[发明专利]一种驾驶行为分析方法、装置、电子设备及存储介质在审
| 申请号： | 202310437789.6 | 申请日： | 2023-04-20 |
| 公开（公告）号： | CN116468076A | 公开（公告）日： | 2023-07-21 |
| 发明（设计）人： | 万光明;醋争科;张曌;苗壮 | 申请（专利权）人： | 安徽苇渡控股有限公司 |
| 主分类号： | G06N3/045 | 分类号： | G06N3/045;G06N3/09;G06N20/00;G08G1/01 |
| 代理公司： | 北京品源专利代理有限公司 11332 | 代理人： | 白云 |
| 地址： | 230041 安徽省合肥市包*** | 国省代码： | 安徽;34 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明实施例公开了一种驾驶行为分析方法、装置、电子设备及存储介质。该方法包括：获取驾驶对象的驾驶行为的目标行为数据，并确定目标驾驶行为分析模型；将所述目标行为数据输入到所述目标驾驶行为分析模型中，并根据所述目标驾驶行为分析模型的输出结果，确定针对所述驾驶行为的分析结果；其中，所述目标驾驶行为分析模型是对已训练完成的预训练驾驶行为分析模型进行调整得到的。本发明实施例的技术方案，可以提高驾驶行为分析的分析效率。 | ||
| 搜索关键词： | 一种 驾驶 行为 分析 方法 装置 电子设备 存储 介质 | ||
【主权项】：
暂无信息
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于安徽苇渡控股有限公司，未经安徽苇渡控股有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/202310437789.6/，转载请声明来源钻瓜专利网。
- 同类专利
- 基于生成对抗网络的新增学习情境识别方法-202310928932.1
- 郭龙江;王璟馨;李普;李津;任美睿;张立臣;刘勇 - 陕西师范大学
- 2023-07-26 - 2023-10-27 - G06N3/045
- 一种基于生成对抗网络的新增学习情境识别方法，由数据预处理、构建组合神经网络、训练组合神经网络、测试组合神经网络、组合神经网络性能评估步骤组成。由于本发明应用了生成对抗网络，将该网络应用于内外分布检测神经网络的训练中，有利于内外分布检测神经网络在对抗学习中交替迭代参数、取得更好的分类结果，有效地区分了内、外分布样本，有利于后续用零样本学习神经网络对新增学习情境的分类。本发明具有网络结构较简单、网络性能较好、适用范围较广等优点，可用于移动学习资源智能推荐等应用场景。
- 一种由预训练小型网络构建的多节点神经网络-202180092426.2
- 李剑;苏晗 - 华为技术有限公司
- 2021-02-22 - 2023-10-27 - G06N3/045
- 一种使用一定数量的预训练较小型神经网络来训练大型神经网络的方法。使用多个预先存在的预训练神经网络通过多级叠加来创建所述大型神经网络。放大所述预训练神经网络中的每一个以提供较大型稀疏神经网络，每个预训练神经网络具有第一数量的多维节点。将所述较大型稀疏神经网络的值叠加到所述较大型神经网络中。可以从公开可用的预训练神经网络来创建所述预训练神经网络。通过替换和/或重新训练用于创建所述大型神经网络的子网络中的一个，可以使所述较大型神经网络适于在不同的任务中使用。
- 基于分层强化学习的雷达干扰决策与参数优化方法及装置-202310787670.1
- 李澳;陈分雄;苏钰远 - 中国地质大学（武汉）
- 2023-06-28 - 2023-10-27 - G06N3/045
- 本发明提供一种基于分层强化学习的雷达干扰决策与参数优化方法及装置，该方法包括：构建雷达对抗模型；根据雷达对抗模型，建立雷达工作模式和干扰样式的状态‑动作样本；根据收集的样本，外层Q‑Learning网络得到最优干扰策略；构建内层DDPG网络的环境，并将外层得到的干扰策略映射到内层DDPG网络上；构建内层DDPG网络模型，通过对连续参数空间进行动作选取，进而对最优干扰策略进行脉冲参数优化；使用基于AHP‑TOPSIS的干扰效果评估算法进行干扰效果评估，将干扰效果评估结果作为环境反馈更新雷达对抗模型；本发明适用于雷达电子战中的认知干扰决策及参数优化，通过基于AHP‑TOPSIS的评估算法进行干扰效果评估，进而使用基于分层强化学习的模型进行干扰决策及参数优化。
- 一种数据处理方法及设备-201910775569.8
- 程大伟;陈远哲 - 上海哲锦信息科技有限公司
- 2019-08-21 - 2023-10-27 - G06N3/045
- 本申请的目的是提供一种数据处理方法及设备，本申请使得在利用注意力机制和时间循环神经网络将获取的多维度、异构的待处理的目标数据中的特征提取出来的同时，忽视目标数据中的噪声与无用部分，筛选出目标数据中的重要信息和非重要信息，使得两种信息在目标数据的特征向量中所占的权重不同，以确保对目标数据进行多维度的分析及特征提取，以得到目标数据的特征向量并作为目标任务对应的任务模型的输入，经过任务模型的处理得到目标任务的执行结果，避免了人工数据处理的过程中出现的信息丢失的问题，节约人力，同时，提高目标数据的特征提取的筛选能力和拟合能力，改善了目标数据的特征提取效果，从而提高了目标任务执行结果的可靠性。
- 一种融合人工神经网络和神经形态计算的在线学习方法-201910880288.9
- 周军;李思旭;张兆民;弓育川 - 电子科技大学
- 2019-09-18 - 2023-10-27 - G06N3/045
- 本发明公开了一种融合人工神经网络和神经形态计算的在线学习方法，属于机器学习领域，特别是涉及神经网络的学习领域。解决神经网络面对特征变化或者未知数据时正确率下降的问题，需要对神经网络进行在线学习。脉冲神经网络通常采用无监督学习，比起有监督学习，准确率较低，容易在学习错误之后一直向着错误的方向前进。人工神经网络通常采用有监督学习，准确率较高，但是推理和学习功耗较大。因此本专利中提出一种新的方案，使用人工神经网络辅助脉冲神经网络进行在线学习，由于大多数时间采用脉冲神经网络推理和无监督学习，因此功耗较低，同时隔一段时间通过人工神经网络和有监督学习对权值进行修正，因此可以保证较高的准确率。
- 针对深度神经网络的半结构化习得阈值修剪-202280011979.5
- 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 - 高通股份有限公司
- 2022-02-04 - 2023-10-20 - G06N3/045
- 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。
- 一种基于混合神经网络的信息优选模型及装置-202310521100.8
- 方旭东;李红梅;肖文华 - 中国人民解放军军事科学院战争研究院
- 2023-05-10 - 2023-10-20 - G06N3/045
- 本发明涉及一种基于混合神经网络的信息优选模型及装置。本发明通过构建用户互行为图，利用图神经网络模型对用户历史行为进行建模，在提高用户表征能力的同时缓解交互数据稀疏问题；构建信息优选策略初始化模块，基于用户‑信息交互图，从用户历史行为中学习初始化价值，缓解零学习降低用户体验问题；针对使用过程中用户与推送信息的交互行为，采用循环神经网络对交互行为进行描述，基于信息传播算法更新信息节点，来动态获取用户兴趣爱好变化趋势；构建信息优选的候选集模块，设计信息优选排序模块，解决信息选择空间大的问题，进一步提升信息查询与优选性能。
- 一种模型训练方法及计算设备-202211715713.7
- 崔和涛;张云柯 - 荣耀终端有限公司
- 2022-12-30 - 2023-10-20 - G06N3/045
- 本申请实施例公开了一种模型训练方法及计算设备，计算设备将n条原始数据输入第一神经网络模型进行训练，得到预训练模型；计算设备将n条原始数据进行数据增强，得到m条总增强数据；计算设备将n条原始数据和m条总增强数据作为训练数据，分Z步训练预训练模型；针对第i步训练，计算设备确定第i增强占比λ(i)；增强占比为参与本步训练的增强数据占所述m条总增强数据的比例；计算设备基于所述λ(i)确定第i训练数据，并将第i训练数据输入第i‑1训练模型进行训练，得到第i训练模型；i的取值依次从1到Z；λ(i)大于等于λ(i‑1)；λ(i‑1)为第i‑1步的第i‑1增强占比。本申请实施例，可以提高模型训练效果。
- 深度学习模型的网络权重存取方法-202311164707.1
- 请求不公布姓名 - 深存科技（无锡）有限公司
- 2023-09-11 - 2023-10-17 - G06N3/045
- 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。
- 具有不同策略的神经网络强化学习-202280013473.8
- 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 - 渊慧科技有限公司
- 2022-02-04 - 2023-10-17 - G06N3/045
- 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。
- 一种基于MV-GRU的热负荷预测方法-202110363509.2
- 李光夏;张俊波 - 西安电子科技大学
- 2021-04-02 - 2023-10-17 - G06N3/045
- 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。
- 深度学习系统-201910404061.7
- 郑载训 - 韩国宝之铂株式会社
- 2019-05-15 - 2023-10-17 - G06N3/045
- 公开了一种深度学习系统，该深度学习系统通过通信网络可访问用于使第一人工神经网络模型进行学习的外部深度学习系统。该深度学习系统包括：数据分类存储模块，其被配置为接收和存储源学习数据；学习模块，其被配置为使用该源学习数据使该系统中的第二人工神经网络模型进行学习；调整信息传输模块，其被配置为向外部深度学习系统传输包括学习相关信息和第二人工神经网络模型的参数信息的调整信息，以请求调整第一人工神经网络模型，其中，根据学习的结果来修改该学习相关信息和参数信息；以及调整模块，其被配置为根据从外部深度学习系统传输的调整信息来更新所述第二人工神经网络模型的参数信息。
- 跨域对抗神经网络模型及其训练方法、设备及存储介质-202310867346.0
- 冯楠;刘欣;赵洪科 - 天津大学
- 2023-07-14 - 2023-10-13 - G06N3/045
- 一种跨域对抗神经网络模型及其训练方法、设备及存储介质。建立对抗神经网络模型，在对抗神经网络模型中设置一个生成器和两个判别器，通过最近邻算法来获得目标域中样本的伪标签；建立多项狄利克雷层次模型，通过多项狄利克雷层次模型来预估样本类别概率分配密度及样本不确定性；由目标域中样本的伪标签及样本不确定性制定类级梯度对齐算法，采用类级梯度对齐算法在类级别上对两个判别器进行反向梯度逼近。本发明通过可优化的伪标签技术获取目标域类别标签，避免伪标签技术的两阶段训练和训练目标不一致。通过多项式狄利克雷分布代替softmax优化，避免过度自信预测问题。除保证双判别器一致外，还增加低不确定性梯度对齐以缩小领域差异。
- 基于图神经网络和注意力机制的异质网络属性补全方法-202211043710.3
- 于彦伟;王凯;董军宇 - 中国海洋大学
- 2022-08-30 - 2023-10-13 - G06N3/045
- 本发明公开了一种基于图神经网络和注意力机制的异质网络属性补全方法，属于数据处理技术领域。首先通过结合K‑Nearest Neighbor和属性之间的余弦相似度，从网络中捕获与目标节点（带有缺失属性的节点）相似的节点，将这些节点的属性自适应的转化为目标节点的特征域的网络表征；再基于图神经网络和transformer的注意力机制，对网络中的拓扑结构和节点的属性信息进行层次化的分析，进而在空间域获得目标节点的网络表征；最后结合空间域和特征域的网络表征基于欧氏距离的损失函数去进行模型参数学习进而对缺失属性补全。经过实际验证，本发明提供的属性补全方法具有高效、高精确度的特点。
- 一种用于计算设备的深度学习训练方法和装置-202010899680.0
- 张军磊;刘传建;李桂林;张星;张维;李震国 - 华为技术有限公司
- 2020-08-31 - 2023-10-10 - G06N3/045
- 本申请提供人工智能领域中一种用于计算设备的深度学习训练方法和装置，用于得到残差连接更少的神经网络，提高神经网络的推理效率，降低神经网络运行时占用的内存量。该方法包括：获取训练集、第一神经网络和第二神经网络，第一神经网络包括残差连接少于第二神经网络包括残差连接；根据训练集对第一神经网络进行至少一次迭代训练，得到训练后的第一神经网络，其中，任意一次迭代训练包括：将第一神经网络中的至少一个第一中间层的第一输出，作为第二神经网络的至少一个网络层的输入，得到至少一个网络层的输出结果，使用第一损失函数更新第一神经网络，第一损失函数包括基于第二神经网络的至少一个网络层的输出结果所获取的约束项。
- 多神经网络执行效率动态优化方法及系统-202310805891.7
- 李超;孙灵雨;王鑫凯;过敏意 - 上海交通大学
- 2023-07-03 - 2023-10-03 - G06N3/045
- 一种多神经网络执行效率动态优化方法及系统，在离线阶段针对预设的多神经网络推理负载和异构边缘计算硬件，采用智能搜索算法寻找帕累托最优的调度配置，记录搜索过程中找到的所有候选配置，并为每个候选延迟需求保存对应的低资源占用的调度配置作为最优配置查找表；同时采集每组待部署的神经网络推理负载在不同计算硬件执行状态下的执行延迟并存入执行延迟查找表；在在线阶段根据系统延迟需求，从最优配置查找表中选择匹配的最优调度配置，持续监控执行状态并预测所有神经网络推理负载的剩余总执行时间，通过反馈式频率调节机制确保延迟需求得到满足。本发明既能应对系统所处场景多样性导致的延迟需求变化，也能应对多硬件单元共享内存导致的性能干扰，解决了多个神经网络推理负载如何统一进行调度优化的问题。
- 竞争预测神经网络的训练方法、装置及电子设备-202310806571.3
- 黄加勇 - 黄加勇
- 2023-07-03 - 2023-10-03 - G06N3/045
- 本公开涉及竞争预测神经网络的训练方法、装置及电子设备。该方法包括：选择至少一个输入神经元作为被预测神经元，计算输入信号向量与各个输出神经元参数向量之间的相似度，以及输入信号向量在被预测神经元处与输出神经元参数向量之间的预测误差，并确定获胜神经元；确定每个输入神经元与被预测神经元之间的相关度；基于输入神经元与被预测神经元之间的相关度和/或每个输入神经元对应的平均误差，确定待裁剪神经元，将待裁剪神经元与输出神经元之间的连接参数进行删除；利用输入信号向量对竞争预测神经网络进行迭代训练。本公开能够有效地筛选和处理输入信号且具有预测功能，使得竞争预测神经网络具有更高的智能水平、安全性和准确性。
- 佛乐生成方法、装置、设备及存储介质-202110284960.5
- 刘奡智;郭锦岳;韩宝强;肖京 - 平安科技（深圳）有限公司
- 2021-03-17 - 2023-09-29 - G06N3/045
- 本发明涉及人工智能技术领域，公开了一种佛乐生成方法、装置、设备及存储介质。该方法通过将佛教音乐的数字文件进行离散化和独热编码后，输入至3‑gram mLSTM模型进行向量的计算，然后将计算到的向量采用梯度下降反向传播操作，生成所述数字文件对应的佛乐；而采用离散特征进行one‑hot编码后，编码后的特征，其实每一维度的特征都可以看做是连续的特征，保证了数字文件处理后的连续性，避免存在过拟合的处理，提高了合成的准确率，同时还有效提高了音乐合成的效率，增强合成音乐的趣味性，适用性更强。
- 确定模型的方法、设备以及计算机可读存储介质-202110544297.8
- 洪坤磊;钱令军;肖谦 - 深圳市智影医疗科技有限公司
- 2021-05-19 - 2023-09-29 - G06N3/045
- 本申请提供了一种确定模型的方法、设备以及计算机可读存储介质。该方法包括：利用验证集对依次训练得到的Q个模型中的M
- 一种置信度比较方法及装置-201811641109.8
- 胡锋杰 - 杭州海康威视数字技术股份有限公司
- 2018-12-29 - 2023-09-29 - G06N3/045
- 本申请提供一种置信度比较方法及装置，所述方法应用于深度学习网络，可以通过获取深度学习网络中的特征提取子网络输出的用于置信度比较的变量参数，所述变量参数包括目标特征一和目标特征二；通过计算所述目标特征一与所述目标特征二之差比较置信度大小。本申请通过将两个变量参数的softmax计算等价于两个变量参数的减法操作，在保证算法结果完全不变的前提下，去除了softmax层，从而精简了深度学习网络的结构，解决了实际工程中softmax层计算耗时和精度损失的问题，提升了整个网络的性能。
- 基于深度的图像比较装置、方法及计算机可读介质-201880064700.3
- 宋基永;康鎣辛 - SUALAB有限公司
- 2018-07-30 - 2023-09-29 - G06N3/045
- 本发明的一实施例揭示在计算装置的一个以上的处理器中执行的图像比较方法。上述图像比较方法包括：上述处理器利用预先学习的网络函数来运算具有相互关联性的第一图像数据及第二图像数据的步骤；上述处理器以上述第一图像数据及上述第二图像数据为基础来确定上述第二图像数据的异常有关信息的步骤；以及上述处理器利用上述网络函数来输出所确定的异常有关信息的步骤。
- 模型压缩方法、数据处理方法、装置、存储介质及芯片-202310927731.X
- 唐剑;刘宁;张法朝 - 美智纵横科技有限责任公司
- 2023-07-27 - 2023-09-29 - G06N3/045
- 本申请提出了一种模型压缩方法、数据处理方法、装置、存储介质及芯片，涉及计算机技术领域。模型压缩方法包括：获取第一模型；根据第一模型的历史输出信息和第一标注信息，对第一模型进行剪枝处理，得到第二模型，第一标注信息为第一模型的真实标注信息；根据第二模型的历史输出信息和第二标注信息，对第二模型进行自蒸馏处理，得到第三模型，第二标注信息为第二模型的真实标注信息。根据本申请提供的技术方案能够在保证网络模型具备较好性能的前提下，缩减网络模型的模型参数量，实现对网络模型的压缩。
- 肉牛个体生长曲线获取方法、装置和存储介质-202010440542.6
- 赵拴平;贾玉堂;徐磊;金海 - 安徽省农业科学院畜牧兽医研究所
- 2020-05-22 - 2023-09-26 - G06N3/045
- 本发明公开了一种肉牛个体生长曲线获取方法、装置和存储介质。肉牛个体生长曲线获取方法包括从肉牛获取在小于等于t个月的多个生长时间下的各第三体征特征，设定u‑t个零值数据，将第1个月至第u个月生长时间下的各第三体征特征输入到第t个月对应的人工智能模型，获取人工智能模型的输出值，根据所述人工智能模型的输出值确定第三曲线参数，获取由所述第三曲线参数确定的个体生长曲线等步骤。本发明实施例使用经过训练的人工智能模型，可以利用肉牛群体的生长信息，从而预测单个肉牛的生长趋势。本发明广泛应用于肉牛生产技术领域。
- 一种基于GPT架构的公文自动生成方法及装置-202310009751.9
- 马延美;刘学谦;王来奇 - 北京方寸无忧科技发展有限公司
- 2023-01-04 - 2023-09-22 - G06N3/045
- 本申请公开了一种基于GPT架构的公文自动生成方法及装置。所述基于GPT架构的公文自动生成方法包括：获取经过训练的GPT‑OD语言模型；获取使用者所输入的文字信息；将所述文字信息输入至经过训练的GPT‑OD语言模型，从而获取GPT‑OD语言模型所输出的公文信息。本申请所提供的基于GPT架构的公文自动生成方法针对公文语料的数据预处理：使用了简单高效的数据预处理策略对大规模的公文语料进行了过滤，进而提升了模型的公文生成能力。
- 网络架构搜索方法、图像分类方法、装置和电子设备-202310707540.2
- 陈亚冉;李楠楠;赵冬斌 - 中国科学院自动化研究所
- 2023-06-14 - 2023-09-22 - G06N3/045
- 本发明涉及人工智能领域，提供一种网络架构搜索方法、图像分类方法、装置和电子设备，其中搜索方法包括：获取初始网络结构，并基于所述初始网络结构的各结构参数，确定搜索空间；基于所述搜索空间搭建超网络，并基于第一样本图像对所述超网络进行预训练，得到预训练超网络的预训练权重；基于当前演化代数下候选突变操作的自适应概率分布，采用演化算法对当前演化代数下的网络结构进行搜索优化，得到下一演化代数下的网络结构，直至停止演化，得到目标网络结构。本发明提供的网络架构搜索方法、图像分类方法、装置和电子设备，提高了搜索效率，可以稳定且高效地实现对高性能的小规模ViT网络的优化。
- 一种用于图像数据识别模型构建的方法及系统-202310821748.7
- 岳腾飞;章曙涵;王夷;张剑;吴翔 - 上海芯翌智能科技有限公司
- 2023-07-05 - 2023-09-22 - G06N3/045
- 本申请提供了一种用于图像数据识别模型构建的方法及系统。其方法包括：获取包括真值标注的图像数据集；基于图像数据集和教师网络模型，采用FSP方法对学生网络各层权重进行初始化，以得到至少两个网络结构相同的学生网络模型；基于包括真值标注的图像数据集，采用DML蒸馏方法训练每个学生网络模型，当训练后的学生网络模型都满足预设条件，将训练后的学生网络模型作为图像数据识别模型。通过该方法，从教师网络模型迁移学习，得到至少两个结构相同且完成各层权重初始化的学生网络模型，可避免数据少无法很好初始化神经网络等问题，且可降低训练难度，采用DML蒸馏方法，得到识别能力有保障的图像数据识别模型，训练周期短、速度快、易部署，适用性广。
- 信息处理设备、信息处理方法及计算机可读存储介质-201880019190.8
- 永井有希;小林达也 - 凯迪迪爱通信技术有限公司
- 2018-03-06 - 2023-09-22 - G06N3/045
- 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。
- 一种基于PF-MADDPG的多智能体任务决策方法-202310445392.1
- 张绍杰;赵卯卯 - 南京航空航天大学;南京航空航天大学秦淮创新研究院
- 2023-04-23 - 2023-09-19 - G06N3/045
- 本发明公开了一种基于PF‑MADDPG的多智能体任务决策方法，将改进的MADDPG算法引入到多智能体任务规划中，首先根据多智能体攻防对抗环境，建立深度强化学习所需的二维环境模型，其次设计状态空间、动作空间及基于势函数的奖励函数，最后训练学习，进行多智能体任务决策。本发明针对多智能体对抗中同构多智能体强化学习算法训练收敛速度慢，训练效果差等问题，设计了一种基于势函数奖励的MADDPG算法来解决多智能体攻防问题，能较好地实现博弈对抗训练，且势函数奖励能加快博弈对抗训练的收敛速度。
- 基于人工智能的价值链服务系统-202310608995.9
- 孙冉 - 江苏中云科技有限公司
- 2023-05-26 - 2023-09-19 - G06N3/045
- 本发明公开了一种基于人工智能的价值链服务系统，系统平台架构由平台层、模型层和应用层组成，其中平台层用于权限管理、分布式存储以及计算资源管理、分布式计算以及训练和调度任务，模型层用于提供机器学习模型和深度学习模型，应用层用于资源管理与监控、模型定义以及训练、提供交互式编程环境、只能数据标标注以及模型的导出与发布；基于人工智能的价值链服务系统是基于仿生自主神经系统原理而设计开发的一套对云平台内部各种资源的监控管理做到及时信息上报，及时获取资源信息，及时发现资源故障，快速定位排查及实现故障资源的自修复。
- 应用多馈送的图像编码方法和装置-201910808499.1
- 金桂贤;金镕重;金寅洙;金鹤京;南云铉;夫硕焄;成明哲;吕东勋;柳宇宙;张泰雄;郑景中;诸泓模;赵浩辰 - 斯特拉德视觉公司
- 2019-08-29 - 2023-09-19 - G06N3/045
- 本发明涉及应用多馈送的图像编码方法和装置。具体涉及一种使用多馈送层能够对至少一个训练图像进行编码的CNN的学习方法，包括：(a)学习装置获取训练图像；以及(b)学习装置使每一个卷积层对训练图像或者从之前的卷积层中获取的主特征映射应用卷积运算来分别生成第一至第n主特征映射，使h个卷积层之一的第k卷积层执行以下步骤：(i)从由第k‑1卷积层中获取的第k‑1主特征映射以及与第k卷积层对应的第m馈送层中，获取按照第k‑1主特征映射的大小来调整训练图像的大小后的第m子特征映射，(ii)整合第m子特征映射以及第k‑1主特征映射来生成第k‑1整合特征映射，(iii)对第k‑1整合特征映射应用卷积运算来生成第k主特征映射。
- 专利分类
