“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]用于对内容仓库的基于语音的搜索的系统和方法-CN201480080713.1在审
发明人： J·克雷蒂斯特;L·昆克;M·拉博斯凯;T·玛赛克 -专利权人：纽昂斯通讯公司
申请日： 2014-07-22 - 公布日： 2017-05-10 - 主分类号： G06F17/30 文献下载
摘要：该方法可以包括接收用户话音查询，执行语音辨识以生成包括第一语音辨识结果的N个最佳语音辨识结果，执行对至少一个内容仓库的有监督搜索以使用一个或多个分类器识别一个或多个有监督搜索结果，该一个或多个分类器将第一语音辨识结果分类成识别至少一个内容仓库中先前被分类的内容的至少一个分类，执行对至少一个内容仓库的无监督搜索以识别一个或多个无监督搜索结果，其中执行无监督搜索包括执行对至少一个内容仓库的单词搜索，以及从一个或多个有监督搜索结果和一个或多个无监督搜索结果中生成经组合的结果。
用于内容仓库基于语音搜索系统方法

[发明专利]联合监督和非监督学习的低勘探区地层和岩性地震评价方法-CN202111404706.0有效
发明人：赵峦啸;竺炫莹;付晓伟;陈怀震;张丰收;耿建华 -专利权人：同济大学
申请日： 2021-11-24 - 公布日： 2023-05-02 - 主分类号： G01V1/30 文献下载
摘要：本发明涉及一种联合监督和非监督学习的低勘探区地层和岩性地震评价方法，包括以下步骤：1)基于叠后地震数据提取反映地质特征的地震属性，并进行弹性参数叠后反演得到反演结果；2)利用特征降维方法将提取的高维地震特征进行降维；3)基于降维后的特征，采用无监督学习方法进行聚类；4)利用无监督学习结果确定监督学习的适用范围；5)采用监督学习训练模型，对地震剖面进行岩性定量预测；6)利用无监督学习结果定性评估监督学习预测的不确定性与现有技术相比，本发明相较仅利用监督学习的预测方法，不仅能够更好挖掘数据内部特征，表征地层的地质特征和差异，还可圈定监督学习的适用范围，对预测不确定性进行定性评估。
联合监督学习勘探地层地震评价方法

[发明专利]文本纠错模型训练方法、装置及设备-CN202210028984.9在审
发明人：陈谦;王雯 -专利权人：阿里巴巴（中国）有限公司
申请日： 2022-01-11 - 公布日： 2022-09-06 - 主分类号： G06F40/232 文献下载
摘要：其中，所述方法在基于有监督语法纠错平行数据训练文本纠错模型的基础上，还利用大量的无监督的文本数据辅助训练模型，基于加噪处理来扩充无监督的平行数据，实现基于加噪文本扩充的文本纠错模型训练；因此，可以有效提升文本纠错模型准确率其中，可将第一领域的有监督平行数据和第二领域的无监督数据相结合，训练得到适用于第二领域的文本纠错模型，相当于扩充了有监督数据可应用的场景，提高了有监督语法纠错平行数据的利用效率，同时提升了第二领域的模型训练准确率
文本纠错模型训练方法装置设备

[发明专利]一种无监督的细胞偏振衍射图像分类方法-CN202210672102.2在审
发明人：李奇峰;王济文;撒昱;韩阳光;马翔云;杨云鹏;汪文达;郜峰;马莹莹 -专利权人：天津大学
申请日： 2022-06-15 - 公布日： 2022-09-06 - 主分类号： G06V20/69 文献下载
摘要：本发明公开了一种无监督的细胞偏振衍射图像分类方法，方法包括特征提取模块、数据处理模块和无监督分类模块；特征提取模块用来提取特征；数据处理模块用来进行数据预处理；无监督分类模块用来分类；首先提取细胞偏振衍射图像的特征本发明使用无监督的方法，可以在不进行标记的情况下实现细胞的偏振衍射图像的分类。
一种监督细胞偏振衍射图像分类方法

[发明专利]一种基于无监督宽度学习的高光谱图像聚类方法-CN201811366436.7有效
发明人：王雪松;孔毅;程玉虎 -专利权人：中国矿业大学
申请日： 2018-11-16 - 公布日： 2019-10-25 - 主分类号： G06K9/62 文献下载
摘要：本发明的一种基于无监督宽度学习的高光谱图像聚类方法，首先，为保留原始高光谱图像的本征流形结，利用图正则稀疏自动编码器微调输入到映射特征和映射特征到增量节点的权重；接着，无监督宽度学习的模型目标函数由图正则项和连接权重的l2范数项构成，并通过求解广义特征值分解问题，得到无监督宽度学习的模型权重以及无监督宽度学习的输出；最后，利用谱聚类得到聚类结果。
无监督高光谱图像聚类权重映射特征学习模型目标函数特征值分解自动编码器聚类结果求解本征范数流形微调稀疏输出保留

[发明专利]一种异常检测方法和装置-CN202211308699.9在审
发明人：陈贵 -专利权人：中邮科通信技术股份有限公司
申请日： 2022-10-25 - 公布日： 2023-03-07 - 主分类号： H04L43/0823 文献下载
摘要：通过离线模块对指标历史数据进行模型算法持续训练与学习，利用统计判别和无监督算法过滤掉大量正样本，再配合人工标注负样本进行有监督算法训练学习判定，形成指标历史运行动态阈值基线与模型算法参数；再通过在线模块对实时采集的指标数据进行无监督算法判定与有监督模型算法判定来最终确定是否有异常发生即采用“无监督+有监督”算法、离线与在线相结合的方式进行检测，以解决异常检测准确性的问题，同时又可以动态自适应业务数据发展的变化。
一种异常检测方法装置

[发明专利]一种基于双向光流的端到端无监督学习方法-CN201810121000.5在审
发明人：夏春秋 -专利权人：深圳市唯特视科技有限公司
申请日： 2018-02-07 - 公布日： 2018-07-24 - 主分类号： G06N3/067 文献下载
摘要：本发明中提出的一种基于双向光流的端到端无监督学习方法，其主要内容包括：基于光流的无监督学习、光流网络架构和计算，其过程为，基于双向(即前向和后向)光流估计来设计对称，遮挡感知损失；使用全面的无监督损失来训练光流网络来估计双向光流；通过堆叠多个光流网络来使用迭代改进，为每个流向执行一次传递，并共享两次传递之间的所有权重；还可以使用监督损失来在无监督训练之后对稀疏标定真实数据上的网络进行微调。本发明利用基于双向光流的端到端无监督学习方法，解决了缺乏标记的实际训练数据的问题，在无需人工进行标注数据的情况下实现较高的准确性，使其更有利于实际应用。
无监督学习双向光流光流端到端无监督光流估计网络架构训练数据真实数据网络传递标定迭代堆叠后向前向微调稀疏感知遮挡标注对称所有权共享应用改进监督

[发明专利]一种具有安全机制的半监督超限学习机分类方法-CN201810020933.5在审
发明人：佘青山;胡波;张卫;范影乐 -专利权人：杭州电子科技大学
申请日： 2018-01-10 - 公布日： 2018-08-03 - 主分类号： G06K9/62 文献下载
摘要：半监督学习可以同时利用有标记和无标记样本来改善分类器的性能，其关键之一在于如何有效且安全地发掘无标记样本中隐藏的信息。本发明提出一种具有安全机制的半监督超限学习机分类方法。首先采用超限学习机和半监督超限学习机算法分别预测无标记样本的概率分布向量和类别标签，其次采用Wasserstein距离衡量无标记样本的风险度数，然后在半监督超限学习机算法的目标函数中添加新的风险项，最后实现安全的半监督多类分类本发明可以有效解决半监督超限学习机算法中具有风险性的无标记样本的加入反而会损害分类器性能的问题，在计算机视觉、图像识别、脑‑机接口领域具有广阔的应用前景。
半监督学习机超限无标记样本算法安全机制概率分布向量半监督学习分类器性能计算机视觉多类分类接口领域距离衡量类别标签目标函数图像识别有效解决度数分类器风险性分类预测损害应用安全

[发明专利]一种面向选冶渣场在线监测系统的时间序列异常检测方法-CN202211322936.7在审
发明人：华绍广;季云云;李书钦;李香梅;姚俊;裴德健 -专利权人：中钢集团马鞍山矿山研究总院股份有限公司
申请日： 2022-10-27 - 公布日： 2022-12-30 - 主分类号： G06K9/62 文献下载
摘要：本发明的步骤为：从数据库中提取数据，填补缺失值，删除部分相关系数较高的原始指标，对保留下来的指标通过特征工程构建统计特征、时间特征与时序特征；所有特征进行归一化处理，通过无监督算法进行多数投票确定异常标签；对经处理后的标签数据进行特征选择，通过这些重要性指标来提升无监督算法的检测性能；再结合行业标准修正伪标签；最后对无监督算法的检测结果进行加权融合，实现了基于少量监测项目构建统计特征、时间特征和时序特征，以有监督算法辅助无监督算法进行重要特征选取，提高无监督异常检测算法的性能。
一种面向选冶渣场在线监测系统时间序列异常检测方法

[发明专利]一种基于无监督深度学习的光场深度估计方法-CN202010581570.X有效
发明人：周文晖;燕雨祥;洪勇杰;张桦;戴国骏 -专利权人：杭州电子科技大学
申请日： 2020-06-23 - 公布日： 2023-06-20 - 主分类号： G06T7/50 文献下载
摘要：本发明公开了一种基于无监督深度学习的光场深度估计方法。本发明设计了无监督损失函数；同时从光场图像中提取一组3×3排列的子光圈图像作为光场深度估计网络的输入，输出中心子光圈图像的视差图，实现端到端的训练。步骤S1.准备光场数据集，制作训练集和测试集；步骤S2.搭建无监督光场深度估计网络；步骤S3.设计无监督光场深度估计损失函数；步骤S4.使用训练集训练无监督光场深度估计网络；本发明通过使用本发明自主搭建的网络结构以及损失函数，在海德堡图像处理实验室提供的4D光场数据集评测网站上，可以获得优于其它无监督深度估计方法的精度。
一种基于监督深度学习估计方法

[发明专利]无监督图像分类模型的训练方法、装置和电子设备-CN202010443523.9在审
发明人：李振鹏;郭玉红;姜佳男 -专利权人：北京嘀嘀无限科技发展有限公司
申请日： 2020-05-22 - 公布日： 2020-10-27 - 主分类号： G06K9/62 文献下载
摘要：本发明实施例公开了一种无监督图像分类模型的训练方法、装置和电子设备，通过将获取的目标域数据集和至少一个源域数据集分批次输入至无监督图像分类模型中进行处理，以训练无监督图像分类模型的特征生成网络、分类网络、域判别网络和联合标签分类网络，响应于特征生成网络、分类网络、域判别网络和联合标签分类网络对应的损失满足预定条件，确定无监督图像分类模型训练完成，由此，本实施例通过联合标签分类网络使得目标域数据集和源域数据集在域分布和类别分布上实现特征对齐，提高了训练后的无监督图像分类模型的分类准确度。
监督图像分类模型训练方法装置电子设备

[发明专利]一种无监督的有机物分类方法及系统-CN202211634651.7在审
发明人：沈华;甄昊涵;黄锋;王晋;陈海宾;童涛;沈培刚;陈军华;唐胜飞 -专利权人：国网上海市电力公司
申请日： 2022-12-19 - 公布日： 2023-03-28 - 主分类号： G06V10/764 文献下载
摘要：本发明涉及一种无监督的有机物分类方法及系统，所述方法包括以下步骤：获取待识别样品的激光光谱信息，对所述激光光谱信息进行预处理和降维处理，获得识别光谱数据；将所述识别光谱数据作为无监督分类模型的输入，获得待识别样品的识别结果，其中，所述无监督分类模型的参数确定过程包括：获取已知成分的测试样品的激光光谱信息，进行预处理和降维处理后输入无监督分类模型中获得分类结果；将所述分类结果与已知成分进行比较，调整无监督分类模型的参数据。
一种监督有机物分类方法系统

[发明专利]半监督网络流量分类方法-CN201910161343.9有效
发明人：陈双武;李檀;杨坚;姚振;陈翔 -专利权人：中国科学技术大学
申请日： 2019-03-04 - 公布日： 2020-10-27 - 主分类号： H04L12/851 文献下载
摘要：本发明公开了一种半监督网络流量分类方法，包括：预先使用一定数量的网络流量数据无监督的训练特征提取模块，以及使用若干有标签网络流量数据和一定数量的无标签网络流量数据无监督的训练半监督流量分类模块；利用训练好的特征提取模块从原始网络流量数据中提取隐含表达特征，再利用训练好的半监督流量分类模块，基于提取到的隐含表达特征对相应原始网络流量数据进行分类。该方法通过自动提取网络流量的隐含表达特征，克服了过于依赖人为制定特征的问题；同时，半监督方法仅需要少量有标签网络流量数据和大量无标签网络流量数据即可构建流量分类器，克服了无法获取大量可靠数据集的困难。
监督网络流量分类方法

[发明专利]一种基于大规模养殖场厂哺乳动物异常声音监测方法-CN201811589296.X有效
发明人：苍岩;王文静;乔玉龙;陈春雨;何恒翔;熊梓奥 -专利权人：哈尔滨工程大学
申请日： 2018-12-25 - 公布日： 2021-12-07 - 主分类号： G10L17/26 文献下载
摘要：本发明公开了一种基于大规模养殖场厂哺乳动物异常声音监测方法，属于声音识别领域，具体涉及一种无监督的声音识别方法。本发明主要包括以下几个部分：1.谱图分析：对采集来的音频进行分析，确定声音识别方案的可行性；2.音频降噪：对音频降噪处理，提高声音识别的准确性；3.无监督音频分割：简化音频处理过程，无需手动切分得到包含所需声音事件的音频段；4.音频特征提取：采用的特征提取技术为Mel频率倒谱系数；5.无监督分类：采用无监督分类方法为K均值算法。本发明通过采用无监督的音频分割技术和K均值的分类方法，结合频谱、时频谱分析技术，音频降噪技术，Mel频率倒谱系数特征提取技术，实现了对大规模养殖场动物无监督的声音识别。
一种基于大规模养殖场哺乳动物异常声音监测方法

[发明专利]用于训练第一人工神经网络结构的过程、计算机系统、计算机程序和计算机可读介质-CN202080108379.1在审
发明人： M·登哈尔托赫 -专利权人：罗伯特·博世有限公司
申请日： 2020-12-02 - 公布日： 2023-10-20 - 主分类号： G06N3/094 文献下载
摘要：公开了一种用于改进第一人工神经网络结构(1)的过程，其中，数据样本由第一人工神经网络结构(1)分类为不同的类(4)，其中，至少一些类(4)是无监督类(6)，所述无监督类(6)由无监督学习生成和/或供给，其中，对于至少一个无监督类(6)，训练第二人工神经网络结构(2)用来生成人工候选对象(7)，所述人工候选对象(7)属于所述无监督类(6)，其中，生成的人工候选对象(7)在监督学习中被标记和/或标注，用于标记和/或标注所述无监督类(7)。
用于训练第一人工神经网络结构过程计算机系统计算机程序可读介质