[发明专利]一种处理组合分类问题的多尾神经网络模型构建方法在审
| 申请号： | 202310641572.7 | 申请日： | 2023-05-29 |
| 公开（公告）号： | CN116702840A | 公开（公告）日： | 2023-09-05 |
| 发明（设计）人： | 柏华军;姚洪锡;陈瓴;马俊;吴佳明;彭利辉;谢浩;储诚诚;李波;高华;宋文祥;蒋道君;熊斌;魏璇;梅竹;张协崇 | 申请（专利权）人： | 中铁第四勘察设计院集团有限公司 |
| 主分类号： | G06N3/047 | 分类号： | G06N3/047;G06N3/08;G06F18/2415 |
| 代理公司： | 深圳市世纪恒程知识产权代理事务所 44287 | 代理人： | 李菁芸 |
| 地址： | 430000 湖北*** | 国省代码： | 湖北;42 |
| 权利要求书： | 暂无信息 | 说明书： | 暂无信息 |
| 摘要： | 本发明公开了一种处理组合分类问题的多尾神经网络模型构建方法，属于神经网络及桥梁设计技术领域。本发明通过获取样本格式要求；基于样本格式要求从现有桥梁工程项目中收集样本格式要求的参数和对应的群桩基础类型，形成数据样本集合；根据样本格式要求的参数、样本格式要求以及群桩基础类型构建神经网络模型，其中，神经网络模型中的输出层为多个并列的softmax层；通过数据样本集合对神经网络模型进行训练，得到多尾神经网络模型，以根据多尾神经网络模型对群桩基础的组合分类进行处理，通过多尾神经网络进行组合分类处理，减少神经网络的参数量，降低了样本规模并提高了模型的构建效率。 | ||
| 搜索关键词： | 一种 处理 组合 分类 问题 神经网络 模型 构建 方法 | ||
【主权项】：
暂无信息
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中铁第四勘察设计院集团有限公司，未经中铁第四勘察设计院集团有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/202310641572.7/，转载请声明来源钻瓜专利网。
- 上一篇：一种以PEN为介质的金属化薄膜的制备方法
- 下一篇：退火炉炉压控制方法及系统
- 同类专利
- 一种基于伽玛随机场生成非正态随机场的无记忆转换方法-202110935610.0
- 刘勇;方佩佩 - 武汉大学
- 2021-08-16 - 2023-10-27 - G06N3/047
- 本发明公开了一种基于伽玛随机场生成非正态随机场的无记忆转换方法，根据目标非正态随机场的边缘分布和相关长度确定基础伽玛随机场的边缘分布和相关长度，生成基础伽玛随机场，通过无记忆性转换公式得到目标非正态随机场，本发明提供的一种基于伽玛随机场生成非正态随机场的无记忆转换方法，可生成指定边缘分布的目标非正态随机场；目标非正态随机场和基础伽玛随机场的相关长度相近，随机场的变异系数小于等于1时，多种目标非正态随机场与基础伽玛随机场相关长度的相对误差在1％以内。
- 神经网络模型的调整方法、电子设备及可读存储介质-202210350883.3
- 兰国兴;孟亚洲;张少永;张建;张腾;王斌 - 华为技术有限公司
- 2022-04-02 - 2023-10-24 - G06N3/047
- 本申请属于人工智能技术领域，具体公开了一种神经网络模型的调整方法、电子设备及可读存储介质。其中的方法包括：获取第二电子设备在运行第一神经网络模型的过程中生成的用户样本数据；采用用户样本数据和用于训练第一神经网络模型的训练数据集中的训练样本数据，对第一神经网络模型进行调整，得到第二神经网络模型，其中训练样本数据是概率差满足预设条件的样本数据，概率差是训练数据集中的第一数据能够被第一神经网络模型划分为正确类型的概率与划分为错误类型的概率之间差值的绝对值。该方法能够提高神经网络模型(即端侧模型)的识别准确率，进而有利于提高用户的使用体验。
- 基于预测框自动修正的边框回归神经网络构建方法-202011023567.2
- 刘晋;李怡瑶;高珍喻 - 上海海事大学
- 2020-09-25 - 2023-09-22 - G06N3/047
- 本发明披露一种基于预测框自动修正的边框回归神经网络构建方法。该方法由一种基于相对熵损失函数的具有定位置信度的检测网络和一种改进的基于置信估计的定位精度方法组成。为解决目标定位不精确的问题，本发明提出一种新的基于相对熵的边框回归损失函数，不仅学习边框回归，同时定位学习不确定性；同时本发明结合概率分布引入方差投票机制，利用对相邻位置的预测方差加权，来对候选框的位置进行投票，从而得到定位更加准确的边框。本发明提供的方法网络适配性强、鲁棒性强，可结合多种目标检测神经网络使用以提高检测精度。通过将该方法在知名数据集上的进行实验，实验结果表明该方法的检测准确度高达0.402，优于多数已有方法，证明了其有效性。
- 一种室内位置的反向传播神经网络概率密度预测方法-202110985511.3
- 费蓉;郭与番;李军怀;李爱民;张宽;杨璐 - 西安理工大学
- 2021-08-26 - 2023-09-19 - G06N3/047
- 本发明公开了一种室内位置的反向传播神经网络概率密度预测方法，首先选取多层室内结构的正方形测试区域作为试验场地，以矩形网格形式共选取n*n个标准参考点，在试验场地的四角分别设置RSSI信号发射器，将选取的标准参考点测得的RSSI值和角度值两类数据汇总到同一标准数据集；将测得的标准数据集进行归一化处理；将处理后的标准数据集按照7:3划分为训练集和测试集；改进并分析传统的反向传播神经网络模型，最终得到改进后的BPNN模型；最后得到参考标准点的累积误差分布函数和概率密度函数。本发明解决了不同环境下的室内位置数据存在的分布情况模拟不好及其概率计算误差较大的问题，提高了室内定位精度。
- 一种处理组合分类问题的多尾神经网络模型构建方法-202310641572.7
- 柏华军;姚洪锡;陈瓴;马俊;吴佳明;彭利辉;谢浩;储诚诚;李波;高华;宋文祥;蒋道君;熊斌;魏璇;梅竹;张协崇 - 中铁第四勘察设计院集团有限公司
- 2023-05-29 - 2023-09-05 - G06N3/047
- 本发明公开了一种处理组合分类问题的多尾神经网络模型构建方法，属于神经网络及桥梁设计技术领域。本发明通过获取样本格式要求；基于样本格式要求从现有桥梁工程项目中收集样本格式要求的参数和对应的群桩基础类型，形成数据样本集合；根据样本格式要求的参数、样本格式要求以及群桩基础类型构建神经网络模型，其中，神经网络模型中的输出层为多个并列的softmax层；通过数据样本集合对神经网络模型进行训练，得到多尾神经网络模型，以根据多尾神经网络模型对群桩基础的组合分类进行处理，通过多尾神经网络进行组合分类处理，减少神经网络的参数量，降低了样本规模并提高了模型的构建效率。
- 一种基于神经网络模型压缩的视频检测方法和装置-201911155878.1
- 杜渂;邱祥平;陈春东;雷霆;彭明喜;周赵云;陈健;王聚全;杨博;刘冉东;王月;王孟轩;张胜;韩国令;和传志;曹若麟 - 迪爱斯信息技术股份有限公司
- 2019-11-22 - 2023-09-01 - G06N3/047
- 本发明提供了一种神经网络模型的压缩方法和装置，包括：获取神经网络模型的待剪枝层中每个待剪节点在当前时刻输入下一层的传输信息；所述待剪枝层为全连接层；根据所述传输信息，计算所述待剪节点在当前时刻的重要度；根据所述待剪节点在当前时刻的重要度，获得所述待剪节点的重要度；根据所述待剪节点的重要度，计算所述待剪节点的被剪概率；根据所有待剪节点的被剪概率对所述待剪枝层进行剪枝操作，以实现模型压缩。本发明能够有效减少网络中的参数量，进而减少运行时耗和计算资源消耗，从而让网络模型占用的存储资源更小，提高网络的可移植性。
- 用于确定机器学习系统的对抗补片的设备和方法-202310142549.3
- A·M·穆诺兹德尔加多;C·K·穆马蒂;G·洛维索托;J·H·梅岑;N·Y·芬尼 - 罗伯特·博世有限公司
- 2023-02-09 - 2023-08-15 - G06N3/047
- 一种用于确定机器学习系统(60)的对抗补片的计算机实现的方法，其中机器学习系统(60)被配置用于图像分析并且基于输入图像(x，x
- 模型构建方法、装置、设备、车辆及存储介质-202310499150.0
- 侯林杰 - 北京集度科技有限公司
- 2023-05-05 - 2023-08-08 - G06N3/047
- 本申请提出一种模型构建方法、装置、设备、车辆及存储介质，该方法应用于深度学习框架，所述深度学习框架包括多个算法库，其中，用于执行同一种类型任务的至少一个算法模型归属于同一算法库，该方法包括：获取模型配置信息，所述模型配置信息包括构成神经网络模型的算法模块信息、算法模块之间的组合关系信息，以及所述神经网络模型所执行的目标任务；根据所述目标任务的任务类型，确定目标算法库，并从所述目标算法库中确定出目标算法模型；实例化所述目标算法模型，并按照所述各算法模块的组合关系信息，对实例化后的所述目标算法模型进行组合，得到神经网络模型。采用上述方案能够构建执行任意任务的神经网络模型。
- 模型训练方法、贫困程度信息识别方法、装置和存储介质-202011540120.2
- 奚宇航;蔡庆秋 - 北京北明数科信息技术有限公司
- 2020-12-23 - 2023-08-08 - G06N3/047
- 本发明公开了一种人工智能模型训练方法、贫困程度信息识别方法、计算机装置和存储介质，人工智能模型训练方法包括获取多个神经网络、特征数据和标签值，执行多轮训练测试过程，直至满足终止条件，确定样本权重集合及各神经网络分别相应的权重，以各神经网络按照相应的权重组合成人工智能模型等步骤。本发明具有识别学生数据所属于的贫困程度信息的能力，通过根据前一次序的神经网络的训练结果来调整后一次序的神经网络训练所用的特征数据的权重集合，能够使得在前次序的神经网络的训练结果能够传递到在后次序的神经网络的训练过程中，最终获得的人工智能模型具有强分类性能。本发明广泛应用于计算机技术领域。
- 类相关性预测改进方法、装置、计算机设备及存储介质-202211559865.2
- 杜杰;王晶;刘鹏;汪天富 - 深圳大学
- 2022-12-06 - 2023-08-04 - G06N3/047
- 本发明实施例公开了类相关性预测改进方法、装置、计算机设备及存储介质。所述方法包括：获取待预测图像，以得到样本集；构建预测网络以及损失函数；利用所述样本集对所述预测网络进行训练，对训练所得的结果进行规范化处理，以得到预测概率值；采用所述损失函数结合所述预测概率值对训练后的预测网络进行调整；其中，所述损失函数包括交叉熵损失函数以及类损失函数；所述类损失函数包括用于拉近相似类的网络输出值产生的损失的类内损失函数以及用于拉远不相似类的预测产生的损失的类间损失函数。通过实施本发明实施例的方法可实现在保证准确率的情况下，利用先验知识来拉近相似的两类的网络输出值，拉远不相似的两类的网络输出值，提高神经网络的泛化能力的目的。
- 一种联邦学习方法、系统、设备及存储介质-202310466543.1
- 崔来中;苏东远;周义朋 - 深圳大学
- 2023-04-23 - 2023-07-25 - G06N3/047
- 本发明实施例公开了一种联邦学习方法、系统、设备及存储介质。对于各参与联邦学习的客户端，获取所述客户端的调度相关信息；根据所述调度相关信息确定所述客户端的目标调度概率；将所述目标调度概率发送至服务端，使得所述服务端根据所述目标调度概率确定目标客户端；其中，所述目标客户端为被调度以训练神经网络模型的客户端；对于目标客户端，接收所述服务端发送的神经网络模型，并基于数据样本对所述神经网络模型进行训练。本发明实施例提供的联邦学习方法，基于客户端的样本时延信息、样本长度信息及通信开销消息来确定被调度的客户端，合理的调度客户端，可以高效的对神经网络模型进行联合训练。
- 用于神经网络中过度预测的方法和系统-202180077947.0
- C·D·V·黄;T·T·乌;P·扎雷莫迪;Y·许;V·布利诺夫;Y-H·洪;Y·D·T·S·达马西里;V·韦氏诺一;E·L·贾拉勒丁;M·帕里克;T·L·董;M·E·约翰逊 - 甲骨文国际公司
- 2021-11-17 - 2023-07-25 - G06N3/047
- 本文公开了用于解决与聊天机器人系统中的机器学习模型相关联的过度自信问题的技术。对于机器学习模型的多个层中的每个层，关于输入的话语，为多个预测生成置信度分数的分布。基于为层生成的置信度分数的分布来确定要指派给机器学习模型的每个层的预测。基于这些预测，确定机器学习模型的总体预测。所述多个层的子集被迭代处理以识别其指派的预测满足准则的层。与机器学习模型的该层的被指派的预测相关联的置信度分数被指派为要与机器学习模型的总体预测相关联的总体置信度分数。
- 用于神经网络预测域的局部可解释性的方法和系统-202211616961.6
- W.A.法卢奇;E.施密特;J.格里尔 - SAP欧洲公司
- 2022-12-15 - 2023-07-11 - G06N3/047
- 通过将输入向量馈送到神经网络模型的输入层来生成网络输出，该神经网络模型具有以层序列布置的多个神经元、多个神经元权重和多个神经元偏置。网络输出用于确定输出相关性分数。在层序列的最后层处生成相关性分数。通过使用神经元权重和神经元偏置将在最后层处生成的相关性分数反向传播通过除最后层之外的层序列，在层序列的第一层获得相关性分数。基于输入向量和在第一层获得的相关性分数来形成特征相关性向量，并将其包括在局部可解释性数据集中，然后将其用于生成神经网络模型的预测的局部解释。
- 使用路径一致性学习训练策略神经网络-201880013779.7
- O.纳赫姆;M.诺鲁齐;D.E.舒尔曼斯;K.徐 - 谷歌有限责任公司
- 2018-02-23 - 2023-06-30 - G06N3/047
- 方法、系统和设备，包括在计算机存储介质上编码的计算机程序，用于训练策略神经网络，所述策略神经网络用于选择将由与环境交互的强化学习代理执行的动作。在一个方面，一种方法包括获得限定通过代理所遍历的环境的路径的路径数据。从组合奖励、第一soft‑max状态值和最后soft‑max状态值、以及路径似然确定一致性错误。从至少一致性错误确定策略神经网络参数的当前值的值更新。值更新用于调整策略神经网络参数的当前值。
- 一种基于图同构神经网络的脑网络链接预测方法-202310210826.X
- 颜成钢;沈晨雨;李文超;杨德富;王帅;何敏;高宇涵;孙垚棋;朱尊杰;王鸿奎;王廷宇;殷海兵;张继勇;李宗鹏;赵治栋 - 杭州电子科技大学丽水研究院
- 2023-03-07 - 2023-06-23 - G06N3/047
- 本发明公开了一种基于图同构神经网络的脑网络链接预测方法，首先对于脑网络数据进行处理，完成脑结构网络建模；再构建基于图同构神经网络的脑网络链接预测模型，包括子图提取模块和图同构神经网络模块；之后进行脑网络链接预测模型的训练和测试；最后通过训练完成的脑网络链接预测模型完成脑网络链接预测。本发明在实现较为高的准确率的基础上降低了时间成本，极大的提升了模型对于子图结构的学习能力，对于接下来的链接预测有十分重要的意义。
- 硬件加速电路、数据处理加速方法、芯片及加速器-202111557307.8
- 请求不公布姓名 - 广州小鹏自动驾驶科技有限公司
- 2021-12-18 - 2023-06-23 - G06N3/047
- 本申请涉及硬件加速电路、数据处理加速方法、芯片及加速器。该电路包括：存储模块，用于存储第一查找表和第二查找表；查找表电路，用于响应于多个数据元素各自的索引值，基于第一查找表输出与多个数据元素对应的多个指数函数值；以及，响应于加法运算结果的索引值，基于第二查找表输出与加法运算结果对应的倒数；加法器，用于向查找表电路输出加法运算结果，加法运算结果是对多个指数函数值进行加法运算获得的结果；乘法器，用于输出所述多个数据元素中的第i个数据元素的指数函数值与加法运算结果的倒数的乘法运算结果，以获得所述第i个数据元素的柔性最大值。本申请提供的方案，能够提高Softmax函数计算过程中的数据处理速度，更快获得Softmax函数值。
- 硬件加速电路、数据处理加速方法、芯片及加速器-202111557306.3
- 请求不公布姓名 - 广州小鹏自动驾驶科技有限公司
- 2021-12-18 - 2023-06-23 - G06N3/047
- 本申请涉及一种硬件加速电路、数据处理加速方法、芯片及加速器。该硬件加速电路包括：指数函数模块，用于获得数据集合中多个数据元素的多个指数函数值；加法器，用于获得所述多个指数函数值的加法运算结果；第一处理电路，用于对所述加法运算结果进行预设处理，以将所述加法运算结果至少处理为第一数据和第二数据；第二处理电路，用于至少对所述第一数据和第二数据进行预设处理，以获得所述加法运算结果的倒数；第三处理电路，用于对所述多个数据元素中的第i个数据元素的指数函数值与所述倒数进行预设处理，以获得所述第i个数据元素的特定函数值。本申请提供的方案，能够降低数据处理的运算量，从而能够提高非线性函数值的获取速度。
- 硬件加速电路、芯片、数据处理加速方法、加速器及设备-202111557308.2
- 请求不公布姓名 - 广州小鹏自动驾驶科技有限公司
- 2021-12-18 - 2023-06-23 - G06N3/047
- 本申请涉及一种硬件加速电路、芯片、数据处理加速方法、加速器及设备，该电路包括：查找表电路，用于响应于输入数据集中第i个元素，基于第一查找表输出与第i个元素的第一索引值对应的指数函数值，和/或，基于第二查找表输出与第i个元素的第二索引值对应的指数函数值的倒数；加法器，用于输出与输入数据集中至少部分元素对应的指数函数值的加法运算结果；乘法器，用于输出与第i个元素对应的指数函数值的倒数和加法运算结果的乘法运算结果，得到与第i个元素对应的特定函数值的倒数。本申请能减少查找表的条目，提高特定函数值的精度。
- 一种石油管道故障诊断方法及系统、存储介质和石油管道故障诊断设备-202211465052.7
- 董宏丽;王闯;申雨轩;霍凤财;商柔;孙桐;胡仲瑞;王鹏 - 东北石油大学三亚海洋油气研究院
- 2022-11-22 - 2023-06-20 - G06N3/047
- 一种石油管道故障诊断方法及系统、存储介质和石油管道故障诊断设备，属于管道故障诊断与分类技术领域，用以解决现有的智能方法在数据类别非均衡情况下无法达到高准确率的问题，包括步骤如下：步骤一，利用传感器采集不同泄漏程度以及正常状态的管道数据，构建真实数据集；步骤二，构建Tem‑PECAN的网络结构；步骤三，获取真实数据集的时间结构信息以及判别特征，以用于辅助Tem‑PECAN网络模型训练；步骤四：训练构建的Tem‑PECAN网络模型；步骤五，利用多样性与质量的综合评估指标验证生成数据的可靠性，并获得最优超参数组合；步骤六，利用训练好的Tem‑PECAN网络模型生成小类管道故障数据，用于扩充原始管道数据集；步骤七，使用扩充后的合成数据集训练故障分类模型，并实现管道故障诊断。本发明可以合成质量更好，多样性更强的管道时序数据，有效地提高了管道故障诊断模型的准确率以及鲁棒性，大大降低了诊断的漏报率和误报率。
- 基于图自适应互斥分解的图神经网络方法-202310057972.3
- 江波;葛声 - 安徽大学
- 2023-01-13 - 2023-06-13 - G06N3/047
- 本发明公开一种基于图自适应互斥分解的图神经网络方法；通过构建可学习边特征对非欧几里得图形中的结构即邻接矩阵进行分解，得到若干个与原邻接矩阵尺度相同并且彼此边集元素互斥的邻接矩阵；将得到的若干个邻接子矩阵输入图卷积网络模型，得到若干组具有差异性的图节点特征表示，同时一定程度的缓解图卷积模型过平滑的问题；通过聚合函数将得到的若干个节点特征进行融合得到不同的图节点特征，丰富图节点特征信息；将融合后图节点特征信息用于节点分类，通过多次迭代训练得到最后分类结果。
- 一种动态可微分的空间架构搜索方法与系统-202011271696.3
- 杨隆兴;胡瑜 - 中国科学院计算技术研究所
- 2020-11-13 - 2023-06-13 - G06N3/047
- 本发明提出一种动态可微分的空间架构搜索方法与系统，将空间采样与可微分搜索结合，仅对采样空间进行可微分搜索，同时于搜索过程中更新搜索空间的概率分布，用以指导下一次的采样。多次迭代后算法收敛，继而根据相应参数确定最终的搜索结构。这样既可以通过仅优化子空间来加速搜索，又能够以采样的方式使搜索在多个子空间下进行，跳出可微分优化导致的局部最优解，找到更好的网络结构。
- 优化经验存储与经验再利用的多智能体强化学习方法-202111440668.4
- 吴益飞;赵鹏;陈庆伟;郭健;李胜;樊卫华;成爱萍;郑瑞琳;梁皓 - 南京理工大学
- 2021-11-30 - 2023-06-02 - G06N3/047
- 本发明公开了一种优化经验存储与经验再利用的多智能体强化学习方法，包括：构建了基于LRU(Least recently used,最近最少使用)机制进行经验存储的经验缓冲池；设计基于网络权值共享的多智能体经验收集方法；采用一种基于经验优先级的混合采样方法来为较高优先级数据提供较高的检索率，并采用B
- 生成用于神经网络输出层的输出的方法、系统和存储介质-202111061105.4
- 雷吉纳尔德·克利福德·扬 - 谷歌有限责任公司
- 2017-11-23 - 2023-06-02 - G06N3/047
- 本公开涉及生成用于神经网络输出层的输出。系统、方法和装置，包括编码在计算机存储介质上的计算机程序，用于通过神经网络处理网络输入，该神经网络具有后跟有softmax输出层的一个或多个初始神经网络层。一方面，该方法包括获得由所述一个或多个初始神经网络层产生的层输出，以及通过softmax输出层处理该层输出以产生神经网络输出。通过softmax输出层处理该层输出包括为每个可能输出值确定在多个层输出值中的出现次数；对出现在所述多个层输出值中的每个可能输出值，确定相应的求幂度量；通过根据各可能输出值的各出现次数来组合求幂度量，确定用于该层输出的归一化因子；以及对于每个层输出值，确定softmax概率值。
- 一种连续决策空间组合优化的高效深度强化学习算法-202310191943.6
- 韩莉;丁南 - 华东师范大学
- 2023-03-02 - 2023-05-16 - G06N3/047
- 一种连续决策空间组合优化的高效深度强化学习算法，包括如下步骤，步骤一：将问题建模成为一个序列决策问题，设定需要得出连续决策组合优化问题的深度强化学习框架元素定义；步骤二：通过步骤一中深度强化学习框架元素的定义，将时序任务中的连续决策空间组合优化问题建模为马尔可夫决策过程，并得出深度强化学习的训练目标；步骤三：通过使用概率性动态规划算法计算训练目标G(t)的期望值；步骤四：得出连续决策组合优化问题的最优解。本发明能使智能体降低环境交互成本，通过本发明的深度强化学习中的有效最优动作空间搜索，以及概率性动态规划计算奖励期望解决了时序任务中的连续决策空间组合优化问题的工作。基于上述，本发明具有好的应用前景。
- 文档网络主题建模方法、变分邻域编码器、终端及介质-202310135750.9
- 刘德喜;张子靖;刘嘉鸣;万齐智;邓辉 - 江西财经大学
- 2023-02-20 - 2023-05-12 - G06N3/047
- 本发明提供了一种文档网络主题建模方法、变分邻域编码器、终端及介质，该方法包括：获取文档网络集，并分别确定所述文档网络集中各文档的文档输入表示；将各文档的文档输入表示输入预训练后的变分邻域编码器进行编码处理，得到各文档的隐藏层表示，并根据所述隐藏层表示确定中心文档的表示；根据所述中心文档的表示确定文档‑主题分布，并根据所述文档‑主题分布确定主题‑词分布。本发明基于各文档的隐藏层表示能有效地确定到中心文档的表示，基于中心文档的表示能有效地确定到文档‑主题分布，基于文档‑主题分布能有效地确定到主题‑词分布，以达到对文档网络的主题建模效果。
- 模型生成方法、装置、计算机设备及存储介质-202111284678.3
- 赵娟萍 - OPPO广东移动通信有限公司
- 2021-11-01 - 2023-05-09 - G06N3/047
- 本申请公开了一种模型生成方法、装置、计算机设备及存储介质，该方法可以包括：获取神经网络的搜索空间，搜索空间包括多个节点以及节点之间的至少一个连接算子，每个节点对应的前继节点作为每个节点对应的通道；基于样本数据以及搜索空间，对神经网络进行搜索，得到神经网络对应的损失值，损失值由节点之间的连接算子对应的第一权重以及每个通道对应的第二权重确定；根据损失值对神经网络中每个连接算子对应的第一权重以及每个通道对应的第二权重进行迭代优化，得到迭代优化后的第一权重以及第二权重；基于迭代优化后的第一权重以及第二权重，生成目标模型。本方法可实现神经网络搜索中对算子以及通道的双重采样，能够进一步压缩模型结构。
- 一种基于深度置信网络的悬臂掘进机掘进性能预测方法-202211702216.3
- 宋战平;胡洋;陈发达;王祥;冉军;赵祎睿;刘凯;费富华;范育辉;张策;杨棚涛;潘红伟;张玉伟;刘乃飞;田小旭;苏婉莹 - 西安建筑科技大学;贵阳市公共交通投资运营集团有限公司;中铁开发投资集团有限公司;中铁北京工程局集团第一工程有限公司
- 2022-12-28 - 2023-05-02 - G06N3/047
- 本发明提供了一种基于深度置信网络的悬臂掘进机掘进性能预测方法，包括如下步骤：采集悬臂掘进机掘进状态下的掘进参数及在掘掌子面的岩体状态参数；对获取到的数据进行预处理；构建硬岩悬臂掘进机性能预测数据库，并将此数据库分为训练子集、验证子集和测试子集；建立深度置信网络模型；悬臂掘进机掘进性能预测与结果评价；采集新的掌子面前方岩体参数，输入训练好的网络，得到掌子面前方为掘进段的悬臂掘进机瞬时掘进速率。本发明能够实现对悬臂掘进机掘进性能的连续、准确预测，从而提高项目生产率，降低成本。
- 基于注意力机制的时间序列填补方法-202211570842.1
- 熊炫睿;陈怡;张宇樊;林为琴;徐稳;方海领 - 重庆邮电大学
- 2022-12-08 - 2023-05-02 - G06N3/047
- 本发明属于时间序列分析领域，涉及基于对角掩码稀疏自注意力机制的缺失时间序列填补方法。该方法包括以下步骤：S1)将所用数据进行预处理；S2)采用对角掩码稀疏自注意力模块(DMPSA)提取时间序列的时间相关性及特征相关性；S3)将两个对角掩码稀疏自注意力模块(DMPSA)的输出进行加权组合；S4)采用插补和重构的联合优化训练方法训练基于对角掩码时间自注意力的时间序列插补模型。本方法根据时间序列数据前后值之间具有强关联性的特征，重点关注序列的时间相关性，相比于其他方法，捕获时间序列长期依赖性的效果更佳，对缺失时间数据的插补精度更高。
- 一种基于自适应深度置信网络的空调冷负荷预测方法-202010415187.7
- 于军琪;冉彤;赵安军;任延欢;周昕玮;张万虎;席江涛 - 西安建筑科技大学
- 2020-05-15 - 2023-05-02 - G06N3/047
- 本发明公开了一种基于自适应深度置信网络的空调冷负荷预测方法，首先收集冷负荷数据，采用拉格朗日插值法对缺失和异常的能耗数据进行弥补处理，对处理后的能耗数据进行归一化处理；将处理后的数据通过独立的高斯分布处理，处理后的CRBM输入给预测模型；通过RBM无监督机制进行训练，以前一层的RBM隐藏层作为下一层RBM的可视层输入，调节网络参数；然后通过有监督的BP神经网络进行反向训练，再次调节网络参数；再采用Adam优化算法调节网络参数；最后选取预测模型的参数及结构，采用重构误差RE对预测模型进行结构评估选取；采用均方根相对误差RMSPE和平均绝对百分误差MAPE对结果进行评价，完成空调冷负荷预测。本发明具有较好的预测精度、通用性和适用性。
- 用于控制代理的方法-202211285722.7
- F·施密特 - 罗伯特·博世有限公司
- 2022-10-20 - 2023-04-25 - G06N3/047
- 按照各种实施方式，描述了一种用于控制代理的方法，该方法具有：借助于训练数据来训练神经网络，这些训练数据对于多个代理来说包含这些代理的行为的示例，其中该神经网络的输出具有针对行为的预测并且取决于网络参数，这些网络参数针对所有训练数据来共同被训练，并且该神经网络的输出取决于另一参数，该另一参数针对所述多个代理中的每个代理来单独训练；将概率分布拟合到针对这些代理的该另一参数的从训练中得到的值；在代理的环境中对来自另一代理的概率分布中的值进行采样；而且在考虑该神经网络针对该另一代理的经采样的值所输出的该另一代理的行为的预测的情况下控制该代理。
- 专利分类
