“迭代训练”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396437个，建议您升级VIP下载更多相关专利

[发明专利]基于迭代加权组稀疏回归的物质分类方法-CN202210713869.5在审
发明人：李茜;郑成勇;李晓辉 -专利权人：江门市华讯方舟科技有限公司
申请日： 2022-06-22 - 公布日： 2022-09-06 - 主分类号： G06K9/62 文献下载
摘要：本发明提供一种基于迭代加权组稀疏回归的物质分类方法、系统、设备及存储介质，方法包括：获取训练样本与待测样本，对训练样本与待测样本进行预处理得到训练样本矩阵与待测样本矩阵，将训练样本矩阵与待测样本矩阵输入迭代加权组稀疏回归模型得到待测样本矩阵关于训练样本矩阵的表示系数矩阵其中，迭代加权组稀疏回归模型包括：引入增广拉格朗日函数，使用交替方向乘子法。
基于加权稀疏回归物质分类方法

[发明专利]一种基于生成对抗学习的机器翻译方法及装置-CN201810730868.5在审
发明人：张春荣 -专利权人：普天信息技术有限公司
申请日： 2018-07-05 - 公布日： 2020-02-04 - 主分类号： G06F40/51 文献下载
摘要：方法包括：随机分配生成对抗网络中的生成器的权重和判别器的权重，其中，判别器选取客观评判标准BLEU作为评判的指标；交替迭代训练生成器的权重和判别器的权重；当客观评判标准BLEU的取值大于预设值或交替迭代训练的次数大于预设次数，则停止交替迭代训练；根据交替迭代训练后的生成器对源语言进行翻译。
交替迭代机器翻译评判标准判别器生成器权重和权重预设评判随机分配对抗源语言翻译网络学习

[发明专利]模型迭代方法、装置、电子设备及存储介质-CN202011636870.X在审
发明人：庄伟;史忠伟 -专利权人：五八有限公司
申请日： 2020-12-31 - 公布日： 2021-04-02 - 主分类号： G06Q10/06 文献下载
摘要：本发明公开了一种模型迭代方法、装置、电子设备及存储介质，可以随机将利用预设策略模型筛选后的线上业务数据划分到训练集和测试集中；而后，利用训练集中的业务数据训练目标模型；利用测试集中的业务数据对目标模型进行效果评估；最后，在目标模型的评估效果达到评估指标的情况下，将线上使用的当前模型替换为目标模型，以完成模型的迭代。本发明的技术方案相比于当前人工收集并分析业务数据而言，基于预先训练好的策略模型自动筛选样本业务数据，能够加快模型迭代的效率，缩短模型迭代的周期。
模型方法装置电子设备存储介质

[发明专利]用于规划车辆路径的方法、系统及存储介质-CN201910277451.2有效
发明人：马华伟;圣玉祥;夏维;胡笑旋;罗贺;靳鹏;王国强;郭君;柏文勇;秦雪敏 -专利权人：合肥工业大学
申请日： 2019-04-08 - 公布日： 2023-02-03 - 主分类号： G06Q10/08 文献下载
摘要：该方法包括：随机生成多个训练的任务；将训练的任务分组并进行嵌入处理；更新迭代次数；采用长短期记忆网络分别对每组训练的任务进行编码；采用长短期记忆网络分别对编码后的每组训练的任务进行解码以生成车辆调度方案；根据目标函数分别计算每个车辆调度方案的收益；判断迭代次数是否大于或等于次数阈值；在判断迭代次数小于次数阈值的情况下，计算平均值；对长短期记忆网络进行参数优化，再次更新迭代次数；在判断迭代次数大于或等于次数阈值的情况下
用于规划车辆路径方法系统存储介质

[发明专利]图像处理模型的训练方法和装置、存储介质及电子设备-CN202111605270.1在审
发明人：江俊林;朱树磊;殷俊 -专利权人：浙江大华技术股份有限公司
申请日： 2021-12-24 - 公布日： 2022-04-12 - 主分类号： G06N20/00 文献下载
摘要：本发明公开了一种图像处理模型的训练方法和装置、存储介质及电子设备。其中，该方法包括：获取每个训练样本在每个迭代周期内进行模拟训练后得到的样本损失值；根据获取到的训练样本在多个迭代周期内得到的多个样本损失值，确定训练样本所属的样本类型，其中，样本类型用于指示训练样本在模拟训练中达到收敛条件的收敛程度；为目标样本类型的目标训练样本添加关注标记，并利用目标训练样本对原始模型进行模型训练，直至得到达到与目标样本类型相匹配的第二收敛条件的目标模型，其中，关注标记用于指示增加目标训练样本在每个迭代周期内的模型训练中的训练权重本发明解决了模型训练不当导致的图像处理模型性能不佳的技术问题。
图像处理模型训练方法装置存储介质电子设备

[发明专利]一种电压互感器误差状态迭代评估方法及系统-CN202111534507.1在审
发明人：王帅;匡林;任波;刘发志 -专利权人：武汉格蓝若智能技术有限公司
申请日： 2021-12-15 - 公布日： 2022-01-14 - 主分类号： G06K9/62 文献下载
摘要：本发明提供一种电压互感器误差状态迭代评估方法及系统，该方法包括以下步骤：S1，将电压互感器的状态评估数据集进行矫正预处理后作为训练集；S2，根据训练集，通过网格搜索的方式寻找划分分类叶子节点的最优超参数，根据最优超参数训练出的决策树模型作为基本分类器模型；S3，利用训练集对基本分类器模型使用集成学习方式进行迭代，每次迭代提高错误分类的数据权重并将其作为下一次迭代的输入项，直到迭代结束，输出当前电压互感器最终的强分类器模型本发明采用集成学习的方式对CVT在线评估错误矫正后的数据进行多轮迭代优化训练模型，提升CVT告警
一种电压互感器误差状态评估方法系统

[发明专利]一种二重学习的绝缘子串缺陷识别方法及设备-CN202110658030.1有效
发明人：李祥麟;翁书文;廖颖欢;李专;许艳婷;蒋平;陈婷;黄端华;刘智驰;陈臻;林汝东;李锴源;方德;蔡振满;戴宇;林伟耀;梁栋;黄诗荔;陈泽飞;周艳伟;徐国松;廖锋;钟康有;王泰贵;蔡佳林;黄景亮 -专利权人：广东电网有限责任公司湛江供电局
申请日： 2021-06-15 - 公布日： 2021-10-08 - 主分类号： G06T7/00 文献下载
摘要：本发明方法包括对采集到的图像进行预处理；然后利用一重学习分类器进行内部迭代识别训练，获得绝缘子串特征集；二重学习分类器根据该特征集进行内部迭代识别训练，获得绝缘子特征集；然后将该特征集组合后输入一重学习分类器中进行识别训练，形成外环迭代训练；最后利用模板匹配方法快速定位到绝缘子串和绝缘子的位置；通过计算该位置对应绝缘子的面积进而确定与具有缺陷的绝缘子对应的绝缘子串图像。本发明由于利用了两重学习中的内部迭代和外环迭代，在有限的参考特征集的情况下增加了迭代训练次数，使得对图像中绝缘子串和绝缘子的识别更加稳定高效。
一种二重学习绝缘子缺陷识别方法设备

[发明专利]一种伪标签生成方法、装置、设备及介质-CN202211626569.X在审
发明人：卓琳赫 -专利权人：合众新能源汽车股份有限公司
申请日： 2022-12-16 - 公布日： 2023-05-02 - 主分类号： G06F18/214 文献下载
摘要：本申请提供了一种伪标签生成方法、装置、设备及介质，该方法通过无标签样本和预先标注的有标签样本对初始检测网络进行多轮迭代训练，每轮迭代过程中根据本轮训练样本对前一轮训练至收敛的第一检测网络进行训练，得到本轮训练至收敛的第二检测网络进而根据本轮的第二检测网络对无标签样本进行特征识别得到检测结果，直至检测结果满足预设条件和/或迭代轮数达到设定轮数时结束训练，得到目标检测网络。上述每轮训练样本均包含基于前一轮收敛的检测网络确定的初始伪标签样本，可降低训练过程中的噪音产生进而在多轮迭代过程中可提高模型精度及泛化能力，由此根据最终得到的目标检测网络对无标签样本的检测结果能够生成精度较高的伪标签
一种标签生成方法装置设备介质

[发明专利]AI模型的自动迭代运维方法、系统、设备及存储介质-CN202010190700.7在审
发明人：范博;周海刚;陈宇;艾青;王乐 -专利权人：上海携程商务有限公司
申请日： 2020-03-18 - 公布日： 2020-07-28 - 主分类号： G06N3/00 文献下载
摘要：本发明公开了一种AI模型的自动迭代运维方法、系统、设备及存储介质，AI模型的自动迭代运维方法包括：获取训练集对应的版本号及待训练AI模型对应的版本名；根据版本号及版本名使用训练服务从文件系统自动下载训练集和待训练AI模型；训练服务使用训练集自动对待训练AI模型进行训练；训练服务自动对训练的效果进行评估，以得到评估结果；训练服务根据评估结果判断是否进行模型替换，若是则自动热加载替换模型。本发明以AI训练侧服务为中心，配合管理端，可做到AI模型自动迭代运维，按照不同的场景可做到各种不同的模型运维和版本配置；并且使运维人员与各业务模型的复杂逻辑隔离，版本透明，能在减少运维成本的基础上提高运维效率
ai 模型自动迭代运维方法系统设备存储介质

[发明专利]多语言转译模型的训练方法、装置、设备及可读存储介质-CN202110470084.5在审
发明人：张楠;王健宗;瞿晓阳 -专利权人：平安科技（深圳）有限公司
申请日： 2021-04-28 - 公布日： 2021-08-10 - 主分类号： G10L15/26 文献下载
摘要：本申请涉及人工智能技术领域，公开了一种多语言转译模型的训练方法，包括：接收输入的训练样本，并对所述训练样本进行预处理，以得到所述训练样本所对应的具有多语言区分度的特征信息；构建并加载待训练转译模型，其中所述待训练转译模型基于深度神经网络结构所生成；根据所述具有多语言区分度的特征信息，对所述待训练转译模型进行迭代训练，并确定所述迭代训练是否完成；当确定所述待训练转译模型迭代训练完成时，存储训练好的转译模型。提高了转译模型的训练效率和准确性以及语言适配性，同时提高了转译模型的转译效率。
语言转译模型训练方法装置设备可读存储介质

[发明专利]消化道内窥镜图像的多分类方法、分类装置及存储介质-CN201910258671.0有效
发明人：周永进;白俊彬;黄纬键 -专利权人：深圳大学
申请日： 2019-04-01 - 公布日： 2023-04-07 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种消化道内窥镜图像多分类方法、分类装置及存储介质，方法包括：获取内窥镜图像，对内窥镜图像进行预分类，并将预分类后的内窥镜图像分成训练集、验证集以及测试集；构建卷积神经网络，将训练集中的内窥镜图像输入至卷积神经网络中进行迭代训练，并使用验证集判断迭代训练是否完成；当判断迭代训练完成后，输出训练后的图像分类模型，并将训练集输入至所述图像分类模型中，输出内窥镜图像属于各种类型的预测概率，判定内窥镜图像对应的类型。
消化道内窥镜图像分类方法装置存储介质

[发明专利]神经网络结构搜索方法及装置、芯片、设备、存储介质-CN202310268262.5在审
发明人：赵亚西 -专利权人：哲库科技（上海）有限公司
申请日： 2023-03-17 - 公布日： 2023-06-06 - 主分类号： G06N3/0464 文献下载
摘要：本申请提供了神经网络结构搜索方法及装置、芯片、设备、存储介质；其中，所述方法包括：对预设的第一神经网络进行迭代训练，得到训练好的第一神经网络；在所述训练好的第一神经网络中进行子网搜索，得到用于执行目标任务的目标子网；其中，所述迭代训练的每次迭代过程包括：从待训练的所述第一神经网络中采样得到多个第一子网；确定所述第一子网的采样分值，所述采样分值用于表征所述第一子网的收敛速度得分；从所述多个第一子网中选择所述采样分值满足可训练条件的第一子网，以及对所述满足可训练条件的第一子网进行训练。
神经网络结构搜索方法装置芯片设备存储介质

[发明专利]一种基于损失反馈的类别和尺度均衡目标检测训练方法-CN202110492210.7在审
发明人：阮雅端;朱珂昕;徐沁心;孟凡泽;王麟皇;陈启美 -专利权人：南京大学
申请日： 2021-05-06 - 公布日： 2022-11-08 - 主分类号： G06V10/764 文献下载
摘要：一种基于损失反馈的类别和尺度均衡目标检测训练方法，在对检测网络进行迭代训练时，基于损失函数的反馈对训练样本分别进行类别均衡和尺度均衡，类别均衡动态调整迭代训练中各类别和各样本的采样概率，使训练类别及样本数据均衡，得到训练集I’，尺度均衡动态调整训练集I’的训练样本尺度，通过图像拼接使训练集I’的目标尺度满足训练需求，经过类别平衡和尺度均衡的训练集I”作为新一次迭代训练样本进行训练。本发明使训练中模型更关注少样本类别，可提升模型泛化性，根据网络需要提供不同尺度的训练样本，在确保大物体准确性同时提升小物体检测准确度。本发明仅增加少量对样本梯度占比的计算量，不影响训练推理速度的前提下，提高了训练准确性。
一种基于损失反馈类别尺度均衡目标检测训练方法

[发明专利]一种模型训练方法、设备振动异常检测方法和装置-CN202110408563.4在审
发明人：王鑫鑫;于洋;王林;赵林;张亮亮;王畅;王泽鹏;李高峰;高小丽;刘文鑫 -专利权人：首钢集团有限公司
申请日： 2021-04-16 - 公布日： 2021-08-10 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及振动异常检测技术领域，具体涉及一种模型训练方法、设备振动异常检测方法和装置。该方法包括：获取设备正常运行时的正常振动数据，构建训练样本数据；构建初始检测模型；其中，初始检测模型包括生成器和鉴别器；根据训练样本数据，迭代训练初始检测模型；其中，若特征数据能够用以训练初始检测模型，则利用特征数据，进行本次迭代训练；若触发设定终止训练条件，则将当前的初始检测模型作为用于检测设备的振动异常的目标检测模型。本发明采用设备正常运行时的正常振动数据构建的训练样本数据，替代异常振动数据，进行迭代训练初始检测模型，使初始检测模型学习到正常振动数据的分布，实现了针对设备振动异常的准确可靠检测。
一种模型训练方法设备振动异常检测装置

[发明专利]声纹识别模型训练方法、声纹识别方法及相关设备-CN202111151214.5在审
发明人：孟庆林;蒋宁;吴海英;王洪斌;刘敏;陈燕丽 -专利权人：马上消费金融股份有限公司
申请日： 2021-09-29 - 公布日： 2022-01-04 - 主分类号： G10L17/04 文献下载
摘要：本申请提供一种声纹识别模型训练方法、声纹识别方法及相关设备，声纹识别模型训练方法，包括：将声纹数据依次输入至待训练模型进行多次迭代训练，得到声纹识别模型；其中，所述待训练模型包括L层网络层，L为大于1的整数；在第N次的迭代训练的过程中，包括以下步骤：将所述声纹数据依次经过L层所述网络层进行特征映射，输出声纹向量；在所述声纹向量对应的输出值满足预设条件的情况下，将经过第N次的迭代训练之后的待训练模型确定为声纹识别模型这样，提高了对样本的利用率，且提高了训练得到的声纹识别模型的准确度。
声纹识别模型训练方法相关设备