“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]神经网络的动态存储器映射-CN201880088769.X有效
发明人：罗谌持;金惠贞;李硕埈;D.刘;M.波利 -专利权人：三星电子株式会社
申请日： 2018-04-04 - 公布日： 2023-10-24 - 主分类号： G06N3/0464 文献下载
摘要：一种将神经网络的多个特征图映射到存储器层级上的方法，包括将多个特征图中的第一特征图映射到存储器层级中具有可用存储器空间并提供对该第一特征图的最快访问的存储器。该方法还包括，当第一特征图期满时，从用于存储第一特征图的存储器中移除第一特征图。
神经网络动态存储器映射

[发明专利]基于深度卷积神经网络优化的InSAR相位解缠方法、装置及存储介质-CN202310814309.3在审
发明人：陈月娟;丁聪;黄平平;乞耀龙;谭维贤;徐伟;杜思艾 -专利权人：内蒙古工业大学
申请日： 2023-07-04 - 公布日： 2023-10-20 - 主分类号： G06N3/0464 文献下载
摘要：本公开涉及基于深度卷积神经网络优化的InSAR相位解缠方法、装置及存储介质，方法包括构建训练数据集，包括随机生成的图像和随机生成的高斯图像；基于得到的训练数据集对ResNet网络训练；通过优化器和损失函数矫正ResNet网络预测出的结果；将InSAR实测数据干涉图输入到经测试的神经网络模型中得到解缠出的真实相位。通过本公开的各实施例，在相位解缠中具有更高的精度和鲁棒性、抗噪性能更好。
基于深度卷积神经网络优化 insar 相位方法装置存储介质

[发明专利]基于CSR编码的卷积计算加速器及加速方法-CN202310848642.6在审
发明人：彭琪;陈纪宇;王一凡;朱樟明 -专利权人：西安电子科技大学
申请日： 2023-07-11 - 公布日： 2023-10-20 - 主分类号： G06N3/0464 文献下载
摘要：本发明公开了一种基于CSR编码的卷积计算加速器，包括：数据预处理模块，用于从外部读取数据，并进行分块处理；CSR编码模块，用于对分块数据进行CSR编码，得到编码数据及其对应的地址；乘法脉动计算阵列，用于根据地址对对应的编码数据进行计算；数据分配模块，用于将计算结果划分为本窗口数据和跨窗口数据，并传入数据累加模块进行累加；数据延迟模块，用于在判断发生加法写冲突时，向乘法脉动计算阵列反馈反压信号，以暂停当前工作，并在延迟数据相加完毕后重新启动当前工作；数据排布模块，用于对累加数据进行整合并通过再量化模块重新映射位宽后，写入片外存储。该方法减少了片上存储的压力，降低了功耗，适用于高并行卷积计算。
基于 csr 编码卷积计算加速器加速方法

[发明专利]基于深度学习框架网络训练网络模型的方法、装置和设备-CN202310936007.3在审
发明人：肖海斌;张知行;李想;祝木强;史大超 -专利权人：北京中科腾云科技有限公司
申请日： 2023-07-27 - 公布日： 2023-10-20 - 主分类号： G06N3/048 文献下载
摘要：本申请涉及一种基于深度学习框架网络训练网络模型的方法、装置和设备，通过根据获取的待进行训练的网络模型结构及参数、第一训练目标、第二训练目标以及训练数据集输入已训练好的多模态大型神经网络中，使其根据第一训练目标以及训练数据集对网络模型中参数进行调整直至网络模型达到第一训练目标，则得到初步训练好的网络模型，或者对网络模型进行训练，得到初步训练好的网络模型，再对初步训练好的网络模型进行压缩，得到压缩后的网络模型，再次利用多模态大型神经网络对压缩后的网络模型中参数进行调整直至网络模型达到第二训练目标，则得到训练好的网络模型，采用本方法可得到结构更为简单，其性能更为优良的网络模型。
基于深度学习框架网络训练模型方法装置设备

[发明专利]一种微小故障检测系统的硬件加速方法及系统-CN202310963263.1在审
发明人：马艳华;祝新超;贾立浩;袁天骏;孙希明 -专利权人：大连理工大学
申请日： 2023-07-31 - 公布日： 2023-10-20 - 主分类号： G06N3/0495 文献下载
摘要：本发明属于人工智能技术领域，提出一种微小故障检测系统的硬件加速方法及系统。BAS神经网络避免了RNN中的梯度消失和梯度爆炸的问题，由于对于下一个时间点的预测，其他数据的影响权重是不同的，权重计算层的引入进一步增加了预测的准确性。针对硬件部署及加速进行了分组结构化稀疏操作，深度神经网络中大量数值为零或者接近零的权值是无效或者不重要的。通过对权值矩阵进行分组，经过多轮迭代式剪枝以及重训练，最终确定组内稀疏度具体值。稀疏的模型压缩方法通过减少权值数量，可以进一步减少对硬件的存储负担，有利于在FPGA开发板上的部署，同时加快硬件的计算速度，从而更早的对微小故障进行预测和预警。
一种微小故障检测系统硬件加速方法

[发明专利]面向图神经网络的扰动式可解释链接预测方法及装置-CN202310981524.2在审
发明人：王智强;侯韬;梁吉业;郭佳雨;赵兴旺 -专利权人：山西大学
申请日： 2023-08-04 - 公布日： 2023-10-20 - 主分类号： G06N3/0464 文献下载
摘要：本发明公开了一种面向图神经网络的扰动式可解释链接预测方法及装置，涉及链路预测技术领域。包括：获取待解释社交网络中目标节点对的计算图；将计算图输入到构建好的基于图神经网络链接预测模型；根据计算图以及基于图神经网络链接预测模型，得到社交网络中目标节点对的解释子图。本发明可解决基于图神经网络的链接预测可解释性较差问题，提升链接预测结果在社交网络中的可信度。
面向神经网络扰动可解释链接预测方法装置

[发明专利]基于图神经网络模型的量化方法、任务处理方法及装置-CN202311168927.1在审
发明人：曹其春;董刚;胡克坤;王斌强;杨宏斌;晁银银;尹文枫 -专利权人：苏州浪潮智能科技有限公司
申请日： 2023-09-12 - 公布日： 2023-10-20 - 主分类号： G06N3/042 文献下载
摘要：本发明提供了基于图神经网络模型的量化方法、任务处理方法及装置，本申请实施例提供的方法通过利用硬件加速器的资源预算量对期望量化分配信息调整，并按照调整后的第一目标量化分配信息量化图神经网络模型和图数据。以此保证图神经网络模型和图数据在硬件加速器上运行的稳定性。后续利用硬件加速器反馈的准确度继续对第一目标量化分配信息进行优化，从而得到第二目标量化分配信息，最终通过第二目标量化分配信息对图神经网络模型和图数据进行量化压缩，一方面减少存储空间，另一方面，结合硬件加速器的并行计算和可编程特性，能够实现高效率、低功耗的计算，同时保证了图神经网络模型的精度。
基于神经网络模型量化方法任务处理装置

[发明专利]数据对获取方法、装置、设备、服务器及其集群、介质-CN202310993756.X在审
发明人：张润泽;李仁刚;赵雅倩;郭振华;范宝余;王丽;王立 -专利权人：山东海量信息技术研究院
申请日： 2023-08-08 - 公布日： 2023-10-20 - 主分类号： G06N3/0455 文献下载
摘要：本发明公开了一种数据对获取方法、装置、设备、服务器及其集群、介质，属于三维生成领域，用于通过模型高效准确的获取点云数据对应的文本描述，解决了人工标注点云数据所存在的人力成本高且效率低的技术问题。本发明中可以通过点云与文本的第一相似度度量以及图像与文本的第二相似度度量这两种维度，对由预训练的点云‑文本转换模型预测得到的点云文本数据对进行筛选，并通过筛选后的点云数据及其对应的文本描述继续对模型进行训练从而提高模型精度，最终便可以通过训练好的模型获得大量的点云文本数据对，节省了人力成本的同时提升了工作效率。
数据获取方法装置设备服务器及其集群介质

[发明专利]针对深度神经网络的半结构化习得阈值修剪-CN202280011979.5在审
发明人： K·阿扎里安·雅兹迪;T·P·F·布兰克沃特;J·W·李;Y·S·巴尔加特 -专利权人：高通股份有限公司
申请日： 2022-02-04 - 公布日： 2023-10-20 - 主分类号： G06N3/045 文献下载
摘要：一种用于基于习得阈值来对人工神经网络的权重进行修剪的方法包括：指定人工神经网络的将针对修剪被评估的预训练权重群。该方法还包括：确定该预训练权重群的范数，以及基于该范数来执行用以确定是否要对整个预训练权重群进行修剪的过程。
针对深度神经网络结构习得阈值修剪

[发明专利]用于神经网络架构的编码技术-CN202280017590.1在审
发明人： P·K·维特哈拉德夫尤尼;T·俞;N·布尚;J·南宫 -专利权人：高通股份有限公司
申请日： 2022-02-04 - 公布日： 2023-10-20 - 主分类号： G06N3/0464 文献下载
摘要：描述了用于无线通信的方法、系统和设备。用户设备(UE)可以接收用于编码经压缩的数据集的一个或多个编码操作的指示，该一个或多个编码操作包括差分编码操作或熵编码操作或两者。在一些示例中，使用神经网络，UE可以首先基于附加编码操作对数据集进行编码，以生成经压缩的数据集，并且然后量化基于附加编码操作进行编码的经压缩的数据集。随后，在数据集已经被最初编码并然后被量化之后，UE可以使用一个或多个编码操作的指示来进一步编码和压缩数据集。然后，UE可以基于一个或多个编码操作将数据集发送到第二设备。
用于神经网络架构编码技术

[发明专利]在像素到像素神经网络中处理数据-CN202280019268.2在审
发明人： D·汉森;A·肖阿哈萨尼拉什旦;S·奇丹巴拉姆;H·徐;J·K·F·黄;S·云;D·格纳纳普拉加萨姆 -专利权人：高通股份有限公司
申请日： 2022-01-26 - 公布日： 2023-10-20 - 主分类号： G06N3/04 文献下载
摘要：提供了用于在神经网络中处理数据的技术。示例方法可以包括：由神经网络的每一层处理数据输入的第一条带中的行，该行在水平方向上并且根据逐层序列被顺序地处理；在处理所述行之后，由每一层在逐行的基础上处理所述第一条带中的后续行，每个后续行在所述水平方向上并且根据所述逐层序列被顺序地处理；基于所述行和后续行的处理来生成输出条带；由每一层处理所述数据输入的第二条带，所述第二条带中的每一行在所述水平方向上并且根据所述逐层序列被处理，其中，所述第二条带中的行在逐行的基础上被处理；以及基于第二条带的处理生成另一输出条带。
像素神经网络处理数据

[发明专利]一种面向多模态深度学习模型的快速协同推断方法-CN202310718827.5在审
发明人：肖亮;王楚璇;刘钰;吕泽芳 -专利权人：厦门大学
申请日： 2023-06-16 - 公布日： 2023-10-20 - 主分类号： G06N3/0495 文献下载
摘要：一种面向多模态深度学习模型的快速协同推断方法，涉及多模态深度学习模型。针对现有技术存在的面向计算密集性应用的异构多模态深度学习网络在资源紧缺的移动设备上部署时的高延迟和高能耗等问题，提供一种面向多模态深度学习模型的快速协同推断方法，利用强化学习算法动态优化无线移动边缘网络中多模态深度学习模型服务移动设备的协同推断策略。该策略适应计算密集型多模态深度学习应用具有多个异构特征编码器的特点，能在不显著降低推断质量的前提下，减少基于深度学习的多模态推断服务的时延和总体能耗。动态选择多模态深度学习模型各个特征编码器的分割点和深度学习模型规模，提高多模态深度学习模型推断的速度和能效。
一种面向多模态深度学习模型快速协同推断方法

[发明专利]一种基于递归图的储备池神经元故障检测及容错方法-CN202310724111.6在审
发明人：李莹琦;王宇;孙建军;崔东艳;孙晓川 -专利权人：华北理工大学
申请日： 2023-06-19 - 公布日： 2023-10-20 - 主分类号： G06N3/044 文献下载
摘要：本发明基于储备池神经元状态的确定性DET，提出了一种基于递归图的储备池神经元故障检测及容错方法。DET是从递归图RP中获得的参数之一，RP包括许多信号特征，而这些特征难以被其它工具提取出来。由于神经元的确定性会在特定条件下变化，因此，该指标被用作储备池神经元故障的检测标准。具体地，在故障神经元的检测阶段，通过公式计算训练后的ESN中每个储备池神经元的DET，当某个神经元的DET低于阈值时，可将该神经元视为故障神经元，并记录此故障神经元的位置，实现故障神经元的检测。在容错阶段，将该神经元的输出权值置为零，使其退出当前的计算任务，进而实现储备池的容错计算。最终，通过此方法可构建一个具备实时容错功能的高可靠性ESN。
一种基于递归储备神经元故障检测容错方法

[发明专利]神经网络的剪枝方法、装置、设备、存储介质和程序产品-CN202310913564.3在审
发明人：李贺;赵文锦;李贝;成昊 -专利权人：中国工商银行股份有限公司
申请日： 2023-07-24 - 公布日： 2023-10-20 - 主分类号： G06N3/0464 文献下载
摘要：本申请涉及一种神经网络的剪枝方法、装置、设备、存储介质和程序产品。涉及人工智能技术领域。该方法包括：将样本数据输入至待剪枝网络，得到待剪枝网络中全连接层的至少两个全连接通道的输出结果；其中，待剪枝网络包括原始网络层和全连接层，且原始网络层的各原始通道与全连接层的各全连接通道一一对应；根据目标损失值、平移因子、样本数据、通道惩罚项，以及各全连接通道的输出结果，从各全连接通道中确定剪枝通道；将剪枝通道对应的通道权重设置为零，以实现对剪枝通道对应的原始通道的剪枝处理。采用本方法能够在不改变神经网络结构的同时，对网络通道进行轻量化处理，尽可能保证模型精度。
神经网络剪枝方法装置设备存储介质程序产品

[发明专利]编码器神经网络模型的构建方法和数据处理方法-CN202311182240.3在审
发明人：张建伟;刘永超;李凌云 -专利权人：首都信息发展股份有限公司
申请日： 2023-09-14 - 公布日： 2023-10-20 - 主分类号： G06N3/0455 文献下载
摘要：本发明提供了一种编码器神经网络模型的构建方法和数据处理方法，将多源数据样本通过初始编码器神经网络模型的输入模块输入至隐藏模块，输出融合结果；将融合结果分别输入至预测模块和度量模块，输出预测结果和度量结果；基于损失函数、多源数据样本对应的实际标签值、预测结果和度量结果确定损失值，基于损失值对初始编码器神经网络模型进行训练，直至损失值收敛，得到编码器神经网络模型。该方式可以基于多源数据样本对初始编码器神经网络模型进行优化训练，实现对多源数据的融合，由于度量结果可以表示融合结果与多源数据样本的差异性，而损失函数综合考虑预测结果和度量结果，因而基于该损失函数可以提高编码器神经网络模型的预测精度。
编码器神经网络模型构建方法数据处理