连帅军;李小莲;雷振华 -专利权人：深圳市易成自动驾驶技术有限公司
申请日： 2020-04-28 - 公布日： 2023-09-22 - 主分类号： G06N3/0464 文献下载
摘要：本发明公开了一种基于数据流的CNN加速方法、装置、设备及存储介质，所述方法包括：基于待加速CNN网络的加速需求确定加速模式以及工作状态，而后获取所述待加速CNN网络中各层的特征数据，并基于各层的特征数据以及所述加速模式，确定所述待加速CNN网络中各层各自对应的最优加速拆分方式，接下来基于所述待加速CNN网络中各层的特征数据选择加速单元粒度，最后基于所述加速模式、工作状态、最优加速拆分方式以及加速单元粒度，对所述待加速CNN网络进行加速。通过确定最优加速拆分方式，提升了硬件加速器在对所述待加速CNN网络进行加速时的运算效率和通用性。
基于数据流 cnn 加速方法装置设备存储介质

[发明专利]一种神经网络压缩方法及装置-CN201910493475.1有效
发明人：姜迪 -专利权人：深圳前海微众银行股份有限公司
申请日： 2019-06-06 - 公布日： 2023-09-22 - 主分类号： G06N3/0464 文献下载
摘要：本发明公开了一种神经网络压缩方法及装置，其中方法为：将训练数据集中的每个样本值输入至预设的神经网络，对所述神经网络进行深度学习训练，通过所述神经网络输出的每个样本值的训练值，对所述神经网络中预设的至少一个参数进行更新；获取所述深度学习训练过程中，所述至少一个参数中每个参数的至少一个更新值；针对所述至少一个参数中的任一参数，对该参数的至少一个更新值进行变分后验推断，获取该参数的变分后验分布的均值，并用该均值替换该参数；对所述神经网络的所述至少一个进行聚类、裁剪、量化及霍夫曼编码，获得压缩后的神经网络；上述方法可应用于金融科技(Fintech)。
一种神经网络压缩方法装置

[发明专利]学生模型的训练方法、装置及电子设备-CN202010297966.1有效
发明人：曾凡高;张有才;危夷晨 -专利权人：北京迈格威科技有限公司
申请日： 2020-04-15 - 公布日： 2023-09-22 - 主分类号： G06N3/042 文献下载
摘要：本发明提供了一种学生模型的训练方法、装置及电子设备，涉及人工智能领域，学生模型通过知识蒸馏方式向已训练好的教师模型学习，学生模型和教师模型均为物体检测模型，该方法包括：获取训练样本的候选样本区域；分别通过学生模型和教师模型对训练样本的候选样本区域进行特征提取，得到学生模型提取出的第一特征和教师模型提取出的第二特征；获取第一特征的置信度；根据第一特征、第二特征和第一特征的置信度确定学生模型和教师模型之间的蒸馏损失；基于蒸馏损失更新学生模型的参数。本发明可以使学生模型能够针对不同样本进行不同程度的参数更新，使训练好的学生模型具有更优秀的性能，从而提升物体检测效果。
学生模型训练方法装置电子设备

[发明专利]信息处理设备、信息处理方法及计算机可读存储介质-CN201880019190.8有效
发明人：永井有希;小林达也 -专利权人：凯迪迪爱通信技术有限公司
申请日： 2018-03-06 - 公布日： 2023-09-22 - 主分类号： G06N3/045 文献下载
摘要：信息处理设备包括：权重设置装置，用于将从第一神经网络的多个层中选择的选择层的多个权重设置为第二神经网络的多个权重；分类装置，用于将选择层的多个权重中的每一个分类为第一组或第二组；第一确定装置，用于基于第一训练数据来确定第一神经网络的多个层的每个权重的第一梯度；第二确定装置，用于基于第二训练数据来确定第二神经网络的多个权重当中属于第一组的权重的第二梯度；以及更新装置，用于基于第一确定装置确定的第一梯度和第二确定装置确定的第二梯度来更新选择层的多个权重当中属于第一组的权重，并基于第一确定装置确定的第一梯度来更新选择层的多个权重当中属于第二组的权重，以及第一神经网络的多个层当中除选择层之外的层的权重。
信息处理设备方法计算机可读存储介质

[发明专利]神经网络模型的分布式训练方法、装置及电子设备-CN201911403480.5有效
发明人：户忠哲;谭光明;姚成吉;田忠博;朱泓睿;张晓扬;肖俊敏 -专利权人：北京迈格威科技有限公司
申请日： 2019-12-30 - 公布日： 2023-09-22 - 主分类号： G06N3/0464 文献下载
摘要：本发明提供了一种神经网络模型的分布式训练方法、装置及电子设备，该方法由分布式计算系统执行，包括：从分布式计算系统确定出第一数量的GPU作为第一目标GPU；基于训练样本集，通过第一目标GPU对初始神经网络模型进行迭代训练，直至达到预设的第一迭代次数，得到中间神经网络模型；从分布式计算系统确定出第二数量的GPU作为第二目标GPU；通过第二目标GPU对中间神经网络模型进行迭代训练，直至达到预设的第二迭代次数，得到最终神经网络模型；其中，第二数量大于第一数量，和/或，第二目标GPU单次迭代处理的训练样本数量大于第一目标GPU单次迭代处理的训练样本数量。本发明缩短神经网络模型训练时间的同时，使训练后的神经网络模型精度丢失较少。
神经网络模型分布式训练方法装置电子设备