“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]一种基于有监督学习和无监督学习的反欺诈方法-CN201910977563.9有效
发明人：施铭铮;刘占辉 -专利权人：厦门铅笔头信息科技有限公司
申请日： 2019-10-15 - 公布日： 2022-05-03 - 主分类号： G06N20/00 文献下载
摘要：本发明公开了一种基于有监督学习和无监督学习的反欺诈方法，具体步骤如下：数据预处理，数据转换，创建高斯混合模型，期望最大化算法，有监督学习，无监督学习，预测，该基于有监督学习和无监督学习的反欺诈方法使用有监督学习和无监督学习结合的方法来建立反欺诈模型，有监督学习模型和无监督学习模型被包含在一个大的模型中，这个大的模型将达到集成模型的效果，预测的结果将会优于单独考虑有监督学习或无监督学习时的效果，而且有监督学习和无监督学习是互补的，两种学习方式结合将可以检测出已知的欺诈模式和未知的欺诈模式
一种基于监督学习欺诈方法

[发明专利]向ADS的无监督自主驾驶模式的转变-CN202211336128.6在审
发明人：彼得·哈达;马蒂亚斯·布兰斯特伦 -专利权人：哲晰公司
申请日： 2022-10-28 - 公布日： 2023-05-05 - 主分类号： B60W30/182 文献下载
摘要：本公开涉及向ADS的无监督自主驾驶模式的转变。驾驶模式转变系统获得车辆状况数据；基于所获得的车辆状况数据，确定与ADS的无监督自主驾驶模式有关的无监督驾驶模式相关驾驶策略的无监督驾驶条件被符合；确定ADS已激活监督驾驶模式；实施无监督驾驶模式相关驾驶策略以管理监督驾驶模式；以及在车辆的定位和/或速度已达到符合无监督驾驶模式相关驾驶策略的无监督动态驾驶条件时，使得对于ADS无监督自主驾驶模式能够被激活。
ads 监督自主驾驶模式转变

[发明专利]计算机视觉训练系统和用于训练计算机视觉系统的方法-CN202011179933.3在审
发明人：任昊宇;穆斯塔法·艾尔可哈米;阿曼·拉杰;李正元 -专利权人：三星电子株式会社
申请日： 2020-10-29 - 公布日： 2021-05-04 - 主分类号： G06T7/11 文献下载
摘要：所述计算机视觉(CV)训练系统，包括：监督学习系统，监督学习系统根据目标CV应用从一个或多个输入图像估计监督输出，并且根据监督输出和监督输出的地面真值来确定监督损失；无监督学习系统，无监督学习系统根据监督输出和所述一个或多个输入图像来确定无监督损失；弱监督学习系统，弱监督学习系统根据监督输出和与所述一个或多个输入图像对应的弱标签来确定弱监督损失；以及联合优化器，联合优化器并发地优化监督损失、无监督损失和弱监督损失。
计算机视觉训练系统用于方法

[发明专利]基于联邦半监督学习的流量分类方法及系统-CN202211123213.4在审
发明人：卜佑军;孙重鑫;陈博;马海龙;周锟;张德升;乔伟;王克跃;蒋笑笑;王亮 -专利权人：中国人民解放军战略支援部队信息工程大学;网络通信与安全紫金山实验室
申请日： 2022-09-15 - 公布日： 2023-01-03 - 主分类号： G06F18/241 文献下载
摘要：本发明提供一种基于联邦半监督学习的流量分类方法及系统。该方法包括：构建无标签流量数据集和有标签流量数据集；中心服务器将全局模型分解为有监督学习参数与无监督学习参数并进行初始化；将参数和辅助代理发送至各客户端；客户端基于有监督学习参数、无监督学习参数和辅助代理利用本地的无标签流量数据集进行无监督训练，将无监督学习参数差异上传至中心服务器；中心服务器聚合更新各无监督学习参数；利用本地的有标签流量数据集进行有监督训练，将有监督学习参数差异、无监督学习参数差异发送至各客户端；基于最近邻搜索得到新的辅助代理
基于联邦监督学习流量分类方法系统

[发明专利]数据处理装置、方法和程序以及计算机可读介质-CN200710130576.X有效
发明人：芹泽慎一郎;伊藤朋之 -专利权人：富士施乐株式会社
申请日： 2007-07-18 - 公布日： 2008-06-25 - 主分类号： G06N3/08 文献下载
摘要：本发明公开一种数据处理装置，包括：第一无监督学习处理单元、第二无监督学习处理单元和有监督学习处理单元。所述第一无监督学习处理单元根据无监督学习将第一数据组的数据分类，以便执行所述第一数据组的维度缩减，从而获得第一分类数据组。所述第二无监督学习处理单元根据无监督学习将第二数据组的数据分类，以便执行所述第二数据组的维度缩减，从而获得第二分类数据组。所述有监督学习处理单元利用所述第一无监督学习处理单元获得的第一分类数据组和所述第二无监督学习处理单元获得的第二分类数据组作为教师数据执行有监督学习，以便确定所述第一分类数据组和所述第二分类数据组之间的映射关系
数据处理装置方法程序以及计算机可读介质

[发明专利]一种声学模型训练方法和装置、计算机设备、存储介质-CN201710458720.6有效
发明人：黄斌;彭一平;李先刚 -专利权人：百度在线网络技术（北京）有限公司
申请日： 2017-06-16 - 公布日： 2020-04-28 - 主分类号： G10L15/06 文献下载
摘要：本发明实施例公开了一种声学模型训练方法和装置、计算机设备、存储介质，其中方法包括：获取有监督语音数据和无监督语音数据，其中，有监督语音数据为带有人工标注的语音数据，无监督语音数据为带有机器标注的语音数据；从所述有监督语音数据和无监督语音数据中提取语音特征；利用深度学习的网络结构，对所述有监督语音数据和无监督语音数据的语音特征分别进行有监督学习任务和无监督学习任务的多任务学习，以训练并获得声学模型。本发明实施例基于多任务学习的半监督声学模型训练，节省了声学模型训练所需的人工标注语音数据的成本，也无需购买价格昂贵的人工标注语音数据，并且可以持续提升语音识别的性能。
一种声学模型训练方法装置计算机设备存储介质

[发明专利]基于无监督与有监督融合强化学习的网络入侵检测方法-CN202310622371.2在审
发明人：王楠;崇云浩;孙元林 -专利权人：北京交通大学
申请日： 2023-05-30 - 公布日： 2023-08-22 - 主分类号： H04L9/40 文献下载
摘要：本发明提供了一种基于无监督与有监督融合深度强化学习的网络入侵检测方法。该方法包括：构建无监督数据与有监督数据混合的污染数据集；构建结合无监督学习和深度强化学习的入侵检测模型，利用污染数据集对入侵检测模型进行训练，得到训练好的入侵检测模型；利用训练好的入侵检测模型对目标网络进行入侵检测本发明将无监督数据作为污染样本和有监督数据混合来模拟网络入侵的现实场景，并提出将无监督学习引入深度强化学习的入侵检测模型中，进一步探索网络入侵检测的新方法。
基于监督融合强化学习网络入侵检测方法

[发明专利]一种基于无监督或弱监督方式的图像分割数据标注方法及系统-CN202110138925.2有效
发明人：孙显;闫志远;付琨;张伊丹;毛永强;卢宛萱;马益杭 -专利权人：中国科学院空天信息创新研究院
申请日： 2021-02-01 - 公布日： 2022-03-08 - 主分类号： G06F16/58 文献下载
摘要：本公开提供了一种基于无监督或弱监督方式的图像分割数据标注方法，包括：S1，获取待标注的图像数据并输入该标注系统；S2，根据待标注的图像数据选择分割任务的数据标注方式，其中，数据标注方式包括无监督标注方式或弱监督标注方式；S3，根据S2中选择的数据标注方式将待标注的图像数据输入至已训练的无监督或弱监督分割标注网络进行标注，生成待标注图像数据的数据标签；S4，输出并存储数据标签。本公开还提供了一种基于无监督或弱监督方式的图像分割数据标注系统。
一种基于监督方式图像分割数据标注方法系统

[发明专利]一种低资源场景下的文本生成方法、装置及系统-CN202210308980.6在审
发明人：李建欣;毛乾任;刘骏楠;蒋为峰;邓婷;邰振赢 -专利权人：北京航空航天大学
申请日： 2022-03-28 - 公布日： 2022-06-10 - 主分类号： G06F40/166 文献下载
摘要：本发明提出了一种低资源场景下的文本生成方法、装置与系统，包括：步骤一，为有监督网络输入少量的有监督训练样本，同时为无监督网络输入大量的无监督训练样本，并对无监督文档复制两份，再分别对其嵌入向量进行dropout，得到两组嵌入向量；步骤二，为大型预训练文本生成网络并行集成适配器的小型神经网络，组成基于适配器微调的预训练学习组件；步骤三，对有监督网络与无监督网络采用基于适配器微调预训练学习组件，对无监督网络进行一致性学习，并结合有监督网络的有监督学习进行文本生成模型的训练与优化，并利用优化好的模型进行预测。
一种资源场景文本生成方法装置系统

[发明专利]一种半监督模型的训练方法、装置及相关设备-CN202211616577.6在审
发明人：文成林;孙洁晓 -专利权人：广东石油化工学院
申请日： 2022-12-15 - 公布日： 2023-06-02 - 主分类号： G06V10/774 文献下载
摘要：本发明提供了一种半监督模型的训练方法、装置及相关设备，该方法包括：获取开集数据集，其中，开集数据集包括无标注样本和标注样本；筛选所述无标注样本，得到所述无标注样本中的第一无标注样本和第二无标注样本，所述第一无标注样本和第二无标注样本不同；利用初始半监督模型的卷积网络基于所述第一无标注样本，生成无标注样本对应的伪标签，利用初始半监督模型的卷积网络基于所述第二无标注样本，生成无标注样本对应的负标签；确定待训练样本；基于所述待训练样本对所述初始半监督模型进行训练，得到半监督模型。本发明实施例能够提升标注数据集下的半监督模型的泛化能力。
一种监督模型训练方法装置相关设备

[发明专利]一种基于无监督学习算法的冷机机组能耗优化方法-CN202211209141.5在审
发明人：江大白;汪刚;贾纬民 -专利权人：中用科技有限公司
申请日： 2022-09-30 - 公布日： 2023-03-24 - 主分类号： G05B13/04 文献下载
摘要：本发明公开了一种基于无监督学习算法的冷机机组能耗优化方法，包括：采集冷机机组中设备的运行与能耗参数；利用所述冷机机组中数据使用无监督学习中心进行实时设备能耗特征提取，所述无监督学习中心进行实时设备能耗特征提取包括了冷机机组运行状态信息；利用所述无监督学习中心进行实时设备能耗优化效率特征提取；计算所述无监督学习中心进行实时设备能耗特征提取的优化效率是否大于预设的能耗阈值；当计算无监督学习中心进行实时设备能耗特征提取的优化效率大于预设的能耗阈值时，将所使用的无监督学习中心进行实时设备能耗特征提取分别计算到各冷机机组模块数据控制平台，本发明可以提高计算的准确性和对冷机机组数据的优化效率。
一种基于监督学习算法机组能耗优化方法

[发明专利]一种半监督学习方法、系统、设备和存储介质及语义解析方法-CN202011543169.3在审
发明人：谈元鹏;欧智坚;徐会芳;彭国政;胡若云;杜文勇;邓志东;宋运福 -专利权人：中国电力科学研究院有限公司;清华大学;国家电网有限公司客户服务中心;国网浙江省电力有限公司营销服务中心;国家电网有限公司
申请日： 2020-12-21 - 公布日： 2021-03-09 - 主分类号： G06F40/211 文献下载
摘要：本发明提供一种半监督学习方法、系统、设备和存储介质及语义解析方法，设计合理，应用简单，在输出数据是离散变量的情况下，能够避免梯度传递的问题。所述方法包括，采用配对的输入数据集进行最大化条件似然的序列到序列学习，实现有监督学习；采用未配对的输入数据集基于联合随机近似进行学习，实现无监督学习；设定有监督学习目标和无监督学习目标的权重分配；按照权重分配将有监督学习目标和无监督学习目标联合为联合优化目标；根据联合优化目标，同时进行有监督学习和无监督学习。本发明将联合随机近似拓展到序列到序列半监督学习中，利用配对的数据集和未配对的输入数据集同时进行学习，提高了学习的效率和效果。
一种监督学习方法系统设备存储介质语义解析方法

[发明专利]低资源语音识别模型训练方法、相关设备及可读存储介质-CN202211410906.1在审
发明人：宣璇;方磊;杨军;方四安;周振昆;胡鹏 -专利权人：合肥讯飞数码科技有限公司
申请日： 2022-11-11 - 公布日： 2023-05-23 - 主分类号： G10L15/06 文献下载
摘要：先从无监督低资源语音数据中筛选出标注价值高的目标无监督低资源语音数据；然后，对目标无监督低资源语音数据进行标注，得到有监督低资源语音数据；最后，利用无监督低资源语音数据以及有监督低资源语音数据，对基础预训练模型进行训练得到低资源语音识别模型本方案中，先从无监督低资源语音数据中筛选出标注价值高的数据再进行标注得到有监督低资源语音数据，使得得到的有监督低资源语音数据的质量较高，而且，无监督低资源语音数据在训练过程中也得到了更为充分的利用，因此
资源语音识别模型训练方法相关设备可读存储介质

[发明专利]基于半监督学习的塑料制品表面缺陷检测方法及系统-CN202111561559.8有效
发明人：吴国平 -专利权人：武汉鑫国茂包装有限公司
申请日： 2021-12-20 - 公布日： 2022-03-22 - 主分类号： G06T7/00 文献下载
摘要：本发明涉及缺陷检测领域，具体涉及一种基于半监督学习的塑料制品表面缺陷检测方法及系统，该方法包括：构建表面缺陷检测网络；对表面缺陷检测网络进行半监督训练：输入有标签数据，根据第一网络分支、第二网络分支输出的缺陷检测结果和标签数据，结合交叉熵函数，计算有监督损失；输入无标签数据，根据第一网络分支和第二网络分支输出的缺陷检测结果，计算无监督损失；为无监督损失设置权值，基于有监督损失和无监督损失的加权和进行半监督训练；其中，根据历史有监督损失计算当前次训练时的权值，历史有监督损失值越大，权值越小；利用训练好的表面缺陷检测网络进行塑料制品表面缺陷的检测。
基于监督学习塑料制品表面缺陷检测方法系统

[发明专利]主动学习方法、装置、电子设备及可读存储介质-CN202111456043.7在审
发明人：傅剑文 -专利权人：上海高德威智能交通系统有限公司
申请日： 2021-12-01 - 公布日： 2022-04-08 - 主分类号： G06K9/62 文献下载
摘要：本申请提供一种主动学习方法、装置、电子设备及可读存储介质，该目标检测方法包括：在样本集上进行无监督学习，得到无监督特征提取网络；其中，所述样本集包括无标签样本集，所述无标签样本集包括N1个无标签样本，N1为大于1的正整数；依据所述无监督特征提取网络，确定所述样本集中各样本的无监督特征；依据所述样本集中各样本的无监督特征，在所述样本集上进行主动学习，确定出需要标注的无标签样本。
主动学习方法装置电子设备可读存储介质

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 100000 条