“稀疏层”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2509274个，建议您升级VIP下载更多相关专利

[发明专利]用于神经网络的组平衡式稀疏激活和联合激活权重稀疏训练的系统和方法-CN202280005926.2在审
发明人：严恩勖 -专利权人：墨芯国际有限公司
申请日： 2022-08-15 - 公布日： 2023-05-23 - 主分类号： G06N3/084 文献下载
摘要：该方法可包括：在神经网络的当前层的前向传播期间，基于当前层的稀疏输入张量和稀疏权重张量生成密集输出张量，和稀疏化密集输出张量以获得稀疏输出张量；在神经网络的当前层的后向传播期间：基于稀疏输出张量确定第一稀疏导数张量，基于第一稀疏导数张量和当前层的稀疏权重张量获得密集导数张量，和稀疏化密集导数张量以获得第二稀疏导数张量；和基于第一稀疏导数张量和第二稀疏导数张量训练神经网络的权重张量。
用于神经网络平衡稀疏激活联合权重训练系统方法

[发明专利]一种基于层稀疏化的分布式深度学习训练方法及系统-CN202111627780.9有效
发明人：吕建成;胡宴箐;叶庆;张钟宇;郎九霖;田煜鑫;吕金地 -专利权人：四川大学
申请日： 2021-12-28 - 公布日： 2023-09-12 - 主分类号： G06F15/78 文献下载
摘要：本发明公开了一种基于层稀疏化的分布式深度学习训练方法及系统，属于分布式训练通信稀疏化技术领域，包括如下步骤：根据神经网络模型收敛特性，得到归一化窗口中心列表；利用层稀疏化方法和归一化窗口中心列表，得到层传输列表；根据层传输列表进行基于层稀疏化的分布式深度学习训练，得到权重更新参数，完成基于层稀疏化的分布式深度学习训练；并对应设置了基于层稀疏化的分布式深度学习训练方法的系统，本发明解决了现有的训练框架仅在网络层内部稀疏化的问题，有效提升了稀疏化程度，降低了通信量。
一种基于稀疏分布式深度学习训练方法系统

[发明专利]稀疏处理方法、装置及设备-CN202010910413.9在审
发明人：张凯;谭文明;李哲暘 -专利权人：杭州海康威视数字技术股份有限公司
申请日： 2020-09-02 - 公布日： 2020-12-18 - 主分类号： G06T5/00 文献下载
摘要：本发明提供一种稀疏处理方法、装置及设备，可根据特征图确定稀疏参数，进而可避免或减少关键信息的损失。该方法包括：获得待处理的目标特征图，所述目标特征图包含多个特征值；将所述目标特征图输入至已训练的稀疏网络以得到稀疏特征图；其中，所述稀疏网络包括第一计算层和第二计算层，所述第一计算层用于依据所述目标特征图中的各特征值确定对应的稀疏参数并输出给所述第二计算层，所述第二计算层用于依据输入的所述稀疏参数对所述目标特征图中的特征值进行稀疏处理以得到所述稀疏特征图。
稀疏处理方法装置设备

[发明专利]一种可重叠的任意形状稀疏图形快速无闪烁显示方法和装置-CN200710108310.5有效
发明人：毛胜尧;廖科峰 -专利权人：深圳迈瑞生物医疗电子股份有限公司
申请日： 2007-05-11 - 公布日： 2011-10-26 - 主分类号： G09G5/377 文献下载
摘要：描述了一种将含有稀疏图的图形元素转换成图形层的方法，包括将各稀疏图对应映射为各稀疏图形层，并且将稀疏图之间的常规图按照自下而上的顺序依次投影到一个投影平面上形成常规图形组合层。还描述了一种用于将可重叠的任意形状稀疏图形进行快速无闪烁显示的方法，包括：将含有待显示稀疏图的图形元素转换成图形层；判断针对待显示稀疏图是进行绘制还是擦除操作，并在擦除稀疏图时，将该对应稀疏图形上的各点设为透明；以及根据待显示稀疏图的形状逐点完成该稀疏图形状对应的点的绘制。
一种重叠任意形状稀疏图形快速闪烁显示方法装置

[发明专利]基于分层稀疏滤波卷积神经网络的SAR图像分类方法-CN201510497374.3有效
发明人：杨淑媛;龙贺兆;焦李成;刘红英;马晶晶;马文萍;熊涛;刘芳;侯彪;刘志 -专利权人：西安电子科技大学
申请日： 2015-08-13 - 公布日： 2018-05-25 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于分层稀疏滤波卷积神经网络的SAR图像分类方法。其步骤为：1.划分SAR数据库样本集为训练数据集和测试样本集；2.从训练数据集学习第一层稀疏字典；3.利用第一层稀疏字典提取第一层稀疏特征图并进行非线性变换；3.从第一层非线性变换特征图学习第二层稀疏字典；4.利用第二层稀疏字典提取第二层稀疏特征图并进行非线性变换；5.级联第一，二层非线性变换特征训练SVM分类器；6.利用第一，二层稀疏字典抽取测试集的稀疏特征，用SVM分类器进行分类。
稀疏非线性变换字典第一层稀疏特征分类训练数据集滤波卷积神经网络二层分层测试样本集技术设计目标识别特征训练测试集抗噪性普适性特征图样本集级联可用数据库抽取学习

[发明专利]基于稀疏化网络的目标分类方法和系统-CN202111466781.X在审
发明人：陆强;程新景 -专利权人：际络科技（上海）有限公司
申请日： 2021-12-03 - 公布日： 2022-04-26 - 主分类号： G06V10/764 文献下载
摘要：本发明涉及目标分类技术领域，提供一种基于稀疏化网络的目标分类方法和系统，方法包括：获取输入图像；将所述输入图像输入稀疏化网络，得到目标分类结果；所述稀疏化网络是指以稀疏化层替换分类网络的原始层的网络；所述分类网络是基于样本和标签训练得到的；所述稀疏化层是根据所述原始层的稀疏率将所述原始层的参数稀疏化得到的；所述原始层的稀疏率是以所述分类网络的分类准确度阈值为约束，基于二分法迭代确定的。本发明能够针对不同原始层，根据其重要程度给出不同的稀疏率取值，在保证分类准确率的前提下，对网络结构进行高效的剪枝，从而进一步提升网络的运行速度、减少计算资源需求。
基于稀疏网络目标分类方法系统

[发明专利]基于分解和剪枝的卷积神经网络压缩方法、系统、装置-CN201911029615.6在审
发明人：胡卫明;刘雨帆;阮晓峰;李兵;原春锋;潘健 -专利权人：中国科学院自动化研究所
申请日： 2019-10-28 - 公布日： 2020-02-11 - 主分类号： G06N3/04 文献下载
摘要：本发明属于人工智能领域，具体涉及一种基于分解和剪枝的卷积神经网络压缩方法、系统、装置，旨在解决采用低秩近似分解或结构化稀疏剪枝进行卷积神经网络压缩，导致压缩力度较小的问题。本系统方法包括将每个待压缩的卷积层后面添加一层系数矩阵表示层；通过低秩近似分解算法对系数矩阵表示层进行稀疏处理，并根据系数矩阵表示层稀疏的位置对对应的卷积层的滤波器进行剪枝处理；采用结构化稀疏剪枝方法对分解后的系数矩阵表示层进行稀疏处理，并根据系数矩阵表示层稀疏的位置对其滤波器进行剪枝处理；对稀疏剪枝处理后的卷积神经网络进行训练。本发明通过将低秩近似分解和结构化稀疏剪枝两种方法融合，解决了单一方法引起的缺陷，提高了压缩力度。
剪枝稀疏系数矩阵表示层卷积神经网络压缩结构化低秩分解滤波器近似稀疏处理卷积人工智能领域方法融合分解算法

[发明专利]一种基于随机计算和稀疏计算的图像识别卷积层结构-CN202210093892.9在审
发明人：熊兴中;董亚;骆忠强 -专利权人：四川轻化工大学
申请日： 2022-01-26 - 公布日： 2022-05-03 - 主分类号： G06V10/44 文献下载
摘要：本发明公开了一种基于随机计算和稀疏计算的图像识别卷积层结构，涉及深度学习技术领域，通过稀疏计算对输入的图像特征图和对应的权值进行稀疏化处理，将稀疏化处理结果中出非零值传入到随机计算模块完成乘累加运算，最后，利用稀疏计算和随机计算搭建高效并行的卷积层结构，进行卷积，输出卷积结果；本发明提供的一种基于随机计算和稀疏计算的图像识别卷积层结构，构建基于随机计算和稀疏计算的低复杂度卷积层架构，保障卷积运算精度的同时，降低硬件实现的复杂度，使输入的图像特征图和权重稀疏带来的加速优势被充分利用。
一种基于随机计算稀疏图像识别卷积结构

[发明专利]人工神经网络调整方法及神经网络计算平台-CN201810618272.6有效
发明人：方绍峡;于谦;王俊斌 -专利权人：赛灵思电子科技（北京）有限公司
申请日： 2018-06-15 - 公布日： 2022-07-26 - 主分类号： G06N3/04 文献下载
摘要：所述ANN包括多个卷积层(CONV层)并且每个CONV层具有多个通道，所述方法包括：制定稀疏化规则，所述稀疏化规则用于调整至少一个所述CONV层的多个通道的权重具有关联的规则零值分布；向所述ANN施加所述稀疏化规则；以及基于多个批次训练的迭代调整获取符合所述稀疏化规则的经训练的ANN。本发明充分利用卷积神经网络的权重稀疏性，通过软硬件一体化设计方法，将不规则稀疏的权重训练为规则稀疏权重，并进一步配合专用稀疏加速硬件，达到数倍等效性能提高的效果，并在同时通过有效降低功耗。
人工神经网络调整方法计算平台

[发明专利]一种复合神经网络模型及其建模方法-CN201910999560.5在审
发明人：李海峰;徐忠亮;丰上;马琳;徐聪;薄洪健;王子豪;熊文静 -专利权人：哈尔滨工业大学
申请日： 2019-10-21 - 公布日： 2020-02-07 - 主分类号： G06N3/04 文献下载
摘要：本发明公开了一种复合神经网络模型及其建模方法，包括：一个全连接稀疏建模模块、一个输入映射单层感知器层、一个字典学习单层感知器层以及一个反馈通路模块。全连接稀疏建模模块用于在系统的每一轮迭代中完成单一样本的稀疏建模，输入映射单层感知器层用于生成全连接稀疏建模模块所需的持续外输入，字典学习单层感知器层用于实现稀疏字典的学习和优化，反馈通路模块用于辅助全连接稀疏建模模块、提高建模的稀疏质量。本发明的优点是，通过Hopfield神经网络的全连接工作机制以及感知器神经网络模型的权值学习机制，实现一体化的数据驱动稀疏建模和字典学习，获取全局性更好、稀疏性能更优的建模结果。
稀疏建模模块感知器单层建模字典学习反馈通路模块输入映射感知器神经网络复合神经工作机制建模结果数据驱动网络模型学习机制迭代样本字典一体化优化学习

[发明专利]一种基于二维度稀疏化的深度信念网络入侵检测方法-CN201710534587.8有效
发明人：周杰英;杨诗珺;邱荣发;刘映淋 -专利权人：中山大学
申请日： 2017-07-03 - 公布日： 2020-08-04 - 主分类号： H04L29/06 文献下载
摘要：本发明涉及一种基于二维度稀疏化的深度信念网络入侵检测方法，包括：稀疏化数据集的第一维度稀疏化方法和稀疏化隐层单元的第二维度稀疏化方法。第一维度稀疏化是指对输入训练数据进行稀疏判断并将数据集转换为稀疏数据集；第二维度稀疏化是指通过对RBM隐层单元进行余弦相似度分组并且在训练RBM的目标函数中引入分组稀疏惩罚项来迫使隐层单元从数据中学习到不同的特征将训练好的RBM堆叠成DBN形成一种新的二维稀疏化深度信念网路，并将其用于入侵检测系统。本方法同时考虑到数据集稀疏化程度和特征同质化对RBM训练的影响，使优化后的DBN用于入侵检测系统具有更高的准确率和更低的误检率，且能够提高检测的效率。
一种基于维度稀疏深度信念网络入侵检测方法

[发明专利]一种神经网络模型优化方法、平台、设备和存储介质-CN202310633995.4在审
发明人：唐海琪;蔡权雄;牛昕宇;熊超 -专利权人：山东产研鲲云人工智能研究院有限公司
申请日： 2023-05-31 - 公布日： 2023-08-15 - 主分类号： G06N3/082 文献下载
摘要：神经网络模型优化方法包括：获取目标神经网络模型的描述信息和权重特征信息，基于描述信息和权重特征信息从目标神经网络模型的所有网络层中选出至少一层作为稀疏网络层；根据权重特征信息获取每层稀疏网络层的稀疏度信息；基于每层稀疏网络层的稀疏度信息分别确定每层稀疏网络层优化策略，进而获取目标神经网络模型的优化分析结果，优化分析结果用于指示对目标申请网络模型进行优化操作。
一种神经网络模型优化方法平台设备存储介质

[发明专利]一种用于神经网络的基于混合粒度的联合稀疏方法-CN202011553635.6有效
发明人：卓成;郭楚亮;尹勋钊 -专利权人：浙江大学
申请日： 2020-12-24 - 公布日： 2021-03-26 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种用于神经网络的基于混合粒度的联合稀疏方法，该联合稀疏方法包括独立的向量级细粒度稀疏化和块级粗粒度稀疏化，通过对两种稀疏方式独立生成的剪枝蒙版进行按位逻辑与运算，获得最终的剪枝蒙版，进而获得稀疏化后的神经网络的权重矩阵本发明联合稀疏性始终获得介于块稀疏和平衡稀疏模式之间的推理速度，而无需考虑向量级细粒度稀疏化的向量行大小和块级粗粒度稀疏化的向量块大小。用于神经网络卷积层和全连结层的剪枝，具有稀疏粒度可变，通用硬件推理加速，模型推理精度高的优点。
一种用于神经网络基于混合粒度联合稀疏方法

[发明专利]一种稀疏矩阵向量乘运算时间预测方法及系统-CN202010759916.0在审
发明人：冯仰德;王珏;曹中潇;杨文;刘天才;聂宁明;高付海;王晓光;高岳 -专利权人：中国原子能科学研究院;中国科学院计算机网络信息中心
申请日： 2020-07-31 - 公布日： 2020-11-10 - 主分类号： G06F17/16 文献下载
摘要：本发明涉及一种稀疏矩阵向量乘运算时间预测方法及系统，其中，方法包括以下步骤：构建卷积神经网络，卷积神经网络包括输入层、特征处理层、数据拼接层以及输出层，其中，输入层用于输入稀疏矩阵中的行特征矩阵的特征、列特征矩阵的特征、体系结构参数扩展矩阵的特征；特征处理层用于提取上一层中的特征；数据拼接层，用于对提取的行特征矩阵的特征、列特征矩阵的特征、体系结构参数扩展矩阵的特征进行拼接；输出层用于输出预测结果；获取多组已知稀疏矩阵向量乘运算时间的稀疏矩阵作为样本数据，将样本数据输入至卷积神经网络以实现对卷积神经网络的训练；将待分类的稀疏矩阵输入至训练完成的卷积神经网络，实现稀疏矩阵向量乘运算时间的预测。
一种稀疏矩阵向量运算时间预测方法系统

[发明专利]一种多任务稀疏贝叶斯极限学习机回归方法-CN202010097148.7有效
发明人：黄永;李惠;高竞泽 -专利权人：哈尔滨工业大学
申请日： 2020-02-17 - 公布日： 2020-12-11 - 主分类号： G06N20/00 文献下载
摘要：本发明提出一种多任务稀疏贝叶斯极限学习机回归方法，所述方法包括对于单隐含层神经网络的输入层至隐含层的随机特征提取、输出层权值的多任务稀疏建模及后验估计、多任务稀疏贝叶斯极限学习机参数和超参数快速优化估计等本发明所述方法采用层次贝叶斯模型对极限学习机输出层权值进行多任务稀疏求解，在保证精度的前提下，裁剪了极限学习机的冗余隐含层神经元，得到了更为紧凑的神经网络，有效的避免了极限学习机的过拟合现象，并能使隐含层神经元个数无须预先确定从稀疏贝叶斯学习的角度，前端的单隐含层神经网络可以使稀疏贝叶斯学习方法得以应用于非线性问题。
一种任务稀疏贝叶斯极限学习机回归方法

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