专利名称
主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2023-10-24 公布专利
2023-10-20 公布专利
2023-10-17 公布专利
2023-10-13 公布专利
2023-10-10 公布专利
2023-10-03 公布专利
2023-09-29 公布专利
2023-09-26 公布专利
2023-09-22 公布专利
2023-09-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »
钻瓜专利网为您找到相关结果236187个,建议您升级VIP下载更多相关专利
  • [发明专利]用于卷积神经网络的卷积运算装置-CN202010514287.5有效
  • 焦海龙;刘敏 - 北京大学深圳研究生院
  • 2020-06-08 - 2022-04-19 - G06N3/04
  • 一种用于卷积神经网络的卷积运算装置,涉及电子信息以及深度学习技术领域,用于对待卷积矩阵与卷积矩阵进行卷积计算以获取卷积结果矩阵,包括待卷积矩阵控制器、卷积矩阵控制器和卷积运算模块。待卷积矩阵控制器和卷积矩阵控制器分别按卷积顺序获取待卷积矩阵和卷积矩阵的标签矩阵,只有当待卷积矩阵和卷积矩阵的标签矩阵的相同位置上的元素值均为预设值时,才将与标签矩阵的元素对应的待卷积矩阵和卷积矩阵的元素进行卷积运算以获取卷积结果矩阵由待卷积矩阵和卷积矩阵的标签矩阵的相同位置上的元素值均为预设值而引入的稀疏性要远大于待卷积矩阵和卷积矩阵,使得卷积运算的计算量降低,进而加速卷积神经网络的运算速度。
  • 用于卷积神经网络运算装置
  • [发明专利]一种神经网络的卷积方法和装置-CN202010673103.X有效
  • 王申领 - 苏州浪潮智能科技有限公司
  • 2020-07-14 - 2022-11-25 - G06F17/15
  • 本发明公开了一种神经网络的卷积方法和装置,该方法包括:获取输入图片和卷积,根据数据尺寸和通道将其拆分为多个图片数据块和卷积数据块;分别使用图片转置矩阵和卷积转置矩阵将多个图片数据块和多个卷积数据块转换为多个图片数据块矩阵和多个卷积数据块矩阵,并各自拼合为图片数据块复合矩阵和卷积数据块复合矩阵;对图片数据块复合矩阵和卷积数据块复合矩阵执行批量矩阵乘以获得复合输出矩阵,并按照图片数据块矩阵和卷积数据块矩阵的尺寸拆分为多个输出矩阵;使用逆变换转置矩阵分别对多个输出矩阵执行逆变换处理以获得卷积输出结果
  • 一种神经网络卷积方法装置
  • [发明专利]函数生成方法、装置、设备以及存储介质-CN202110665158.0在审
  • 肖熠;霍志坤;李志功 - 曙光信息产业(北京)有限公司
  • 2021-06-16 - 2021-10-08 - G06F9/48
  • 本申请公开了一种函数生成方法、装置、设备以及存储介质,该方法包括:获取到函数配置信息后,根据目标计算节点的数量N分别对函数配置信息包括的M个矩阵维度区间进行拆分,得到多个矩阵维度子区间,根据多个矩阵维度子区间和函数配置信息包括的每个矩阵维度区间对应的参数空间,构建N个函数生成任务,将N个函数生成任务和函数运行文件分发给N个目标计算节点,用于每个目标计算节点根据函数生成任务和函数运行文件,生成至少一个矩阵维度对应的函数,对每个目标计算节点发送的至少一个矩阵维度对应的函数进行合并,得到多个矩阵维度和每个矩阵维度对应的函数。
  • 函数生成方法装置设备以及存储介质
  • [发明专利]一种Winograd卷积运算加速方法及加速模块-CN202110588325.6有效
  • 杨晨;吕娴娴;范世全;耿莉 - 西安交通大学
  • 2021-05-28 - 2023-09-19 - G06N3/0464
  • 本发明提供一种Winograd卷积运算加速方法及加速模块,对于非3×3形状的卷积运算,使用基于步长的卷积拆分方法将输入矩阵拆分或者填充为4×4的输入矩阵,将卷积矩阵拆分或者填充为3×3的卷积矩阵;使用卷积转换矩阵G和输入矩阵转换矩阵BT对3×3的卷积矩阵和4×4的输入矩阵分别进行Winograd变换,得到变换后的卷积矩阵U和输入矩阵V;对变换后的卷积矩阵U中的元素uξ,v按照比特级精度进行权重拆分,通过累加运算和移位运算得到矩阵Z;对矩阵Z进行Winograd变换,获得卷积运算的输出矩阵
  • 一种winograd卷积运算加速方法模块
  • [发明专利]一种计算设备、矩阵评估方法以及多核学习方法-CN201511009879.7在审
  • 孙涛;徐礼锋;曹莉 - 华为技术有限公司
  • 2015-12-29 - 2016-06-08 - G06K9/62
  • 本实施例提供了一种计算设备、矩阵评估方法以及多核学习方法,该计算设备包括:中央处理器、存储器、存储介质以及电源,所述中央处理器用于由函数根据训练样本的特征构造初始矩阵,将所述初始矩阵乘以训练样本的种类标签以得到初始矩阵对N个训练样本的预测值,将所述初始矩阵N个训练样本的预测值带入符号函数并转置以得到第一N维列向量,将所述第一N维列向量乘以所述训练样本的种类标签以得到矩阵,将所述矩阵所包含的N个元素求和以得到矩阵的辨别力值,因所述辨别力值为数值,则本实施例能够对矩阵给出量化的评估结果,而且有效的提升了矩阵评估的准确率,降低计算过程中的复杂度,可以应用于大规模数据。
  • 一种计算设备矩阵评估方法以及多核学习方法
  • [发明专利]分块协同表示嵌入稀疏表示遮挡人脸识别方法和装置-CN201710226186.6在审
  • 孙洪杰;胡永健;刘琲贝 - 华南理工大学
  • 2017-04-08 - 2017-08-08 - G06K9/00
  • 本发明公开了分块协同表示嵌入稀疏表示遮挡人脸识别方法和装置,该方法包括提取训练样本的WLD特征和测试样本的WLD特征,并生成训练样本的字典矩阵A以及待测样本的字典矩阵Y;根据训练样本的字典矩阵A获取训练样本的矩阵K;计算训练样本的矩阵K的特征值和特征向量,生成训练样本的投影矩阵;根据测试样本的字典矩阵Y获取测试样本的矩阵K';根据A、Y、K'和K得到对应的训练样本的训练样本A'和待测样本的测试样本Y';将训练样本和测试样本均划分为若干个子图像,得到加权系数矩阵W;根据加权系数矩阵W、训练样本A'和测试样本Y'得到分类结果。
  • 分块协同表示嵌入稀疏遮挡识别方法装置
  • [发明专利]一种基于支持向量机的矩阵近似方法-CN201110151858.4无效
  • 廖士中;杨晨豪;丁立中 - 天津大学
  • 2011-08-15 - 2012-04-25 - G06F17/17
  • 本发明公开了一种基于支持向量机的矩阵近似方法,该方法包括以下步骤:将作为样本的矩阵借助支持向量机的凸二次约束规划表示,即给出支持向量机的二阶锥规划表示;综合Monte Carlo随机算法和不完全Cholesky分解算法进行矩阵的近似算法KMA-α;通过上述近似计算KMA-α将大规模矩阵处理成低秩小规模的近似矩阵;将近似矩阵25作为支持向量机的不确定矩阵SVM的输入。与现有技术相比,本发明可折衷计算效率和计算精度,在保证计算精度的情况下,有效提高SVM二阶锥规划求解的效率.理论分析与实验验证表明KMA-α是一正确、有效的矩阵近似算法。
  • 一种基于支持向量矩阵近似方法
  • [发明专利]矩阵乘计算选取方法和矩阵乘运算的确定方法-CN202310493077.6在审
  • 陈宇龙;李雨倩;张大勇;孙正;吕秀全 - 上海寒武纪信息科技有限公司
  • 2023-04-28 - 2023-07-25 - G06F17/16
  • 本申请公开了一种矩阵乘计算选取方法和矩阵乘运算的确定方法。包括:获取待处理矩阵乘数据和当前硬件资源;根据待处理矩阵乘数据和当前硬件资源确定当前特征向量,将当前特征向量输入到矩阵乘运算性能模型中,获得每一计算矩阵乘运算的处理耗时;选取矩阵乘运算的处理耗时最少的计算作为目标计算其中,矩阵乘运算性能模型通过以下方式得到:获取测试芯片上进行矩阵乘运算的硬件资源;获取测试矩阵;将不同的测试矩阵输入到不同的测试芯片上进行矩阵乘运算,得到测试处理耗时;根据硬件资源和测试矩阵确定矩阵乘运算的特征向量,获得矩阵乘运算性能模型。本申请能够选择效率最优的计算进行矩阵乘运算。
  • 矩阵计算选取方法运算确定
  • [发明专利]一种核反应堆数据的扰动截面库生成方法-CN202210352057.2在审
  • 郝琛;杨镕瑞;刘光皓;马季 - 哈尔滨工程大学
  • 2022-04-02 - 2022-09-02 - G06F16/25
  • 本发明提供一种核反应堆数据的扰动截面库生成方法,包括对原始截面数据库进行读取,得到目标核素的目标反应对应的截面数据集合以及截面数据集合对应的协方差矩阵;对协方差矩阵进行奇异值分解,得到协方差矩阵对应的相关性数据;根据协方差矩阵和相关性数据确定扰动因子集合,包括K个扰动因子矩阵;根据协方差矩阵对应N个能群能量区间和每个能群的截面数据对应的能群能量值,对M个能群的截面数据进行归并,得到N个子截面数据集合;依次根据每一扰动因子矩阵截面数据集合进行截面扰动,得到K个扰动后截面数据集合;依次根据每一扰动后截面数据集合对原始截面数据库中的数据进行替换,得到K个扰动后截面数据库。
  • 一种核反应堆数据扰动截面生成方法

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top