|
|
钻瓜专利网为您找到相关结果 1450719个，建议您 升级VIP下载更多相关专利
- [发明专利]用于确定物质或材料的特性的装置和方法-CN202080058383.1在审
-
D·林根费尔泽;E·洛特
-
罗伯特·博世有限公司
-
2020-08-14
-
2022-04-01
-
G06F30/27
- 本发明涉及一种装置和一种方法，以用于确定物质或材料的特性、尤其是粘接剂的粘性，其特征在于，模型(106)包括多个模块(A...Z)，所述模块构造成用于根据输入参量(S1...Sxx)处理数据，其中，所述多个模块(A...Z)中的模块(D)构造成用于确定输出参量(k1...kn)，所述输出参量表征物质或材料的特性，其中，在选择中能够选择所述输出参量(k1...kn)中的被确定的至少一个输出参量，其中，识别所述选择并且根据所述选择确定所述输入参量(S1...Sxx)中的至少一个输入参量，所述至少一个输入参量的数据由所述模型(106)处理，其中，选择所述模块(A...Z)中的至少一个模块以用于处理用于所述输入参量(S1...Sxx)中的至少一个输入参量的数据
- 用于确定物质材料特性装置方法
- [发明专利]用于确定特征参量、尤其是润滑方法或润滑剂的特征参量的方法-CN202080058471.1在审
-
D·林根费尔泽;E·洛特
-
罗伯特·博世有限公司
-
2020-08-14
-
2022-04-08
-
G05B19/418
- 一种用于确定特征参量、尤其是润滑方法或润滑剂的特征参量的方法和设备，其中，为模型(106)提供至少一个输入参量(S1，...，Sxx)，并且根据所述模型(106)确定所述特征参量，其中，所述模型包括模块(D)，所述模块构造用于根据所述至少一个输入参量(S1，...，Sxx)来确定所述特征参量，其中，根据输入数据来训练所述模型106)，所述输入数据包括所述至少一个输入参量(S1，...，Sxx)的数据集和所述数据集中的每个数据集至目标特征参量的分配，其中，根据针对所述数据集中的一个数据集所确定的特征参量与分配给所述数据集的目标特征参量的比较，要么继续训练所述模型(106)，要么，其中，Z)和/或通过从所述模型(106)中去除与用于确定所述特征参量的模块(D)不同的至少一个模块(A，B，C，E，...，Z)来确定修改的模型，并且其中，对所述修改的模型(106)进行训练。
- 用于确定特征参量尤其是润滑方法润滑剂
- [发明专利]神经网络的正则化训练-CN202180039912.8在审
-
J·E·M·梅纳特
-
罗伯特·博世有限公司
-
2021-06-02
-
2023-01-31
-
G06N3/08
- 一种用于借助于学习数据集（2）来训练人工神经网络KNN（1）的方法（100），所述KNN将一个或多个输入参量（11）转化成一个或多个输出参量（13），所述学习数据集包括具有测量数据的学习输入参量值（11a）和相关的学习输出参量值（13a），所述方法具有如下步骤：来自至少一个学习数据集（2）的学习输入参量值（11a）由所述KNN（1）映射（110）到输出参量值（13）；所述输出参量值（13）与相应的学习输出参量值（13a）的偏差根据成本函数（14）被处理（120）成所述KNN（1）在处理所述学习输入参量值（11a）时的误差（14a）的量度；从所述误差（14a），通过反向传播来确定（130）对所述参数（12）的如下更改，在通过所述KNN（1）来进一步处理学习输入参量值（11a）时，对所述更改的执行预计会改善通过所述成本函数（14）对在此所获得的输出参量值（13）的评估，而且将所述更改应用（140）于所述KNN（1）；其中所述输出参量值（13）的一部分（13*）至少在反向传播（130）中被排除（131）。
- 神经网络正则训练
|
