“贝叶斯高斯”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500295个，建议您升级VIP下载更多相关专利

[发明专利]一种基于高斯态和零差测量的贝叶斯量子耗散环境参数估计方法-CN202310247838.X在审
发明人：唐杰;石磊;刘莹;曹跃翔 -专利权人：中国人民解放军空军工程大学
申请日： 2023-03-15 - 公布日： 2023-09-29 - 主分类号： G06F30/20 文献下载
摘要：本发明涉及一种基于高斯态和零差测量的贝叶斯量子耗散环境参数估计方法，属于量子计量技术领域。包括：建立贝叶斯量子参数估计模型，建立量子耗散环境参数估计模型，依据建立的模型刻画贝叶斯量子耗散环境参数估计模型，针对单模位移压缩态在耗散系统中的演化过程，分别对系统相移、损耗系数和温度进行估计，分析不同参数对估计过程的影响高斯态在实验室中比较容易获得，在量子信息处理中发挥着重要作用。零差探测是最常用的高斯测量方法，与外差检测相比，零差探测在贝叶斯量子参数估计的情况下具有更好的性能。贝叶斯量子估计方法能够在缺乏测量数据时对估计过程进行不断迭代更新，最终获得较好的测量精度。
一种基于高斯态测量贝叶斯量子耗散环境参数估计方法

[发明专利]基于逆高斯过程的性能退化试验贝叶斯可靠性评估方法-CN201710389892.2有效
发明人：李鸿志;周郁;黄勇;张衡;李雁斌;张志俊 -专利权人：上海无线电设备研究所
申请日： 2017-05-27 - 公布日： 2020-07-31 - 主分类号： G06F17/18 文献下载
摘要：本发明涉及一种基于逆高斯过程的性能退化试验贝叶斯可靠性评估方法，包含：S1、建立逆高斯过程退化统计模型，确定可靠度函数和平均失效时间；S2、收集产品在研制各阶段中试验件的性能退化数据；S3、将试验件性能退化数据折合到正样产品在正常工作应力下的性能退化数据，作为贝叶斯可靠性估计的先验信息；S4、将正样产品的性能退化数据作为后验信息，结合先验信息，得到计算可靠度函数的参数；S5、计算可靠度函数和平均失效时间，得到产品可靠性的贝叶斯估计结果。本发明采用逆高斯模型刻画产品性能的退化过程，能更好的拟合数据；将研制各阶段的试验件性能退化数据纳入贝叶斯估计先验信息范畴，使产品贝叶斯可靠性评估结果更精确、更全面。
基于逆高斯过程性能退化试验贝叶斯可靠性评估方法

[发明专利]一种考虑随机效应的腐蚀管道贝叶斯退化分析方法-CN201910342047.9有效
发明人：张新生;吕品品;张平;裘瑾;叶晓燕 -专利权人：西安建筑科技大学
申请日： 2019-04-26 - 公布日： 2022-09-27 - 主分类号： G06F30/20 文献下载
摘要：本发明公开了一种考虑随机效应的腐蚀管道贝叶斯退化分析方法，包括以下步骤：1)通过IG过程描述管道的腐蚀退化过程；2)利用贝叶斯方法分别分析各模型、随机漂移逆高斯模型、随机波动逆高斯模型及随机漂移‑波动逆高斯模型；3)利用贝叶斯χ2拟合优度检验各模型的适用性；4)利用各模型分别模拟产生随机退化数据，然后利用贝叶斯分析方法进行先验分析及样本量的综合灵敏度分析；5)将步骤4
一种考虑随机效应腐蚀管道贝叶斯退化分析方法

[发明专利]一种改进贝叶斯优化的LightGBM故障诊断方法-CN201910532139.3有效
发明人：姜少飞;许青青;邬天骥;李吉泉;李志;高启龙 -专利权人：浙江工业大学
申请日： 2019-06-19 - 公布日： 2022-05-13 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种改进贝叶斯优化的LightGBM故障诊断方法，包括以下步骤：1)确定LightGBM模型需要优化的超参数及超参数取值范围；2)对贝叶斯优化算法进行改进，得到改进贝叶斯优化算法GP‑ProbHedge；3)使用步骤2)的方法结合五折交叉验证方式选取故障诊断模型最优超参数组合；4)构建改进贝叶斯优化LightGBM故障诊断模型，并给出模型迭代过程及优化结果。通过采用上述技术，与现有技术相比，本发明提出一种改进的贝叶斯优化算法对故障模型的参数进行优化选取，通过对传统贝叶斯优化算法的采集函数及其高斯过程的协方差函数进行改进，同时提出改进贝叶斯优化LightGBM
一种改进贝叶斯优化 lightgbm 故障诊断方法

[发明专利]大数据、人工智能、超算协同的材料性能预测方法-CN201810629623.3有效
发明人：李建江;杨文;贺新福;胡长军;王珏;李丹宁;陈丹丹 -专利权人：中国原子能科学研究院;北京科技大学;中国科学院计算机网络信息中心
申请日： 2018-06-19 - 公布日： 2021-07-16 - 主分类号： G06Q10/04 文献下载
摘要：本发明提供一种大数据、人工智能、超算协同的材料性能预测方法，涉及材料性能预测技术领域，所述方法包括：获取原始数据集并进行预处理；创建多个不同的贝叶斯深度网络模型；构造权重的高斯先验分布；构造似然函数；根据贝叶斯准则计算权重的后验概率分布函数；然后利用高斯近似方法在超级计算机上并行求解每个模型的参数后验，直至参数后验收敛；之后利用预测集通过每个网络模型得到预测输出，计算每个贝叶斯深度网络模型的占所有网络的权重比；最后根据训练好的贝叶斯深度网络模型对预测集进行预测
数据人工智能协同材料性能预测方法

[发明专利]一种低复杂度稀疏贝叶斯矢量的估计方法及系统-CN202010159566.4在审
发明人：王忠勇;刘飞;王玮;朱政宇;孙鹏;郭亚博 -专利权人：郑州大学
申请日： 2020-03-09 - 公布日： 2020-05-12 - 主分类号： G01S3/14 文献下载
摘要：一种低复杂度的稀疏贝叶斯矢量估计方法及系统，所述方法包括：S1、设定稀疏贝叶斯矢量系统中字典矩阵后验分布和加性高斯白噪声概率分布超参数的初值；S2、基于预设的系统模型和所述超参数的初值，使用边缘似然最大化算法，获取系统中字典矩阵后验分布和加性高斯白噪声概率分布超参数的估计值；S3、基于所述算法概率分布超参数的估计值，对所述系统的稀疏向量进行估计。本发明提出的一种低复杂度的稀疏贝叶斯矢量估计方法及系统，通过构建稀疏矢量的后验概率模型，稀疏向量ω估计问题可转化为超参数d和σ2的估计问题，进而采用一种稀疏贝叶斯矢量估计算法解决了通常稀疏贝叶斯估计算法中需要矩阵求逆问题
一种复杂度稀疏贝叶斯矢量估计方法系统

[发明专利]一种基于多输出高斯过程贝叶斯优化的天线优化方法-CN202110438497.5有效
发明人：李建星;田春明;杨安 -专利权人：西安交通大学
申请日： 2021-04-22 - 公布日： 2023-07-04 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种基于多输出高斯过程贝叶斯优化的天线优化方法，利用少量的高精度电磁仿真和大量的低精度电磁仿真构建代理模型，在代理模型的基础上使用贝叶斯优化，从而大幅提高天线的优化速度。利用多输出高斯过程，基于少量的高精度仿真数据和大量的低精度仿真数据建立代理模型，然后在此基础上使用贝叶斯优化方法进行迭代。本发明基于成熟的数学模型，逻辑清晰，与传统贝叶斯优化相比，在保证优化结果的前提下明显提升了优化的速度。
一种基于输出过程贝叶斯优化天线方法

[发明专利]一种并行贝叶斯优化方法-CN202010443035.8在审
发明人：焦学伟;高阳 -专利权人：南京大学;江苏万维艾斯网络智能产业创新中心有限公司
申请日： 2020-05-22 - 公布日： 2020-07-28 - 主分类号： G06F17/15 文献下载
摘要：本发明公开了一种并行贝叶斯优化方法，属于贝叶斯优化技术领域，其中一种并行贝叶斯优化方法，包括：采用超参数服务器架构实现了对全局超参数的同步和目标函数的并行化评估；采用高斯随机过程对目标函数进行建模，建模时结合了最佳似然估计准则动态寻找最佳适应的核函数本发明提供了一种并行贝叶斯优化方法，能够较准确、快速地解决计算成本高的复杂优化问题。
一种并行贝叶斯优化方法

[发明专利]一种基于高斯dropout的深度学习模型不确定度计算方法-CN202110043576.6在审
发明人：刘磊;郑芮;孙明斋 -专利权人：中国科学技术大学
申请日： 2021-01-13 - 公布日： 2021-04-30 - 主分类号： G06K9/62 文献下载
摘要：一种基于高斯dropout的深度学习模型不确定度计算方法，包括如下步骤：步骤1、对深度学习模型权重进行dropout采样，等价于对普通深度学习模型权重施加了一个贝努利分布，即在不改变模型结构的情况下将普通深度学习模型转换成贝叶斯深度学习模型对于深度学习模型进行训练时，采用变分推断的方法求出模型近似后验分布，即用一个分布近似后验概率的分布，计算二者之间的KL散度并且通过优化使得二者之间的KL散度最小化，最后得到最佳近似后验分布；步骤3、将贝叶斯深度学习模型的优化简化成训练好带有高斯dropout层的深度学习模型；步骤4、得到高斯dropout贝叶斯深度学习模型，采用Monte Carlo采样得到输出分布，计算采样的样本均值和标准差即得到输出分布结果。
一种基于 dropout 深度学习模型不确定计算方法

[发明专利]一种基于成像测井与贝叶斯分类的变质岩储层溶蚀孔隙识别方法-CN202310142188.2在审
发明人：衣健;刘鹏程;朱博含;单玄龙;李昂;任淑悦 -专利权人：吉林大学
申请日： 2023-02-21 - 公布日： 2023-05-05 - 主分类号： G06V20/10 文献下载
摘要：本发明公开了一种基于成像测井与贝叶斯分类的变质岩储层溶蚀孔隙识别方法，属于油气勘探技术领域，包括以下步骤：步骤一、识别成像测井静态图；步骤二、对成像测井静态图进行灰度图处理，得到灰度图；再将灰度图转化为二值图通过上述方式，本发明根据多个连通域特征参数，以及通过建立高斯数学模型，高斯数学模型可以体现单一特征的均值和方差以及分布情况，并利用贝叶斯法则将各个高斯模型特征参数融合形成贝叶斯数学模型，可有效区分裂缝和孔洞以达到识别孔隙
一种基于成像测井贝叶斯分类变质岩溶蚀孔隙识别方法

[发明专利]一种基于贝叶斯优化的MDI剂量建议系统-CN202111577847.2有效
发明人：史大威;张慧鹏;蔡德恒;王军政 -专利权人：北京理工大学
申请日： 2021-12-22 - 公布日： 2022-11-25 - 主分类号： G16H20/13 文献下载
摘要：本发明公开一种基于贝叶斯优化的MDI剂量建议系统，包括指标计算模块、高斯过程学习模块和安全贝叶斯优化模块；指标计算模块将采集的某患者前一天24小时血糖进行记录并分段划分处理，并转化成能够描述血糖管理水平的非对称惩罚指标以及低血糖安全指标；高斯过程学习模块将指标结果和胰岛素剂量作为输入训练得到预测模型，利用预测模型得到剂量对应的预测结果；安全贝叶斯优化模块利用高斯过程学习模块预测得到的非对称惩罚指标预测模型的随机分布计算最大改善期望，并利用低血糖安全指标分布得到安全限制函数
一种基于贝叶斯优化 mdi 剂量建议系统

[发明专利]基于贝叶斯高斯张量分解模型的用电数据修复方法及系统-CN202310884271.7有效
发明人：王宗耀;屈浏强;许志浩;丁贵立;康兵;张兴旺;单惠敏;范师尧 -专利权人：南昌工程学院;江西博微新技术有限公司
申请日： 2023-07-19 - 公布日： 2023-09-19 - 主分类号： G06F18/15 文献下载
摘要：本发明属于数据修复领域，公开了一种基于贝叶斯高斯张量分解模型的用电数据修复方法及系统，收集天气、节假日、星期类型和用电量数据，构建成天气因子、节假日因子和星期因子，根据天气因子、节假日因子和星期因子构建相似度目标函数；使用野马优化算法对相似度目标函数进行寻优，在历史日中查找到与修复日相似度最高的M个相似日；以相似度最高的M个相似日的用电量数据构成三阶张量，将三阶张量输入到贝叶斯高斯张量分解模型中进行数据修复。本发明采用改进的野马优化算法选择相似日，输入贝叶斯高斯张量分解模型中对残缺数据进行修复，提升了修复准确率，以提高数据质量，达到提升预测等行为的精确性。
基于贝叶斯高斯张量分解模型用电数据修复方法系统

[发明专利]基于随机计算理论的贝叶斯网络推理方法-CN201911211588.4在审
发明人：贾小涛;杨建磊;成镇;赵巍胜 -专利权人：北京航空航天大学青岛研究院
申请日： 2019-12-02 - 公布日： 2020-04-24 - 主分类号： G06N5/04 文献下载
摘要：本发明涉及推理方法，尤其是一种基于随机计算理论的贝叶斯网络推理方法。该方法简化了基于中心极限定理的高斯随机发生器的计算过程，简化了贝叶斯神经网络推理过程中的乘法运算，利用二项分布发生器得到的“0‑1”序列为数据单元，“与门”实现乘法运算操作，“0‑1”随机数序列直接参与计算，完成贝叶斯神经网络推理，从而达到了减少硬件资源、提高计算速度、降低系统功耗的目的。
基于随机计算理论贝叶斯网络推理方法

[发明专利]基于大边界贝叶斯原型学习的小样本图像分类方法及装置-CN202210482490.8有效
发明人：李晓旭;郭紫杰;刘俊;武继杰;宋琪;张文斌;曾俊瑀;马占宇;陶剑;董洪飞 -专利权人：兰州理工大学
申请日： 2022-05-05 - 公布日： 2023-06-20 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种基于大边界贝叶斯原型学习的小样本图像分类方法及装置，方法包括以下步骤：S1、对数据进行预处理，其中数据包括训练集和测试集；S2、基于卷积神经网络和高斯分布模型，构建贝叶斯原型分布模型；S3、基于优化后的贝叶斯原型分布模型的目标函数并求解模型参数；S4、利用优化后的贝叶斯原型分布模型对测试集图像进行分类，测评模型的性能。本发明引入了大边界分类和变分推理的思想，基于分布估计建模的方式进行研究，建立了一种基于大边界贝叶斯原型学习的小样本图像分类方法及装置，解决了小样本图像分类中存在的原型偏差问题，改善了图像的分类效果，具有很高的实用价值
基于边界贝叶斯原型学习样本图像分类方法装置

[发明专利]一种基于可加性假设和图结构高斯过程模型的模拟电路优化方法-CN202111248599.7在审
发明人：曾璇;严昌浩;周电;王艳 -专利权人：复旦大学
申请日： 2021-10-26 - 公布日： 2023-05-02 - 主分类号： G06F30/367 文献下载
摘要：涉及一种高维空间中的贝叶斯优化方法。具体涉及一种基于可加性假设和图结构高斯过程模型的模拟电路优化方法。Additive Assumption)和图结构(Graph Structure)的高维空间，将原高维参数空间分解为多个互不相交的参数子空间，并在参数子空间中构建各参数间的关系依赖图，应用基于可加性假设和图结构的高斯过程模型(Gaussian Process Regression，GPR)，明显降低高维情况下贝叶斯优化方法的时间复杂度，加速电路优化过程。本方法实验结果表明，在高维模拟电路贝叶斯优化问题中，相较于现有方法可获得更快的收敛速度。
一种基于可加性假设结构过程模型模拟电路优化方法

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