“神经网络结构”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10291013个，建议您升级VIP下载更多相关专利

[发明专利]基于敏感性的MADALINE神经网络构建方法及其装置-CN201410751428.X在审
发明人：储荣 -专利权人：河海大学
申请日： 2014-12-09 - 公布日： 2015-04-08 - 主分类号： G06N3/02 文献下载
摘要：本发明公开了一种基于敏感性的MADALINE神经网络构建方法及其装置，选取一个足够大的正整数m作为隐层神经元数，构建一个三层MADALINE神经网络，并给定初始网络参数；利用有标记的样本集训练神经网络直到代价函数收敛到某个给定的很小的阈值e，得到经过训练的分类器；计算隐层神经元的敏感性，并按照敏感性由小到大排序；去掉敏感性最小的隐层神经元，得到新结构的MADALINE神经网络；对新的MADALINE神经网络在原有参数的基础上再次使用有标记的样本集进行训练；取隐层神经元数最小且能收敛的MADALINE神经网络网络结构为最终的网络结构，其网络为最终输出的分类器。本发明可以有效提高神经网络构建效率，并提高MADALINE神经网络的性能。
基于敏感性 madaline 神经网络构建方法及其装置

[发明专利]一种深度卷积神经网络的压缩及加速方法、神经网络模型及其应用-CN201911103074.7在审
发明人：张菊莉;贺占庄 -专利权人：西安微电子技术研究所
申请日： 2019-11-12 - 公布日： 2020-02-25 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种深度卷积神经网络的压缩及加速方法、神经网络模型及其应用，属于深度卷积神经网络领域。该方法包括以下步骤：1)将深层深度卷积神经网络转化为宽浅神经网络结构；2)将规范化的样本数据输入到宽浅神经网络进行训练，得到浮点数权值；将浮点数权值和神经网络结构的激活函数进行二进制化，得到二进制化后的神经网络；将二进制化后的样本数据作为训练数据，输入二进制化后的神经网络进行训练并更新参数，直至预测值与ground truth误差达到预设误差，完成训练；其中，在二进制化后的神经网络的训练过程中，卷积层进行加法和减法运算解决了现有深度卷积神经网络不能应用于嵌入式计算平台的问题。
一种深度卷积神经网络压缩加速方法模型及其应用

[发明专利]一种单目标视觉跟踪神经网络结构的构建方法、装置和设备-CN202310299341.2在审
发明人：高鹏;桑洪川 -专利权人：曲阜师范大学
申请日： 2023-03-24 - 公布日： 2023-07-07 - 主分类号： G06N3/0464 文献下载
摘要：一种单目标视觉跟踪神经网络结构的构建方法、装置及设备，搜索方法包括如下操作：S1：基于若干神经网络，分别构建主干超网和头部超网；S2：对所述主干超网和头部超网分别进行训练后，进行连接，得到跟踪超网；S3：对所述跟踪超网进行训练，得到训练跟踪超网；S4：对所述训练跟踪超网进行搜索，选取主干超网的计算量与头部超网的计算量的计算量总和不超过阈值的子网络结构，获得目标神经网络结构。该方法搜索效率高，不仅获得了轻量且高效的神经网络结构，而且极大的节省了开发模型的人力，可大力推广使用。
一种目标视觉跟踪神经网络结构构建方法装置设备

[发明专利]一种基于遗传神经网络算法的测井曲线重构方法-CN202011407762.5有效
发明人：张强;李家金;王毛毛 -专利权人：核工业二一六大队
申请日： 2020-12-04 - 公布日： 2022-12-20 - 主分类号： G06F30/20 文献下载
摘要：本发明涉及地球物理数据处理领域，具体涉及一种基于遗传神经网络算法的测井曲线重构方法，该方法主要包括以下步骤：第一步：测井曲线标准化。首先对常规测井曲线进行标准化处理，使其统一至相同量纲级别。第二步：建立神经网络结构并训练网络。确定神经网络输入、输出、网络层数建立神经网络结构，并训练网络。第三步：遗传操作。计算训练误差和适应度函数，利用选择、交叉、变异三个遗传算子实现对网络结构及权值阈值的优化。第四步：利用优化好的网络结构进行测井曲线重构，直至满足精度要求输出结果。
一种基于遗传神经网络算法测井曲线方法

[发明专利]一种基于卷积神经网络的图像识别方法-CN201711114919.3有效
发明人：钱燕芳;王敏;秦月红 -专利权人：河海大学
申请日： 2017-11-13 - 公布日： 2021-11-30 - 主分类号： G06N3/04 文献下载
摘要：本发明公开的一种基于卷积神经网络的图像识别方法，包括以下步骤：获取原始图像；对原始图像进行预处理；将上一层的输出结果输入到卷积神经网络中的子网络；将上一层的输出结果输入到卷积神经网络中交替分布的卷积层和池化层；将上一层的输出结果输入到卷积神经网络中的全连接层；将上一层的输出结果输入到卷积神经网络中的最后一层，即Softmax层，得到图像属于各个类别的概率；根据图像属于各个类别的概率，来确定图像分类结果，最后输出图像分类结果本发明通过将一个子网络结构加入到经典卷积神经网络中，并在子网络结构中计算残差以修正权值矩阵，能够高效的提取图像的特征，且只对子网络结构计算各层残差以减少计算量。
一种基于卷积神经网络图像识别方法

[发明专利]欠采样跳频通信信号深度学习恢复方法-CN202010613485.7有效
发明人：齐佩汉;王凡;周涛;谢爱平;梁琳琳;周小雨;李赞;王丹洋;关磊;都毅;毛维安 -专利权人：西安电子科技大学
申请日： 2020-06-30 - 公布日： 2023-03-24 - 主分类号： G06F18/10 文献下载
摘要：实现步骤为：构建卷积神经网络和变分自编码器网络，引入新的网络结构和参数设置，构建最优的神经网络结构；跳频信号线性测量；数据预处理，用分离复数的实部和虚部的数据预处理方式，得到输入神经网络的数据格式；训练卷积神经网络和变分自编码器网络本发明构建权值共享，稀疏连接的两个网络，用数据预处理方式，得到输入神经网络的数据格式，通过训练好的最优神经网络结构和参数设置重构原始跳频信号。
采样通信信号深度学习恢复方法

[发明专利]基于时空神经网络的非平稳地震资料衰减补偿方法及系统-CN202310034534.5在审
发明人：高照奇;杨淋森;高静怀;王建花;杨涛;李闯;李振;王清振;孙文博;王艳冬;丁继才 -专利权人：西安交通大学
申请日： 2023-01-10 - 公布日： 2023-05-02 - 主分类号： G01V1/28 文献下载
摘要：本发明公开了一种基于时空神经网络的非平稳地震资料衰减补偿方法及系统，将估计的浅层地震子波和实际测井反射系数序列通过褶积模型合成测井位置处的地震记录道；基于非平稳地震记录与得到的测井位置处的合成地震记录道，构建考虑地震记录时空特性的数据集；针对非平稳地震资料衰减补偿设计时空神经网络结构；基于构造的数据集对建立的时空神经网络结构进行网络训练，确定时空神经网络的最优参数集；基于训练好的时空神经网络结构及最优参数集，将非平稳地震道映射为平稳地震道，得到网络估计的二维平稳地震数据。本发明考虑了地震数据的时空结构特性，通过训练时空神经网络，实现非平稳地震资料的衰减补偿，从而提高深层地震资料的纵向分辨率。
基于时空神经网络平稳地震资料衰减补偿方法系统

[发明专利]基于卷积神经网络的单通道声音分离方法-CN201710821803.7有效
发明人：段惠萍;梁瀚明;张新月;方俊 -专利权人：电子科技大学
申请日： 2017-09-13 - 公布日： 2020-06-16 - 主分类号： G10L21/0272 文献下载
摘要：本发明公开了一种基于卷积神经网络的单通道声音分离方法，属于声音信号处理、人工智能技术领域。本发明首先提出了基于卷积神经网络的单通道声音分离方法的处理框架，该框架由短时傅里叶变换、卷积神经网络、时频掩膜、逆短时傅里叶变换组成。其中卷积神经网络包含卷积层、池化层、融合层以及上采样层。本发明利用卷积神经网络擅长于挖掘二维数据空间特征的特性，在神经网络层数方面，增加模型的层数；在神经网络结构方面，本发明提出一个包含编码阶段和解码阶段的卷积神经网络结构。在单通道声音分离领域，本发明较之基线模型在分离指标上得到了极大提升，同时大大降低了神经网络参数的数目。
基于卷积神经网络通道声音分离方法

[发明专利]一种硬件感知的可微分的神经网络结构搜索方法及装置-CN202111229000.5在审
发明人：王一;李伟琪;龚力;戴卫斌;于波;周宇虹 -专利权人：海宁奕斯伟集成电路设计有限公司;北京奕斯伟计算技术有限公司
申请日： 2021-10-21 - 公布日： 2022-01-28 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种硬件感知的可微分的神经网络结构搜索方法及装置，涉及神经网络技术领域，实现了能够有效地在计算和存储资源受限的边缘设备上部署基于DNN模型的应用。本发明的主要技术方案为：利用可微分的神经网络结构，训练宽度和深度可伸缩的超级网络，以及根据在目标硬件上搜集的硬件指标表，从超级网络中提取出将准确率和执行效率平衡的更优的子网，继而利用这样的子网构建适用于目标硬件的目标本发明应用于搜索适用于目标设备的神经网络结构并构建DNN模型。
一种硬件感知微分神经网络结构搜索方法装置

[发明专利]基于强化学习的端云框架神经网络生成方法和系统-CN202111273767.8在审
发明人：张爽;向立瑶 -专利权人：上海交通大学
申请日： 2021-10-29 - 公布日： 2022-02-08 - 主分类号： G06N3/04 文献下载
摘要：本发明提供了一种基于强化学习的端云框架神经网络生成方法和系统，包括：步骤1：使用向量表示初始的神经网络结构，并作为强化学习的状态空间；步骤2：将向量输入到双向长短期记忆网络LSTM中获取切割动作和压缩动作；步骤3：根据切割动作和压缩动作更新初始神经网络的结构，训练新的神经网络并计算其精度、隐私和资源消耗；步骤4：根据精度、隐私和资源消耗计算奖赏并更新LSTM直至收敛；步骤5：将收敛后获取的神经网络部署到手机端和云端，供用户进行神经网络推理。本发明可以自动生成为端云框架定制的神经网络结构，同时能实现任务高精度、中间层特征高隐私性和移动端的神经网络低能耗。
基于强化学习框架神经网络生成方法系统

[发明专利]神经网络训练、行驶控制方法及装置-CN202110224337.0在审
发明人：王泰;祝新革;林达华 -专利权人：商汤集团有限公司
申请日： 2021-02-26 - 公布日： 2021-06-08 - 主分类号： G06K9/00 文献下载
摘要：本公开提供了一种神经网络训练、行驶控制方法、装置、电子设备及存储介质，该方法包括：获取训练样本；基于训练样本中待检测对象的二维标注框的尺度，确定二维标注框内每个像素点匹配的目标神经网络中的子网络结构；其中，不同子网络结构用于对训练样本中不同尺度的二维标注框内的像素点进行特征提取；确定训练样本中二维标注框内的至少一个像素点对应的、待检测对象的三维标注数据；基于各个子网络结构分别对应的、具有三维标注数据的至少一个像素点，训练目标神经网络中的每个子网络结构，得到训练后的目标神经网络。
神经网络训练行驶控制方法装置

[发明专利]一种用于图像处理的方法、电子设备、装置及计算系统-CN202110625013.8在审
发明人：赵娟萍 -专利权人： OPPO广东移动通信有限公司
申请日： 2021-06-04 - 公布日： 2022-12-23 - 主分类号： G06V10/82 文献下载
摘要：本申请实施例公开了一种用于图像处理的方法、电子设备、装置及计算系统，该方法包括：构建图像处理神经网络；其中，所述图像处理神经网络为UNET网络，所述图像处理神经网络是基于神经网络结构搜索自动搜索到的；将原始RAW图像输入到图像处理神经网络进行图像特征提取，输出sRGB图像。这样，将神经网络结构搜索技术应用到ISP图像处理中，得到一种更轻量化的图像处理神经网络，从而使得网络模型更容易部署到手机等移动设备上，能有效降低移动设备的计算能耗。
一种用于图像处理方法电子设备装置计算系统

[发明专利]神经网络训练中的信息处理方法、设备与存储介质-CN201911301032.4有效
发明人：郑焕鑫;王桂彬 -专利权人：百度在线网络技术（北京）有限公司
申请日： 2019-12-17 - 公布日： 2021-03-19 - 主分类号： G06N3/08 文献下载
摘要：本申请公开了一种神经网络训练中的信息处理方法、设备与存储介质，涉及人工智能技术领域。具体实现方案为：在神经网络训练中，获取网络结构的具有顺序关系的多个操作基于输入数据执行前向计算得到的目标结果；将所述目标结果存储在内存中；基于所述内存中存储的所述目标结果和所述多个操作的逆运算进行反向计算，以训练所述神经网络的网络结构。本申请的技术方案，能够克服现有技术的不足，在神经网络训练中节省内存的开销，同时还能够保证神经网络训练中的计算复杂度较低，从而能够有效地节省神经网络的训练时间，提高神经网络的训练效率。
神经网络训练中的信息处理方法设备存储介质

[发明专利]神经网络结构及其方法-CN201480084419.8有效
发明人： H·瓦尔波拉 -专利权人：柯纳睿资本有限责任公司
申请日： 2014-11-26 - 公布日： 2021-05-14 - 主分类号： G06N3/02 文献下载
摘要：本发明涉及使得能够有效地训练网络的神经网络结构及其方法。该结构是梯形结构，其中一个或多个横向输入被送到解码函数。通过最小化属于该结构的一个或多个成本函数，可以以有效的方式来训练神经网络结构。
神经网络结构及其方法

[发明专利]基于并联的稠密卷积神经网络的图像超分辨率重建方法-CN201910185854.4在审
发明人：吕卫;张国帅;褚晶辉 -专利权人：天津大学
申请日： 2019-03-12 - 公布日： 2019-08-02 - 主分类号： G06T3/40 文献下载
摘要：本发明公开了一种基于稠密卷积神经网络的并联单帧图像超分辨率重建方法，所述方法包括以下步骤：构建由两个并联稠密连接结构块和一个跳层连接结构组成的稠密卷积神经网络，两个并联的稠密连接结构块作为循环子块，每条支路均包含一个子块结构和恒等映射；对稠密卷积神经网络进行训练，输入任意大小的低分辨率图像，加载训练好的模型，输出重建的高分辨率图像。本发明将稠密卷积神经网络结构的思想应用到单帧图像的超分辨率重建，并在稠密卷积神经网络结构的基础上改进了网络结构，进一步优化了模型框架，提升了算法效果。
稠密卷积神经网络并联超分辨率重建神经网络结构连接结构卷积子块低分辨率图像高分辨率图像图像超分辨率单帧图像结构组成模型框架跳层连接网络结构支路帧图像重建构建加载算法映射输出应用优化改进