“人工神经网络学习”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果2051514个，建议您升级VIP下载更多相关专利

[发明专利]使用具有集成式随机存取存储器的深度学习加速器的实时医疗图像处理-CN202180050108.X在审
发明人： P·卡利 -专利权人：美光科技公司
申请日： 2021-08-04 - 公布日： 2023-05-09 - 主分类号： G06T7/00 文献下载
摘要：描述了与深度学习加速器和存储器相关的系统、装置和方法。举例来说，集成电路装置可被配置成执行具有矩阵操作数的指令且被配置成具有随机存取存储器。所述随机存取存储器被配置成存储被配置成对个人的部分进行成像的成像设备中产生的图像、人工神经网络的参数和可由所述深度学习加速器执行以执行矩阵计算以产生所述人工神经网络的输出的指令。所述输出可包含由所述人工神经网络识别的特征和由所述人工神经网络确定以辅助或引导所述个人的所述部分的所述成像的诊断。
使用具有集成随机存取存储器深度学习加速器实时医疗图像处理

[发明专利]获取神经网络模型的方法、图像处理方法及装置-CN202010357935.0在审
发明人：田沈晶;黄泽毅;徐凯翔;唐少华 -专利权人：华为技术有限公司
申请日： 2020-04-29 - 公布日： 2021-10-29 - 主分类号： G06N3/04 文献下载
摘要：本申请公开了人工智能领域中的一种获取神经网络模型的方法、图像处理方法及装置。其中，获取神经网络模型的方法包括：获取预训练的超网络模型，预训练的超网络模型是基于源数据集训练得到的；获取目标数据集，目标数据集对应的任务与源数据集对应的任务相同；基于目标数据集对预训练的超网络模型进行迁移学习，得到迁移学习后的超网络模型；在迁移学习后的超网络模型中搜索子网络模型，得到目标神经网络模型。本申请的方法能够在获得所需的神经网络模型的过程中降低训练成本，提高神经网络模型的性能。
获取神经网络模型方法图像处理装置

[发明专利]一种基于人工神经网络的电力系统谐波信号估计测量方法-CN201510236055.7在审
发明人：魏善碧;柴毅;陈淳;邓萍;罗宇;周展 -专利权人：重庆大学
申请日： 2015-05-11 - 公布日： 2015-08-12 - 主分类号： G01R23/16 文献下载
摘要：本发明公开了一种基于人工神经网络的电力信号的谐波参数估计方法，属于电力系统领域。该方法包括以下步骤：一：获取目标信号；二：确定滤波目标信号特征；三：初始化神经网络，并根据获取的目标信号建立离散信号模型；四：对神经网络的相应函数和参数进行选取，根据人工神经网络方法的递推规则，得到人工神经网络的离散算法公式；五：将离散目标信号输入到神经网络的输入层，对离散目标信号进行滤波和参数估计，得到相应的电力信号参数。由于人工神经网络具有很强的自适应和学习能力，鲁棒性和容错能力，从而可以代替复杂耗时的传统算法，使得处理过程更接近于人类思维活动。利用神经网络的高度并行运算能力，则保证了此方法在线应用实时性。
一种基于人工神经网络电力系统谐波信号估计测量方法

[发明专利]一种基于脉冲神经网络的高效学习系统及学习方法-CN202010332616.4有效
发明人：朱晓雷;赵百新;唐华锦;马德;潘纲 -专利权人：浙江大学;之江实验室
申请日： 2020-04-24 - 公布日： 2023-05-26 - 主分类号： G06N3/049 文献下载
摘要：本发明公开了一种基于脉冲神经网络的高效学习系统及其学习方法，属于人工神经网络技术领域，该学习系统由数据预处理模块、网络构建模块、学习模块和推理模块组成；数据预处理模块支持静态图像数据和动态神经形态数据两种类型；网络构建模块支持多种类型的脉冲神经网络；学习模块由前馈网络计算、误差反向传播和权重更新组成；在每个时刻，随机数发生器产生随机值，由开关控制是否进行误差反向传播和权重更新步骤；推理模块加载模型文件进行前馈网络计算本发明中的学习系统兼容自动微分工具，易于实现；支持多种脉冲神经网络类型，容易灵活配置。本发明中的学习模块加入开关结构，忽略了大量的计算步骤，节省了计算资源，提高了学习效率。
一种基于脉冲神经网络高效学习系统学习方法

[发明专利]使用多个深度学习加速器实施人工神经网络的计算-CN202180082761.4在审
发明人： J·卡明斯;M·维泰兹;E·库卢尔切洛;A·X·明·张;A·扎伊迪 -专利权人：美光科技公司
申请日： 2021-10-18 - 公布日： 2023-08-11 - 主分类号： G06N3/063 文献下载
摘要：描述了与深度学习加速器和存储器相关的系统、装置和方法。举例来说，集成电路装置可配置成执行具有矩阵操作数的指令且配置成具有随机存取存储器(RAM)。编译器可识别人工神经网络的多个部分以分别在多个此类集成电路装置上实施。所述编译器将所述人工神经网络的描述转换成可在多个装置上执行的多个编译器输出，以生成响应到所述人工神经网络的输入的人工神经网络的输出。在生成所述人工神经网络的输出时，在所述装置之间传送中间结果。
使用深度学习加速器实施人工神经网络计算

[发明专利]神经网络的搜索方法、装置及设备-CN201911209275.5在审
发明人：徐航;陈泽伟;李震国 -专利权人：华为技术有限公司
申请日： 2019-11-30 - 公布日： 2021-06-01 - 主分类号： G06N3/04 文献下载
摘要：本发明实施例公开了一种神经网络的搜索方法、装置及设备，涉及人工智能技术领域，具体涉及自动机器学习技术领域，该方法包括：计算设备获取数据集和N个神经网络，N为正整数；对所述N个神经网络进行K次演化，得到第K次演化得到的神经网络，K为正整数；其中，在每一次演化过程中对上一次演化测到的神经网络的网络结构进行变异，基于偏序假设对变异后得到的网络进行筛选，以得到候选神经网络，进而，从候选神经网络和上一次演化得到的神经网络中筛选出本次演化得到的神经网络，上述方法在每一次演化过程中应用偏序假设对网络的搜索空间进行剪枝，提高自动机器学习的效率。
神经网络搜索方法装置设备

[发明专利]获取房颤识别人工神经网络权重值矩阵的方法-CN201610361590.X有效
发明人：勾壮;刘毅 -专利权人：成都信汇聚源科技有限公司
申请日： 2016-05-27 - 公布日： 2019-01-29 - 主分类号： G16H50/50 文献下载
摘要：本发明公开了获取房颤识别人工神经网络权重值矩阵的方法，本发明利用先调用MIT‑BIH心律失常数据库、MIT‑BIH正常窦性心律数据库、长时房颤数据库作为训练样本，引入人工神经网络进行学习训练，先随机设置人工神经网络各层的权重值，输入训练数据样本反复迭代修正各层权重值直到训练误差小于某指定值，通过这种方式可以找到可以判断房颤发生的权重值矩阵，然后利用权重值矩阵，将权重值矩阵加入原人工神经网络构建新的人工神经网络，再以采集到的目标人体心电信号作为数据，对人体心电信号处理，获得目标人体特征向量X，根据目标人体特征向量X和新的人工神经网络，进行预测运算。
获取房颤识别人工神经网络权重矩阵方法

[发明专利]一种可持续学习的人工神经网络避免遗忘方法-CN202210920743.5在审
发明人：姚红革;邬子逸 -专利权人：西安工业大学
申请日： 2022-08-02 - 公布日： 2022-11-25 - 主分类号： G06N3/08 文献下载
摘要：本发明涉及人工智能机器学习领域中的人工神经网络学习训练技术，具体涉及一种可持续学习的人工神经网络避免遗忘方法。该方法包括三个步骤：1、网络空间的可持续区域隔离学习：将整体网络进行等量区域隔离，然后在新隔离出的空间中学习新知识，以避免与旧知识混淆；2、网络空间的区域集成：配合“自学习掩码”和“边缘损失约束”，使用“双分支信息门融合”对上“1”隔离学习中的新旧知识进行融合；3、网络的多阶段增量训练，包括以初始化为主的基础训练，以及以同步区域分离与集成为主的增量训练，通过训练，形成系统稳定的学习和记忆能力。本发明方法实现了神经网络在学习新知识同时不忘旧知识，避免了网络在连续学习过程中的遗忘。
一种可持续学习人工神经网络避免遗忘方法

[发明专利]基于深度学习的可解释性SAR图像目标检测方法及系统-CN202111064473.4在审
发明人：陈立福;罗汝;潘舟浩;袁志辉;邢学敏;邢进;蔡兴敏 -专利权人：长沙理工大学
申请日： 2021-09-10 - 公布日： 2022-01-07 - 主分类号： G06V20/13 文献下载
摘要：本发明公开了一种基于深度学习的可解释性SAR图像目标检测方法及系统，本发明包括为深度学习神经网络选取骨干网络：采用SAR图像数据集对不同的骨干网络进行训练并保存最优权重模型；利用混合全局归因映射HGAM对各个保存最优权重模型后的骨干网络进行事后可解释性分析，并选择最优的骨干网络作为深度学习神经网络的骨干网络；该深度学习神经网络包括最优骨干网络的选取、融合模块PANet以及检测头的可视化。本发明采用了混合全局归因映射HGAM这一可解释的人工智能对各个保存最优权重模型后的骨干网络进行分析，可实现对骨干网络的性能评估，从而获得最优的骨干网络，以提升对深度学习神经网络内部功能的洞察力，提升深度学习神经网络的检测准确度
基于深度学习解释性 sar 图像目标检测方法系统

[发明专利]基于结构化数据的深度学习架构搜索方法-CN202110730220.X有效
发明人：王宏志;薛仲豪;王春楠 -专利权人：哈尔滨工业大学
申请日： 2021-06-29 - 公布日： 2023-08-08 - 主分类号： G06N3/0442 文献下载
摘要：基于结构化数据的深度学习架构搜索方法，属于人工智能技术领域，本发明为解决现有结构化数据的架构搜索方法的搜索空间不足、前置信息易丢失的问题。它包括：采用递归神经网络生成编码，根据编码确定唯一的深度神经网络模型；在结构化数据集上训练深度神经网络模型；根据训练结果，更新递归神经网络；采用深度神经网络模型对搜索空间进行搜索，采用蒙特卡洛策略梯度更新搜索策略本发明用于深度学习的架构搜索。
基于结构数据深度学习架构搜索方法

[发明专利]电子装置-CN202011159618.4在审
发明人：金壮燮 -专利权人：爱思开海力士有限公司
申请日： 2020-10-27 - 公布日： 2021-10-12 - 主分类号： G11C29/42 文献下载
摘要：本公开提供一种使用人工神经网络的电子装置。该电子装置可以包括：训练数据生成器，被配置为确定与在对应于码字的错误校正解码期间检测到的陷阱集相对应的输入向量以及与该输入向量相对应的目标向量；以及训练组件，被配置为通过将输入向量输入到人工神经网络的输入层，并且通过将目标向量输入到人工神经网络的输出层，基于监督学习来训练人工神经网络。
电子装置

[发明专利]一种用于人工智能学习算法的用户选择方法-CN202310940026.3在审
发明人：周致彤;曾俊华;崔太平;余征涛;田俊彦;曹宗昊;聂佳 -专利权人：重庆邮电大学
申请日： 2023-07-28 - 公布日： 2023-10-17 - 主分类号： G06N3/098 文献下载
摘要：本发明涉及一种用于人工智能学习算法的用户选择方法，属于人工智能领域。将神经网络算法通过强化学习进行动态优化，用于优化联邦学习中的用户选择。初始化一个卷积神经网络模型作为策略函数逼近器，接受输入端的联邦学习环境状态，输出选择用户的概率分布，构建一个神经网络模型；初始化一个Q‑learning强化学习算法，根据神经网络模型输出的概率分布选择一个用户子集作为本轮联邦学习的用户该方法提高了联邦学习系统的性能和效率，智能地选择用户。
一种用于人工智能学习算法用户选择方法

[发明专利]盘磨机控制方法-CN201510956535.0在审
发明人：徐沛;徐任飞;黄海峰 -专利权人：镇江市高等专科学校
申请日： 2015-12-17 - 公布日： 2016-05-11 - 主分类号： D21D1/30 文献下载
摘要：本发明公开了一种盘磨机控制方法，包括以下步骤：建立神经网络，根据已有的历史监测数据，使用BP神经网络，附加动量学习规则，训练神经网络；由粒子群算法，求解神经网络的最优输入参量；以神经网络估计与实测的误差数据一起，使用附加动量学习规则，更新训练神经网络。本发明解决了纸浆厂的打浆度主要靠人工化验来确定，大大滞后于打浆过程，无法对盘磨机进行精准有效控制的问题，实现了对打浆度的软测量，给盘磨机的实时控制提供了在线检测信号。
盘磨机控制方法

[发明专利]受大脑抑制反馈机制启发的人工神经网络构建方法及系统-CN201910135807.9在审
发明人：白俊;曾毅;赵宇轩 -专利权人：中国科学院自动化研究所
申请日： 2019-02-25 - 公布日： 2019-06-11 - 主分类号： G06N3/04 文献下载
摘要：本发明提供一种受大脑抑制反馈机制启发的人工神经网络构建方法及系统，所述构建方法包括：将多个参考样本的人工神经网络中的神经元区分为兴奋性神经元和抑制性神经元；通过抑制性反馈对抑制性神经元进行抑制，得到抑制性反馈神经网络；将抑制性反馈神经网络重组为闭环神经网络，用于针对当前样本的反馈学习确定决策规则本发明通过引入神经科学中的兴奋性和抑制性神经元的概念，可优化整体神经网络的性能；进一步通过引入抑制反馈后的闭环系统可提高鲁棒性能
抑制性神经元人工神经网络构建反馈神经网络反馈机制神经网络反馈大脑兴奋性兴奋性神经元闭环闭环系统参考样本决策规则鲁棒性能神经科学引入样本优化学习

[发明专利]一种基于弱监督的细胞异常区域定位方法-CN202310016164.2在审
发明人：狄峰;杨聂;马威;吴云松 -专利权人：玖壹叁陆零医学科技南京有限公司
申请日： 2023-01-06 - 公布日： 2023-06-27 - 主分类号： G06T7/00 文献下载
摘要：本发明涉及一种基于弱监督的细胞异常区域定位方法，包括采集细胞图像，形成训练集，并基于ResNet50神经网络模型对训练集数据进行预处理，基于预处理后的训练集对ResNet50神经网络模型进行训练，直至满足结束条件，得到训练后的ResNet50神经网络模型；将待定位的细胞图像输入训练后的ResNet50神经网络模型，输出异常细胞区域定位结果。相比于传统的人工异常细胞的筛查，本发明的异常细胞定位方法基于弱监督学习对训练集数据进行标注，避免全监督学习中对大量人工标注的需求，极大的降低训练集数据标注的门槛和时间，有效提高标注的效率，更好的实现神经网络模型的学习，改善训练效果，之后通过训练好的神经网络模型对异常细胞进行初筛，并将异常细胞区域在细胞学切片图像中标注出来，方便后续的复核。
一种基于监督细胞异常区域定位方法