“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]一种深度学习神经网络的分解与合成方法和系统-CN201810016932.3有效
发明人：朱定局 -专利权人：大国创新智能科技（东莞）有限公司
申请日： 2018-01-05 - 公布日： 2020-08-11 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种深度学习神经网络的分解与合成方法和系统，具体为：首先获取输入数据变量与输出数据变量集合；然后将输入数据变量集合分解为N个子集；接着初始化第一深度学习神经网络；然后初始化第二深度学习神经网络；然后初始化第三深度学习神经网络；接着对每个子集对应的第一深度学习神经网络进行无监督训练；然后对第二深度学习神经网络进行无监督训练；最后对第二或第三深度学习神经网络进行有监督训练。本发明将输入数据变量集合分解为多个子集，并为每个子集初始化一个深度学习神经网络，再以所有深度学习神经网络的输出层为输入层初始化一个深度学习神经网络，降低了深度学习的数据维度和计算复杂度，改进了深度学习神经网络的效果
一种深度学习神经网络分解合成方法系统

[发明专利]基于神经网络的分解模糊系统优化方法及装置-CN201911316950.4在审
发明人：韩强;庹先国;张贵宇;刘鑫;周永帅 -专利权人：四川轻化工大学
申请日： 2019-12-19 - 公布日： 2020-04-28 - 主分类号： G06N3/04 文献下载
摘要：本发明涉及计算机智能神经网络优化技术领域，具体为基于神经网络的分解模糊系统优化方法及装置包括：建立分解模糊神经网络、增加网络节点、建立人工神经元模型,人工神经元包括连接权值、基函数和激活函数，各神经元之间的连接强度有连接权值决定，连接权值为激发和抑制两种类型，连接权值取正表示激活，连接权值取负则表示抑制，所述基函数为一个单输入多输出函数，分为线性函数、距离函数和椭圆基函数，所述激活函数用于调整神经元的输出，网络模型结构更加简洁，大大缩短学习时间，提高模型训练学习效率，保证网络模型学习效果，降低软硬件开销，对计算智能机器学习技术领域具有重要的指导意义。
基于神经网络分解模糊系统优化方法装置

[发明专利]一种基于图神经网络的结构动力学模型生成方法-CN202111674213.9有效
发明人：王迎;张俊 -专利权人：哈尔滨工业大学（深圳）
申请日： 2021-12-31 - 公布日： 2022-10-28 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种基于图神经网络的结构动力学模型的生成方法，所述方法包括：确定目标结构，获取所述目标结构的结构响应数据和拓扑信息；根据所述结构响应数据和所述拓扑信息对预设的人工神经网络进行训练；将训练后的所述人工神经网络作为所述目标结构对应的结构动力学模型本发明通过将目标结构的拓扑信息引入深度学习网络的框架之中，可以在不失去深度学习网络对于目标结构的物理特征的提取能力的同时，一定程度上提高模型的泛化能力，实现人工神经网络模型在不同拓扑结构中的转换。解决了现有技术中用于模拟结构动力学的深度学习网络泛化能力差的问题。
一种基于神经网络结构动力学模型生成方法

[发明专利]一种基于深层神经网络的电网故障诊断方法及装置-CN202310041168.6在审
发明人：吴少雄;陆洋;陶晓峰;吕朋朋;刘淇;肖庆华;吴海龙;缪平;刘涅煊;韦宣;陆宇洋;赵孝春;丁健 -专利权人：国电南瑞科技股份有限公司;国电南瑞南京控制系统有限公司;南瑞集团有限公司
申请日： 2023-01-12 - 公布日： 2023-06-02 - 主分类号： G06N3/006 文献下载
摘要：本发明公开了一种基于深层神经网络的电网故障诊断方法及装置，所述方法包括获取电网故障告警信息和网络拓扑结构；根据电网故障告警信息和网络拓扑结构构建神经网络样本，神经网络样本包括神经网络学习样本和神经网络测试样本；对神经网络样本进行预处理，获得故障特征向量；将神经网络学习样本的故障特征向量输入至预先构建并基于混沌粒子群算法优化后的深层神经网络模型中进行学习，获得优化并学习后的深层神经网络模型；将神经网络测试样本的故障特征向量输入至优化学习后的深层神经网络模型中进行概率诊断测试，获取故障概率结果，本发明对样本建立深层神经网络模型并利用混沌粒子群算法对深层神经网络进行学习训练，具有较高的诊断正确率。
一种基于深层神经网络电网故障诊断方法装置

[发明专利]训练神经网络模型的方法和装置-CN202010755919.7在审
发明人：魏可鑫 -专利权人：华为技术有限公司
申请日： 2020-07-31 - 公布日： 2022-02-18 - 主分类号： G06N3/04 文献下载
摘要：本申请涉及终端人工智能，提供了一种训练神经网络模型的方法和装置，联合迁移学习的方法和深度学习的方法，在样本数量、算力、训练时间一定的条件下可以训练得到精度更高的神经网络模型。该方法包括：获取第一训练样本；根据第一训练样本获取第一训练样本的第一特征向量；根据第一特征向量获取第一深度神经网络模型；根据第一训练样本获取预训练模型；将第一深度神经网络模型和预训练模型组合，以得到组合神经网络模型；根据第一训练样本训练组合神经网络模型，以得到目标神经网络模型。
训练神经网络模型方法装置

[发明专利]基于深度学习筛选训练集的方法-CN201811333884.7有效
发明人：林伟阳;王哲伟;任昕旸;孙维超;佟明斯;李湛;高会军 -专利权人：哈尔滨工业大学
申请日： 2018-11-09 - 公布日： 2022-05-10 - 主分类号： G06V10/774 文献下载
摘要：基于深度学习筛选训练集的方法，本发明涉及训练集筛选的方法。本发明的目的是为了解决现有训练集的大小直接影响深度学习的性能，训练集太小深度学习模型对于实际运行时采集到的新的图像不起作用，训练集太大，人工打标签耗费大量时间，影响训练效率的问题。过程为：一、采集初始数据集，将初始数据集分为训练集和测试集；二、搭建神经网络架构；三、将训练集输入神经网络进行训练，直至神经网络收敛，得到初始神经网络模型；四、将测试集输入目前得到的神经网络模型进行测试，得到满足要求的训练集和最终的神经网络模型；否则，对待识别区域重新采集图像，直至得到满足要求的训练集和最终的神经网络模型。
基于深度学习筛选训练方法

[发明专利]一种基于半监督学习的运动目标检测方法、介质及设备-CN202310854982.X在审
发明人：陈初杰;李彤;李俊薇;阮成明;陈碧乾;许斌;吴昊天 -专利权人：中国电子科技集团公司第五十二研究所
申请日： 2023-07-12 - 公布日： 2023-10-13 - 主分类号： G06T7/246 文献下载
摘要：本发明涉及计算机视觉技术领域，具体涉及一种基于半监督学习的运动目标检测方法、介质及设备，包括步骤：A，获取数据集，包括自动生成集、半人工标注集、全人工标注集以及测试集；B，建立神经网络参数模型，神经网络参数模型包括依次连接的图像输入器、特征提取器以及结构输出器；C，基于获取的数据集中的自动生成集、半人工标注集以及全人工标注集对神经网络参数模型进行训练，并计算损失函数，直至损失函数收敛至预设值，以得到训练好的神经网络参数模型；D，利用训练好的神经网络参数模型对测试集进行运动目标检测，在相机运动的情况下能够有效检测到运动目标，自动学习出运动目标特征，不容易受环境影响，具有更好的算法鲁棒性。
一种基于监督学习运动目标检测方法介质设备

[发明专利]模型生成方法和装置-CN201911095068.1有效
发明人：希滕;张刚;温圣召 -专利权人：北京百度网讯科技有限公司
申请日： 2019-11-11 - 公布日： 2023-08-04 - 主分类号： G06N3/08 文献下载
摘要：本公开涉及人工智能领域。本公开的实施例公开了模型生成方法和装置。该方法包括：通过依次执行多次迭代操作生成用于执行深度学习任务的神经网络模型；其中，迭代操作包括：基于当前的奖励反馈值更新神经网络模型的结构，其中，奖励反馈值的初始值是预设的数值；根据神经网络模型的当前量化策略，对更新后的神经网络模型进行训练；获取训练后的神经网络模型的性能，并根据训练后的神经网络模型的性能更新奖励反馈值；响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值，确定当前迭代操作中训练后的神经网络模型为用于执行深度学习任务的神经网络模型该方法提升了神经网络模型的运算效率。
模型生成方法装置

[发明专利]基于神经网络的围岩变形预测系统及预测方法-CN202011303458.6在审
发明人：李二兵;濮仕坤;段建立;高磊;蔡舒凌;潘越 -专利权人：中国人民解放军陆军工程大学
申请日： 2020-11-19 - 公布日： 2021-04-02 - 主分类号： G06F30/27 文献下载
摘要：一种基于神经网络的围岩变形预测系统及预测方法，利用监测设备获取设定时间范围内的围岩变形的监测数据作为算法的学习样本，建立基于萤火虫搜索算法优化的非线性自回归动态组合神经网络人工智能算法模型，即运用萤火虫算法对神经网络的训练结果全局搜索来确定神经网络初始参数中延时阶数和隐含层单元个数的最优解；随后更新的神经网络对作为样本数据的学习样本重新展开学习训练，构建围岩变形预测模型；根据围岩变形预测模型的精度设定预测范围，自动输出围岩变形预测值。提高了网络学习效率和预测精度，同时扩大了预测外推的时间范围，使得围岩变形预测真正有效服务科研工作和工程实践。
基于神经网络围岩变形预测系统方法

[发明专利]基于YOLO神经网络的行人检测方法-CN201810672497.X在审
发明人：李波;王翔宇;张晓龙;黄德双 -专利权人：武汉科技大学
申请日： 2018-06-26 - 公布日： 2019-01-18 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于YOLO神经网络的行人检测方法。发明的方法使用人工划分的行人检测场景图片对YOLO神经网络进行学习，从而使YOLO神经网络能对行人进行识别。本方法实现了一种基于YOLO神经网络的行人检测方法，与现有的方法相比，得到更好的检测效果和性能。
神经网络行人检测场景图片方法使用检测学习

[发明专利]基于级联人工神经网络的逐子载波无线转发站分配方法-CN202010441498.0在审
发明人：党舒平;傅天豪;韦林昌;黎成中 -专利权人：广西华南通信股份有限公司
申请日： 2020-05-22 - 公布日： 2020-09-22 - 主分类号： H04W40/22 文献下载
摘要：本发明涉及通信网络技术，具体涉及基于级联人工神经网络的逐子载波无线转发站分配方法，具体步骤包括S1：根据逐子载波无线转发站分配标准设计级联人工神经网络的结构；S2：采用监督型机器学习的方法对人工神经网络进行训练；S3：采用训练好的级联人工神经网络逐子载波分配最优的无线转发站。本发明的级联人工神经网络框架可以降低传统逐子载波无线转发站分配方案的系统复杂度，可以降低传统逐子载波无线转发站分配方案的处理时延，本发明所提出的级联结构将一个复杂的，单一训练网络不易理解的决策问题，拆分为多个简单的最大最小化问题，提升了人工神经网络的训练效率。
基于级联人工神经网络载波无线转发分配方法

[发明专利]具有可经由编译器优化的可配置硬件选项的深度学习加速器-CN202180081302.4在审
发明人： A·T·扎伊迪;M·维泰兹;E·库卢尔切洛;J·卡明斯;A·X·明·张 -专利权人：美光科技公司
申请日： 2021-10-18 - 公布日： 2023-08-08 - 主分类号： G06N3/04 文献下载
摘要：本公开描述与深度学习加速器及存储器有关的系统、装置及方法。举例来说，集成电路装置能够经配置以使用矩阵操作数执行指令且配置有随机存取存储器。编译器能够通过优化及/或选择所述集成电路装置的硬件选项将对人工神经网络的描述转换成编译器输出。所述编译器输出能够包含所述人工神经网络的参数、能够由所述深度学习加速器的处理单元执行以响应于所述人工神经网络的输入而产生所述人工神经网络的输出的指令，以及将存储在所连接的寄存器中的用以控制所述处理单元的硬件配置的硬件选项
具有经由编译器优化配置硬件选项深度学习加速器

[发明专利]基于双向长短时记忆神经网络的文本情感分析方法-CN201811414183.6有效
发明人：徐光侠;潘霖;马创;张业;吴佳健;袁野;周代棋;郑爽 -专利权人：重庆邮电大学
申请日： 2018-11-26 - 公布日： 2023-04-07 - 主分类号： G06F16/35 文献下载
摘要：本发明属于人工智能与数据挖掘的交叉领域，具体涉及基于双向长短时记忆神经网络的文本情感分析方法；所述方法包括以下步骤将文本映射词向量映射框架中，将所述文本表示为词向量矩阵；构建改进的卷积神经网络，对映射的词向量矩阵进行特征提取；利用双向长短时记忆循环神经网络对提取的特征进行训练，直至其损失函数最小时；在该循环神经网络后增加全局均值池化层和分类层，从而输出该文本的情感分类。本发明将深度学习应用在文本情感分析中，摆脱了人工提取文本情感特征的局限性，同时在深度学习领域结合了卷积神经网络和循环神经网络的优点，并对网络进行改进，使其能更好的应用在文本处理的任务中。
基于双向短时记忆神经网络文本情感分析方法

[发明专利]一种基于增强极速学习的卷积神经网络训练方法-CN201710717240.7在审
发明人：郑丽颖;沈柳笛;张文武;初妍 -专利权人：哈尔滨工程大学
申请日： 2017-08-21 - 公布日： 2018-01-19 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种基于增强极速学习的卷积神经网络训练方法，属于人工神经网络领域。其特征在于构建传统的卷积神经网络，以三层感知机作为全连接层；利用传统的训练算法预训练卷积神经网络模型；当网络的损失函数小于预先设定好的阈值时，停止预训练；将所有样本输入预训练好的卷积神经网络模型，记录误分类的样本；保持预训练的模型结构和参数不变，根据误分类样本和极速学习算法微调全连接层的隐层与输出层之间的连接权值。本发明克服了传统CNN存在的问题，具有学习速度快、网络泛化能力强的特点。
一种基于增强学习卷积神经网络训练方法

[发明专利]并行互补式神经网络算法-CN202110810076.0在审
发明人：史永康 -专利权人：史永康
申请日： 2021-07-18 - 公布日： 2021-12-03 - 主分类号： G06N3/04 文献下载
摘要：人工智能技术在当代的各个领域发挥着越来越重要的作用，神经网络算法在其中是重要的分支，但是神经网络算法也有很多不足，比如在深度学习反向传播的时候会出现梯度消失和梯度爆炸的问题。本发明的并行互补式神经网络算法，采用两个神经网络进行互补式的学习和输出，一方面可以解决梯度消失和梯度爆炸的问题，另一方面互补式的神经网络可以同时输入不同领域或不同维度的输入向量，例如图片和音频，进行混合式的学习
并行互补神经网络算法