“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]面向深度学习的去中心化并行梯度下降训练方法和系统-CN202310935188.8在审
发明人：刘斌;高昊元;纪泽宇;张海曦;刘启彤 -专利权人：西北农林科技大学
申请日： 2023-07-27 - 公布日： 2023-10-17 - 主分类号： G06N3/0464 文献下载
摘要：本发明提出了一种面向深度学习的去中心化并行梯度下降训练方法和系统，该方法属于深度学习并行化领域，提出了基于历史权重的预训练、管道通信和基于缓冲权重的并行训练相结合的方法，实现了加速分布式系统训练深度神经网络的过程。该方法旨在为分布式深度学习任务提供更高效的训练方式，实现对深度神经网络模型的快速训练。建立基于历史权重的预训练方法，保证了模型收敛的稳定性，使得网络模型在训练过程中更加稳健地收敛于全局最优解。管道通信机制，分解了通信任务，增加了通信的并行粒度，提高了工作节点之间的信息交换效率。利用基于缓冲权重的并行训练方法，实现通信和计算操作的解耦，最大化硬件设备算力资源的利用率。
面向深度学习中心并行梯度下降训练方法系统

[发明专利]多决策步掩码生成方法、模型训练方法、电子设备及介质-CN202310944496.7在审
发明人：杨海天;宋万鹏 -专利权人：同盾网络科技有限公司
申请日： 2023-07-28 - 公布日： 2023-10-17 - 主分类号： G06N3/048 文献下载
摘要：本公开是关于一种多决策步掩码生成方法、模型训练方法、电子设备及介质，涉及计算机技术领域。该方法可以通过多决策步进行特征提取，其中每一决策步可以生成对应的掩码，具体的每一决策步中获取该决策步对应第一特征的第一权重，以及获取权重阈值与第一特征在该决策步前历史决策中的第二权重，并根据第二权重与权重阈值确定第一特征对应的权重关注参数，进而根据关注参数确定决策步对应第一特征的掩码，其中，关注参数包括第一权重、权重关注参数。该方法在每一决策步中关联特征在历史决策步中的重要性，能够提升有效信息提取的效果，控制噪声、误差等因素对决策结果的干扰，从而使模型性能适配应用需求。
决策掩码生成方法模型训练电子设备介质

[发明专利]一种带随机噪声掩码的图自动编码的模型训练方法及系统-CN202310994907.3在审
发明人：张玥雯;刘飞;余关元;何刚;陈少磊 -专利权人：四川新网银行股份有限公司
申请日： 2023-08-08 - 公布日： 2023-10-17 - 主分类号： G06N3/042 文献下载
摘要：本发明公开了一种带随机噪声掩码的图自动编码的模型训练方法及系统，包括获取银行的金融风险传播相关数据并转换为图结构数据；对节点的原始特征向量进行随机掩码，利用伯努利分布随机挑选若干节点，形成被选择的节点特征向量；由多元标准正态分布生成的数据替代，得到带有随机掩码的节点特征向量；对边的原始特征向量行随机掩码，得到带有随机掩码的边特征向量；对未被选择的节点和边进行噪声注入，得到噪声注入后的图数据；根据带有随机掩码的节点特征向量、带有随机掩码的边特征向量和噪声注入后的图数据，进行重构；利用重构后的图结构数据进行神经网络模型训练，得到训练好的神经网络模型。本发明可以提高模型在网络中金融风险的识别能力。
一种随机噪声掩码自动编码模型训练方法系统

[发明专利]教师数据收集装置-CN202310209455.3在审
发明人：轻部俊和 -专利权人：本田技研工业株式会社
申请日： 2023-03-07 - 公布日： 2023-10-17 - 主分类号： G06N3/0464 文献下载
摘要：本发明的课题在于提供教师数据收集装置，能够在尽可能减少专家数据的同时，收集用于生成具有高分类精度的学习模型的教师数据。为此，计算在非专家数据保存部(13)中保存的所有的非专家数据的特征量的第一标准偏差(α)，计算在专家数据保存部(14)中保存的所有的专家数据的特征量的第二标准偏差(β)。此外，计算在非专家数据保存部(13)中保存的所有的非专家数据的特征量的第一秩和(ξ)，计算在专家数据保存部(14)中保存的所有的专家数据的特征量的第二秩和(θ)。然后，基于第一标准偏差(α)和第二标准偏差(β)以及第一秩和(ξ)和第二秩和(θ)来决定专家对不合格品数据的取得的继续以及结束。
教师数据收集装置

[发明专利]确定用于人工神经网络的后训练量化的代表性输入数据集的方法和系统-CN202310296016.0在审
发明人： R·L·布塞斯;M·A·阿圭勒;S·克赖恩贝格 -专利权人： APTIV技术有限公司
申请日： 2023-03-23 - 公布日： 2023-10-17 - 主分类号： G06N3/04 文献下载
摘要：本公开涉及确定用于人工神经网络的后训练量化的代表性输入数据集的方法和系统。确定用于人工神经网络的后训练量化的代表性输入数据集的计算机实现方法包括以下步骤：获取输入数据集；处理输入数据集以提取与输入数据集相关联的一个或更多个参数；设置包括下裁剪限制和上裁剪限制的裁剪限制；通过基于输入数据集与经量化再去量化的输入数据集之间的数值差计算量化误差来调整上裁剪限制和下裁剪限制，其中，误差是根据基于用户输入的误差度量来计算的；以及将代表性输入数据集确定为输入数据集的子集，该子集的元素适配在裁剪限制内；其中，代表性输入数据集将用于后训练量化的量化校准。
确定用于人工神经网络训练量化代表性输入数据方法系统

[发明专利]用于对象发现的复合自动编码器的方法和系统-CN202310350728.6在审
发明人： M·鲁道夫;S·罗威;M·韦林 -专利权人：罗伯特·博世有限公司
申请日： 2023-04-03 - 公布日： 2023-10-17 - 主分类号： G06N3/0455 文献下载
摘要：提供了用于对象发现的复合自动编码器的方法和系统。一种用于机器学习系统的计算机实现的方法包括：接收输入图像，将初始相位添加到与输入图像相关联的每个像素以创建复数，将该复数发送到编码器，其中编码器被配置为向解码器输出复值潜在表示，利用解码器将复值潜在表示分解成包括实部和相关联的相位两者的复值输出，计算输入图像和复值输出的实部之间的重建误差，其中重建误差与关联于该系统的模型参数相关联，以及更新和输出与该系统相关联的模型参数，直到获得收敛阈值。
用于对象发现复合自动编码器方法系统

[发明专利]一种仿真态势数据处理方法、系统、设备及存储介质-CN202310637352.7在审
发明人：傅天晓 -专利权人：启元世界（北京）科技有限公司
申请日： 2023-05-31 - 公布日： 2023-10-17 - 主分类号： G06N3/0499 文献下载
摘要：本申请提供一种仿真态势数据处理方法、系统、设备及存储介质，应用于数据处理技术领域。该方法应用于仿真态势数据处理系统，系统包括运行在中央处理器中的数据采样模块、运行在不同的图像处理器中的持续学习模块和预测推断模块。基于从经验回放数据池中获取的目标经验回放数据确定权重更新参数，所述目标经验回放数据包括从仿真环境输入的目标仿真态势数据，能够提高对仿真态势数据处理效率；根据所述权重更新参数构建优化预测模型；响应于请求端触发预测请求，将所述目标仿真态势数据输入至所述优化预测模型中，得到所述优化预测模型输出的结果指令，结果指令用于更新所述仿真环境，降低了模型参数更新的延迟，提高了模型使用性能和可扩展性。
一种仿真态势数据处理方法系统设备存储介质

[发明专利]一种数据处理方法和装置-CN202310982587.X在审
发明人：熊旭红;聂志伟 -专利权人：鼎道智芯（上海）半导体有限公司
申请日： 2023-08-04 - 公布日： 2023-10-17 - 主分类号： G06N3/0464 文献下载
摘要：本申请公开一种数据处理方法和装置，其中，数据处理方法包括：从预设内核集中当前内核的第一存储区域获取待处理的第一中间对象；所述第一中间对象，由所述当前内核在所述预设内核集中对应的前一内核对目标数据对象的相应待处理中间对象进行处理，并基于处理结果而生成；在所述当前内核处理所述第一中间对象，基于处理结果生成待由所述当前内核在所述预设内核集中对应的下一内核处理的第二中间对象；在所述当前内核将所述第二中间对象写入所述下一内核的第二存储区域，以由所述下一内核处理。其中预设内核集为：由所述目标数据对象在处理器上占用的内核形成的集合；所述预设内核集中的每个内核对应有相应的存储区域。
一种数据处理方法装置

[发明专利]一种注塑机料筒温度预测方法-CN202310325982.0在审
发明人：李君;陈振光;陈志刚;朱建猛;李素君;林娅丹 -专利权人：西诺控股集团有限公司
申请日： 2023-03-30 - 公布日： 2023-10-17 - 主分类号： G06N3/0499 文献下载
摘要：本发明公开了一种注塑机料筒温度预测方法，包括如下步骤：S1：初始化BP神经网络的拓扑结构；S2：初始化BP神经网络的权值和阈值，将初始化的权值和阈值编码为粒子；S3：设置PSO算法的基本参数，用PSO算法优化BP神经网络，获得PSO‑BP神经网络模型；S4：在PSO‑BP神经网络模型中引入自适应变异，构建获得引入自适应变异的PSO‑BP神经网络；S5：采用获得的引入自适应变异的PSO‑BP神经网络对注塑机料筒的温度进行预测；本发明利用得到的PSO‑BP‑PID控制算法，可以有效实现在控制温度的超调量及快速响应上达到统一的目的。
一种注塑机料筒温度预测方法

[发明专利]一种应用在张力控制系统的CNN-LSTM模型训练方法、装置及介质-CN202310844980.2在审
发明人：黄卫民;张小虎 -专利权人：海目星激光科技集团股份有限公司
申请日： 2023-07-10 - 公布日： 2023-10-17 - 主分类号： G06N3/0495 文献下载
摘要：本发明提供的一种应用在张力控制系统的CNN‑LSTM模型训练方法，将样本数据输入至一训练完成的教师模型中，通过多次卷积运算得到第一软标签数据；将所述样本数据输入至教师‑学生模型的学生模型中，通过多次卷积得到第二软标签数据，并根据所述第一软标签数据和所述第二软标签数据计算教师‑学生损失；根据第二软标签数据与样本数据中对应的硬标签数据之间的差值计算学生模型损失；根据教师‑学生损失和学生模型损失作为知识蒸馏的总损失，对所述学生模型进行知识蒸馏，完成对学生模型的训练。能够在不影响模型精度的情况下完成对CNN‑LSTM模型大小的压缩，得到一个可以用于张力控制系统的小模型CNN‑LSTM网络。
一种应用张力控制系统 cnn lstm 模型训练方法装置介质

[发明专利]深度学习模型的网络权重存取方法-CN202311164707.1在审
发明人：请求不公布姓名 -专利权人：深存科技（无锡）有限公司
申请日： 2023-09-11 - 公布日： 2023-10-17 - 主分类号： G06N3/045 文献下载
摘要：本申请公开深度学习模型的网络权重存取方法，涉及数据存储领域，定义深度学习模型中网络权重的数据类型，将其转换为unsigned char型8位权重数组保存，根据网络权重数量和对应数组指针创建权重头部信息；将转换后权重数组插接到权重头部信息后面，对插接后的数据段进行序列化，转换为16进制目标文件保存；读取权重头部信息中记录的参数信息，对后面插接的数据段反序列化操作，还原成原始数据类型的网络权重并复制到目标位置。该方案可以将不同数据类型拆分为char型保存，定义出权重头部信息，根据权重头部信息反序列操作提取和复制权重数据，减少权重数据传输时的转换和复制过程，降低传输时延和提高传输效率。
深度学习模型网络权重存取方法

[发明专利]具有不同策略的神经网络强化学习-CN202280013473.8在审
发明人： T·B·Z·扎哈维;B·T·奥多诺霍;A·达蒙塔萨雷斯巴雷托;J·S·弗伦纳哈格;V·姆尼;S·S·巴维贾 -专利权人：渊慧科技有限公司
申请日： 2022-02-04 - 公布日： 2023-10-17 - 主分类号： G06N3/045 文献下载
摘要：在一个方面，提供了一种用于通过强化学习来训练神经网络系统的方法。神经网络系统可以被配置为接收表征由智能体与之交互的环境的状态的输入观察，并且根据旨在满足目标的策略来选择和输出动作。该方法可以包括获得包括用于满足目标的一个或多个策略的策略集合，以及基于一个或多个策略确定新策略。该确定可以包括一个或多个优化步骤，其旨在基于通过遵循新策略将获得的预期收益，在新策略满足最小性能标准的条件下，最大化新策略相对于策略集合的多样性。
具有不同策略神经网络强化学习

[发明专利]存储器装置及其操作方法-CN202010146931.8有效
发明人：侯建杕;郑吴全 -专利权人：华邦电子股份有限公司
申请日： 2020-03-05 - 公布日： 2023-10-17 - 主分类号： G06N3/0464 文献下载
摘要：本发明提供一种存储器装置及其操作方法。存储器装置包括模式配置寄存器、系统存储器阵列、指针器及包含有多个逻辑运算单元的运算电路。模式配置寄存器存储权重矩阵信息及基准地址。系统存储器阵列自基准地址起依据权重矩阵信息安排特征地图的多个特征值的存储地址。指针器存储基准地址及权重矩阵大小，以提供指针信息。运算电路依据指针信息依序或并行读取特征值。运算电路依据权重矩阵信息，将选中权重矩阵中的多个权重系数及对应的特征值并行地配置于对应的各逻辑运算单元中，并使逻辑运算单元平行地进行运算，以输出中间层特征值至处理单元。
存储器装置及其操作方法

[发明专利]深度学习模型训练方法、装置、计算机设备及存储介质-CN202010736381.5有效
发明人：吕杨 -专利权人：上海联影医疗科技股份有限公司
申请日： 2020-07-28 - 公布日： 2023-10-17 - 主分类号： G06N3/0464 文献下载
摘要：本申请涉及一种深度学习模型训练方法、装置、计算机设备及存储介质，其中该方法包括构建初始深度学习模型，初始深度学习模型的损失函数包括多个子损失函数，多个子损失函数中的至少一个与图像噪声抑制、图像边界保持以及图像结构相似性保持三个参数中的一个参数相关；将初始深度学习模型转化为具有多个同等结构的克隆模型，且每个克隆模型对应一个子损失函数；分别对每一克隆模型进行训练，得到多个训练完备的克隆模型；根据每一训练完备的克隆模型对应的权重系数，将多个训练完备的克隆模型的输出数据进行加权组合，得到训练完备的深度学习模型，解决了相关技术中子损失函数的权重难以确定以及复合损失函数模型使用灵活性较差的问题。
深度学习模型训练方法装置计算机设备存储介质

[发明专利]一种基于MV-GRU的热负荷预测方法-CN202110363509.2有效
发明人：李光夏;张俊波 -专利权人：西安电子科技大学
申请日： 2021-04-02 - 公布日： 2023-10-17 - 主分类号： G06N3/045 文献下载
摘要：本发明公开了一种利用多视角‑门控循环单元神经网络(MV‑GRU)对集中供热系统热负荷进行预测的方法，所诉方法包括：获取热负荷、室外温度的历史数据，将其作为两种视角；对两种视角的数据进行归一化处理，划分为训练集和验证集；利用归一化后的数据训练组合神经网络获得预测模型，组合神经网络由GRU和DMAN网络组成；基于所述热负荷预测模型，对集中供热系统的热负荷进行预测。本发明的基于MV‑GRU实现的集中供热系统热负荷预测方法，通过挖掘热负荷和室外温度两者之间的耦合关系，实现了对集中供热系统热负荷较为高效的预测。
一种基于 mv gru 负荷预测方法