“无监督”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1238152个，建议您升级VIP下载更多相关专利

[发明专利]一种无监督深度学习网络的机械故障诊断方法-CN201810949099.8有效
发明人：贾民平;赵孝礼;胡建中;许飞云;黄鹏;佘道明;鄢小安 -专利权人：东南大学
申请日： 2018-08-20 - 公布日： 2020-03-31 - 主分类号： G01M13/00 文献下载
摘要：本发明公开了一种无监督深度学习网络的机械故障诊断方法，包括步骤如下：(1)在机械设备的轴承等部件附近安装相应的传感器对振动信号进行采集，得到机械的振动信号;(2)将采集的振动信号转化为混合域故障特征数据集，并分为测试与训练样本特征子集；(3)将训练样本特征子集输入到所构建的无监督深度学习网络(UDLN)模型中学习与训练，该UDLN模型由两层改进的稀疏滤波(L12SF)无监督特征提取层及一层加权欧式距离相似仿射(WE‑AP)聚类层组成；(4)将测试样本输入到训练好的诊断模型，实现全程无监督特征学习与故障聚类。本发明简单易行，该方法可对机械设备的各类故障进行自适应的无监督故障诊断。
一种监督深度学习网络机械故障诊断方法

[发明专利]弱监督图像增强模型训练方法及装置-CN202310649226.3在审
发明人：张澳;朱玟谦;刘会凯 -专利权人：岚图汽车科技有限公司
申请日： 2023-05-31 - 公布日： 2023-08-29 - 主分类号： G06T5/00 文献下载
摘要：本发明公开了弱监督图像增强模型训练方法及装置，涉及图像增强技术领域。本发明通过输入有标签图像对进行有监督训练，可以使弱监督图像增强模型自主提取有标签的受污染图像中的噪声，然后将有标签的受污染图像中的噪声加载到无标签的干净图像中进行弱监督训练，通过对弱监督图像增强模型进行训练可以显著提高弱监督图像增强模型的去噪性能
监督图像增强模型训练方法装置

[发明专利]文本分类方法和装置-CN202010468798.8在审
发明人：陈利琴;闫永泽;刘设伟 -专利权人：泰康保险集团股份有限公司;泰康在线财产保险股份有限公司
申请日： 2020-05-28 - 公布日： 2020-08-11 - 主分类号： G06F16/35 文献下载
摘要：该方法包括：基于携带类别标签的文本数据构建第一训练样本集，基于未携带类别标签的文本数据构建第二训练样本集；对第一训练样本集进行有监督学习，并确定有监督学习下损失函数的值；对第二训练样本集进行无监督学习，并确定无监督学习下损失函数的值；根据有监督学习下损失函数的值和无监督学习下损失函数的值，确定混合损失函数的值；根据混合损失函数的值对文本分类模型的参数进行更新，以得到训练好的文本分类模型；基于训练好的文本分类模型确定待检测文本的类别
文本分类方法装置

[发明专利]一种系统日志异常的自动识别方法和系统-CN202111271526.X在审
发明人：叶航;李凤娣 -专利权人：北京机械设备研究所
申请日： 2021-10-29 - 公布日： 2023-05-09 - 主分类号： G06F11/07 文献下载
摘要：一种系统日志异常的自动识别方法和系统，方法包括提取历史系统日志记录及对应的日志模板生成日志模板序列；基于模板序列构建有监督训练样本集和无监督训练样本集；基于有监督训练样本集训练构建的fasttext模型获得训练好的fasttext模型，获得有监督训练样本集中每个日志模板的向量表示，构成分类空间；基于无监督训练样本集训练word2vec模型，获得无监督训练样本集中每个日志模板的向量表示构成内容空间；将内容空间中每个日志模板的向量表示映射至分类空间
一种系统日志异常自动识别方法

[发明专利]基于无监督学习的HSI超分辨重建方法及相关设备-CN202110550137.4在审
发明人：汪洪桥;付光远;张少磊;伍明;岳敏;汪羚 -专利权人：中国人民解放军火箭军工程大学
申请日： 2021-05-20 - 公布日： 2021-08-17 - 主分类号： G06T3/40 文献下载
摘要：本发明涉及高光谱图像领域，公开基于无监督学习的HSI超分辨重建方法及相关设备，用于实现无监督的HSI超分辨重建，方法包括：获取图像训练集，对预设生成对抗模型中的生成器模块进行图像退化的无监督训练，得到低分辨仿真图像生成器，并根据所述仿真低分辨率图像与真实低分辨率图像的映射关系，对预设生成对抗模型中的判别器模块进行判别真假的无监督训练，得到所述图像判别器；构建成对的模型训练集，基于所述仿真低分辨率图像及与其对应高分辨率图像之间的映射关系，对预设深度学习模型采用端到端的有监督学习方式，得到面向HSI的超分辨重建模型；获取待重建的低分辨高光谱图像，基于所述面向HSI的超分辨重建模型得到预测的高分辨高光谱图像。
基于监督学习 hsi 分辨重建方法相关设备

[发明专利]一种基于半监督学习的汉语并列结构自动识别方法-CN202110026618.5在审
发明人：邵玉;杨丹;龙华;杜庆治;张海玲;杨陈菊 -专利权人：昆明理工大学
申请日： 2021-01-08 - 公布日： 2021-04-13 - 主分类号： G06F40/289 文献下载
摘要：本发明涉及一种基于半监督学习的汉语并列结构自动识别方法，语料识别技术领域。是否连接词、同义词编码三个语言学特征，考察不同语言学特征及其组合对并列结构的识别效果的影响；其次，利用大量未标注语料训练词向量，再将训练出的连续的词向量转化为离散高维的适合线性CRF的表达，此种表达即作为无监督特征融入到CRF模型中，考察不同无监督特征及其组合的识别效果。最后，将语言学特征与无监督特征作不同的组合实验，考察两种类型特征的共同作用是否会对识别效果产生更大的影响。本发明提取的无监督特征能有效应用于并列结构的识别中，提高了模型识别的F值。
一种基于监督学习汉语并列结构自动识别方法

[发明专利]机床主轴轴承故障诊断模型建立、故障诊断方法和系统-CN202110819403.9在审
发明人：轩建平;王子胜;章明慧 -专利权人：华中科技大学
申请日： 2021-07-20 - 公布日： 2021-10-29 - 主分类号： G06K9/00 文献下载
摘要：采集机床主轴轴承工作时的信号，构建少量有标签样本数据集，生成随机噪声样本；建立生成对抗网络，其中的判别器仅在输入有标签样本时结合Actor‑Critic算法；训练过程包括：将随机噪声样本输入生成器后输出生成样本，计算与无标签样本的分布距离作为生成器的损失，将生成样本和无标签样本输入判别器计算其无监督损失，将有标签样本输入判别器后，根据Actor‑Critic算法计算其有监督损失；根据生成器的损失和判别器的无监督损失与有监督损失之和更新生成对抗网络参数；本发明旨在使用半监督训练方式减少手工标记样本的成本。
机床主轴轴承故障诊断模型建立方法系统

[发明专利]基于联合训练的环保数据检测方法、装置、设备及介质-CN202111198857.5在审
发明人：黄志能 -专利权人：平安国际智慧城市科技股份有限公司
申请日： 2021-10-14 - 公布日： 2022-01-11 - 主分类号： G06V10/774 文献下载
摘要：本发明涉及人工智能领域，提供一种基于联合训练的环保数据检测方法、装置、设备及介质，能够支持各个上报方通过应用程序自主上报环保数据，有效提高了环保数据的采集效率，并扩大了环保数据监管范围，结合无标签的粗采集数据对初始模型的无监督训练，以便尽可能的利用初始模型实现对输入数据的重建，在通过无监督训练得到的模型的基础上，进一步结合高质量的有效数据源实现对模型的有监督训练，以便进一步微调模型参数，结合无监督及有监督训练的方式相较于传统的单一模型
基于联合训练环保数据检测方法装置设备介质

[发明专利]一种基于模块迁移的无监督目标跟踪方法和系统-CN202210992655.6在审
发明人：谭元咏;康彬;陈高伟;苏诺宇;颜俊 -专利权人：南京邮电大学
申请日： 2022-08-18 - 公布日： 2022-11-22 - 主分类号： G06T7/246 文献下载
摘要：本发明提供了一种基于模块迁移的无监督目标跟踪方法及系统。该方法包括在网络第一个卷积层与第二个卷积层之间添加在有监督网络中已经训练好的通道注意力层；在通道注意力层后添加元迁移学习网络层；以及进行回溯训练。本发明通过元迁移学习机制来在线更新被迁移通道注意力模块的参数，以此让无监督网络具专注被跟踪目标显著性区域。与传统异构无监督学习相比，本发明不仅涉及分类与回归这两种异构任务的迁移，而且涉及图像处理任务到视频处理任务间的跨越，实现一个图像域到多个视频帧域之间的域自适应。同时，本发明可在保证迁移性能的前提下降低迁移运算复杂度，有效提升无监督目标跟踪在复杂场景下的跟踪精度。
一种基于模块迁移监督目标跟踪方法系统

[发明专利]适于精准分类的联邦半监督学习方法、介质及设备-CN202310895637.0在审
发明人：王瑞锦;周世杰;张凤荔;李雄;王金波;张志扬;赖金山;陈栩霞;裴锡凯;周潼 -专利权人：电子科技大学
申请日： 2023-07-20 - 公布日： 2023-10-20 - 主分类号： G06F18/241 文献下载
摘要：本发明公开了一种适于精准分类的联邦半监督学习方法，包括获取边缘服务器下发的经过预训练的全局模型并更新本地模型；利用更新后的本地模型对自身的无标签数据预测处理获得多个伪标签，然后使用这些伪标签和无标签数据对更新后的本地模型进行宽容监督训练；然后利用自身的有标签数据对宽容监督训练后的本地模型进行严格纠正训练，获得训练后的节点模型；将训练后的节点模型参数上传至边缘服务器ES使其聚合形成全局模型，进行下一轮迭代更新。本发明在边缘计算场景下将半监督学习与联邦学习相结合，利用无标签数据使模型充分学习到无标签数据蕴含的知识，并采用有标签数据对模型进行监督训练以纠正模型参数，从整体上提高了模型分类的准确率。
适于精准分类联邦监督学习方法介质设备

[发明专利]一种基于生成对抗学习的多维度田间杂草识别方法-CN201811610865.4在审
发明人：徐亦飞;尉萍萍;宋佳音;朱利;孙妍 -专利权人：西安交通大学
申请日： 2018-12-27 - 公布日： 2019-05-21 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于生成对抗学习的多维度田间杂草识别方法，采用半监督学习策略训练总体网络，采用带标签数据和无标签数据输入对总体网络进行训练，利用带标签数据作为判别网络的输入，使用无标签数据对网络进行训练，用无监督数据产生的空间概率图作为半监督损失的计算，可以有效的反映出预测结果与真实数据分布的相似度，使用生成对抗学习寻找无标签数据的置信区域，通过自我学习得到最终的田间杂草识结果，使用置信图对网络进行自学习，采用半监督学习策略，可以突破带标签数据不足的限制；本发明使用分割网络替代传统的传统网络，可接受不同大小的输入特征，灵活性强。
标签数据田间杂草网络半监督学习多维度置信对抗传统网络输入特征数据产生预测结果真实数据自我学习半监督传统的概率图可接受无监督相似度自学习学习分割替代

[发明专利]数据的验证方法、装置、系统及计算机可读存储介质-CN202011480066.7在审
发明人：朱晨鸣 -专利权人：深圳前海微众银行股份有限公司
申请日： 2020-12-15 - 公布日： 2021-04-02 - 主分类号： G06F16/2458 文献下载
摘要：本申请涉及金融科技技术领域，公开了一种数据的验证方法、装置、系统及计算机可读存储介质，该方法的步骤包括：响应用户指令，基于用户指令和无监督异常识别算法确定对应的异常度数据；确定业务目标数据，基于异常度数据和业务目标数据构建对应的数据验证模型；基于数据验证模型验证无监督异常识别算法的有效性。本申请通过用户指令和无监督异常识别算法共同确定异常度数据，从而保证了异常度数据的准确性。再通过异常度数据和业务目标数据构建数据验证模型，并通过数据验证模型验证无监督异常识别算法的有效性，保证了数据验证模型与业务目标数据之间的关联性。
数据验证方法装置系统计算机可读存储介质

[发明专利]磁共振参数成像模型的无监督训练方法及无监督训练装置-CN202011230654.5在审
发明人：梁栋;程静;朱燕杰;刘新;郑海荣 -专利权人：深圳先进技术研究院
申请日： 2020-11-06 - 公布日： 2021-02-05 - 主分类号： G06N3/04 文献下载
摘要：本发明公开一种磁共振参数成像模型的无监督训练方法及无监督训练装置。所述无监督训练方法包括：将获取的欠采k空间数据输入到待训练的磁共振参数成像模型，以得到参数加权图像数据；根据所述获取的欠采k空间数据和所述参数加权图像数据更新损失函数；根据更新后的所述损失函数对所述待训练的磁共振参数成像模型的网络参数进行更新通过引入基于参数加权图像的损失函数，利用欠采k空间数据、以及根据欠采k空间数据得到的参数加权图像数据即可完成对损失函数的计算，不需要采用全采k空间数据，实现了模型的无监督训练。
磁共振参数成像模型监督训练方法装置

[发明专利]利用无标签文本数据样本提升分类模型表现的方法和装置-CN202111045781.2在审
发明人：唐杰;罗干 -专利权人：清华大学
申请日： 2021-09-07 - 公布日： 2021-12-17 - 主分类号： G06F16/35 文献下载
摘要：本申请提出了一种利用无标签文本数据样本提升分类模型表现的方法，该方法包括：获取有标签样本集合、无标签样本集合、分类任务的分类类型集合、验证集和监督学习模型；对监督学习模型进行参数初始化，确定第一扰动概率和第二扰动概率；使用有标签样本集合、无标签样本集合对监督学习模型进行重复训练，并在每一次训练后对监督学习模型在验证集上评估表现，若评价指标表现更好时，记录当时的模型参数，当重复训练达到预设条件时，训练停止，输出最终训练完成的模型采用上述方案的本申请能够通过文本字符和模型随机化结构来添加随机扰动，使得无标签样本同时参与训练，提升了分类模型的表现。
利用标签文本数据样本提升分类模型表现方法装置

[发明专利]一种基于无监督生成网络的多编码体系互迁移方法-CN202110905911.9在审
发明人：傅骏伟;王豆;郭鼎;姜志锋;孙永平;吴林峰;郑必君;刘凯锐;吴业成;俞荣栋 -专利权人：浙江浙能技术研究院有限公司
申请日： 2021-08-09 - 公布日： 2021-11-19 - 主分类号： G06F40/30 文献下载
摘要：本发明涉及一种基于无监督生成网络的多编码体系互迁移方法，包括步骤：通过采集设备获取编码规则A下的编码与语义描述的数据集；由两种规则编码数据集分别进行等量的随机采样。本发明的有益效果是：本发明采用无监督多编码体系互迁移模型，通过采集设备获取数据集，对数据集中数据进行随机采样，并划分为训练集和测试集，用于训练无监督多编码体系互迁移模型，绕开人工标注的流程，工作量小、求证简单、出错率低；本发明通过无数据标注方法实现无监督的多编码体系互相迁移，克服了传统底层数据治理标准化、统一化方法仅用于设备编码，尚未提出解决方案破解不同编码体系下的自动映射问题。
一种基于监督生成网络编码体系迁移方法