-
公开(公告)号：CN111832704A
公开(公告)日：2020-10-27
申请号：CN202010611409.2
申请日：2020-06-30
Applicant: 东南大学
IPC: G06N3/04
Abstract: 本发明公开了一种卷积输入式的嵌套递归神经网络的设计方法，包括如下步骤：将当前时刻输入数据和上时刻输出数据进行数据组合和卷积操作处理；对卷积后的结果进行均等拆分，作为原长短期记忆网络单元中的各个门控单元；在内层嵌套单元中进行卷积操作作为输入，再进行和长短期记忆网络单元相同的门控计算操作，得出内层嵌套单元的输出；将内层嵌套单元的输出作为外层单元的记忆单元值，再经由输出门得到整体单元的最终输出值。本发明提出了嵌套式的递归神经网络和卷积输入的结合，既提高了模型对拟合长时间关联的数据的性能，又提取了特征关系之间的局部关联，减少了一定的参数量；得较一般的递归神经网络具有更高的准确率和更少的参数。
-
Patent Agency Ranking
公开(公告)号：CN112836394B
公开(公告)日：2024-05-14
申请号：CN202110259020.0
申请日：2021-03-10
Applicant: 东南大学
Abstract: 本发明公开了基于相关性和高斯过程回归的设计空间参数迁移学习方法，包括：(1)合理地将相关性算法融入到不同工艺下的设计空间探索中，关联不同工艺下的评估目标的相关性；使得在先进工艺下的设计空间探索的时间大大减小，并且通过以前工艺下的最优化设计有效的找到先进工艺下的最优化设计。(2)利用高斯过程回归的输出为高斯过程的均值和方差的优点，用具有相关性的各个工艺下的数据来拟合高斯过程，并可以有效地输出先进工艺下的设计参数的概率分布。(3)通过汤普森采样获得表现最优的设计参数，良好平衡多目标的最佳设计参数。本发明将此技术应用到EDA流程中，可以大大缩短寻找最优化设计的时间，并且能够有效的权衡各个目标。
-
公开(公告)号：CN109376859A
公开(公告)日：2019-02-22
申请号：CN201811128219.4
申请日：2018-09-27
Applicant: 东南大学
Abstract: 本发明公开了一种基于菱形卷积的神经网络剪枝方法，包括如下步骤：(1)卷积神经网络输入层及卷积层增加空白行列像素；(2)卷积操作采用奇数菱形卷积核取代方形卷积核，池化操作采用方形卷积核，前向计算神经网络输出；(3)采用反向传播算法训练含有菱形卷积核的卷积神经网络，求出每个神经元的梯度，得到新的权重。本发明提出了基于菱形卷积的神经网络，用菱形卷积核取代了传统的方形卷积核，采用一范数约束卷积窗口，保留了更有效的局部感受中心，保证了网络的稀疏性，进一步解决了神经网络参数复杂度过高的问题，加快了传播速度，同时菱形卷积核有正则化作用，防止了模型过拟合，整体训练速度加快，具有更高的准确率。
-
公开(公告)号：CN107071482A
公开(公告)日：2017-08-18
申请号：CN201710205810.4
申请日：2017-03-31
Applicant: 东南大学
IPC: H04N19/625 , H04N19/30
Abstract: 本发明公开了一种基于多层离散小波变换系数的图像压缩及重构方法，融合离散小波变换和压缩感知的图像压缩方案，可以很好避免采用离散余弦变换和压缩感知单独使用时所带来的块效应，但当前基于单层离散小波变换的算法压缩比较低，基于多层离散小波变换的算法重构质量欠佳。为了解决这些不足，本发明方法根据离散小波变换系数的特点，通过修改离散小波变换稀疏向量的构造，对现有基于多层离散小波变换的算法提出了改进，图像经小波变换后，保留图像最高层低频系数，高频系数的构造方式给予适当改进；选用满足约束等距性质伯努利随机矩阵构造观测矩阵。仿真实验结果表明，与现有算法相比，重构图像的PSNR值有明显提高。
-
公开(公告)号：CN112836394A
公开(公告)日：2021-05-25
申请号：CN202110259020.0
申请日：2021-03-10
Applicant: 东南大学
Abstract: 本发明公开了基于相关性和高斯过程回归的设计空间参数迁移学习方法，包括：(1)合理地将相关性算法融入到不同工艺下的设计空间探索中，关联不同工艺下的评估目标的相关性；使得在先进工艺下的设计空间探索的时间大大减小，并且通过以前工艺下的最优化设计有效的找到先进工艺下的最优化设计。(2)利用高斯过程回归的输出为高斯过程的均值和方差的优点，用具有相关性的各个工艺下的数据来拟合高斯过程，并可以有效地输出先进工艺下的设计参数的概率分布。(3)通过汤普森采样获得表现最优的设计参数，良好平衡多目标的最佳设计参数。本发明将此技术应用到EDA流程中，可以大大缩短寻找最优化设计的时间，并且能够有效的权衡各个目标。
-
公开(公告)号：CN107071482B
公开(公告)日：2019-12-10
申请号：CN201710205810.4
申请日：2017-03-31
Applicant: 东南大学
IPC: H04N19/625 , H04N19/30
Abstract: 本发明公开了一种基于多层离散小波变换系数的图像压缩及重构方法，融合离散小波变换和压缩感知的图像压缩方案，可以很好避免采用离散余弦变换和压缩感知单独使用时所带来的块效应，但当前基于单层离散小波变换的算法压缩比较低，基于多层离散小波变换的算法重构质量欠佳。为了解决这些不足，本发明方法根据离散小波变换系数的特点，通过修改离散小波变换稀疏向量的构造，对现有基于多层离散小波变换的算法提出了改进，图像经小波变换后，保留图像最高层低频系数，高频系数的构造方式给予适当改进；选用满足约束等距性质伯努利随机矩阵构造观测矩阵。仿真实验结果表明，与现有算法相比，重构图像的PSNR值有明显提高。
-
-
-
-
-
Search Results
6
records
(took 0.015 seconds)
