-
公开(公告)号：CN119761449A
公开(公告)日：2025-04-04
申请号：CN202510275403.5
申请日：2025-03-10
Applicant: 之江实验室
IPC: G06N3/084 , G06N3/09 , G06N3/0895
Abstract: 本申请公开了一种神经网络的训练方法、神经网络的训练装置、电子设备及计算机可读存储介质，神经网络的训练方法至少应用于视觉处理场景，包括：将训练样本输入待训练的神经网络，得到神经网络在当前的每项连接权重下的输出结果；训练样本至少包括视觉数据；基于输出结果以及训练样本的标注信息，确定出每项连接权重的第一梯度；针对每项连接权重分别生成定向梯度噪声；对于满足第一梯度与设定梯度阈值的关系要求的目标连接权重，将目标连接权重对应的定向梯度噪声以及第一梯度进行融合，得到融合梯度，并根据融合梯度实现对目标连接权重的更新；重复训练至所得到的神经网络满足设定要求。能够提高神经网络训练效率，降低训练时间，压缩训练成本。
-
Patent Agency Ranking
公开(公告)号：CN115359909A
公开(公告)日：2022-11-18
申请号：CN202211276626.6
申请日：2022-10-19
Applicant: 之江实验室
Abstract: 本发明公开了一种基于注意力机制的癫痫发作检测系统，包括：数据获取模块：用于从公开的数据库中获取待检测的脑电信号数据；数据处理模块：用于对所述脑电信号数据进行预处理，得到预处理脑电信号数据；癫痫发作检测模块：用于基于注意力机制构建CNN和Transformer神经网络最优模型，将脑电信号数据通过所述CNN和Transformer神经网络最优模型得到发作期和发作间期样本的类别概率，用于识别癫痫发作。本发明基于训练集和测试集对网络进行训练，使用早期停止机制、学习率衰减等方法对CNN和Transformer神经网络进行优化，得到用于癫痫发作检测的最优网络参数，使用CNN和Transformer神经网络对样本数据进行分类，可以高效快速的识别出癫痫发作的类别，从而提高癫痫识别的准确率。
-
公开(公告)号：CN117195974A
公开(公告)日：2023-12-08
申请号：CN202310971923.0
申请日：2023-08-02
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于脉冲信号的储备池计算模型的训练方法及装置，包括：将历史上环境图像作为训练样本输入待训练的基于脉冲信号的储备池计算模型的隐藏层的各神经元。根据训练样本的标注，确定目标向量。针对每一个神经元，根据上一时刻其他神经元发放的脉冲信号以及初始连接权重，确定其他神经元分别到该神经元的当前连接权重，确定其他神经元输入该神经元的其他输入电位。根据该神经元的膜电位的衰减的时间尺度，确定衰减电位。根据衰减电位、其他输入电位以及训练样本，确定由各神经元的膜电位组成的状态向量。根据状态向量以及目标向量，计算读出层的读出权重，使训练完成的模型的鲁棒性好，输出结果准确性高，可以达到预期效果。
-
公开(公告)号：CN115358375A
公开(公告)日：2022-11-18
申请号：CN202211276694.2
申请日：2022-10-19
Applicant: 之江实验室
Abstract: 本发明公开一种脉冲神经网络储备池计算模型构建方法及装置，包括构建脉冲神经元的膜电位动力学方程、脉冲神经网络突触可塑性的动力学方程和脉冲神经元膜电位动态时间尺度模型以及突触动态时间尺度模型，并利用上述方程和模型构建基于脉冲神经元的脉冲神经网络储备池隐藏层。本发明提出了具有动态时间尺度和STD的脉冲神经网络的储备池的构建方法。这个模型能够彻底解决了在记忆任务中模型的工作参数的鲁棒性问题。本发明构建的具有动态时间尺度的基于脉冲神经网络的储备池模型，满足参数量小，计算简单，鲁棒性强的优点，容易在神经拟态芯片中实现，高鲁棒性使得芯片的性能不容易被影响，具有很好的应用前景。
-
公开(公告)号：CN117593789A
公开(公告)日：2024-02-23
申请号：CN202311519700.7
申请日：2023-11-14
Applicant: 之江实验室
Abstract: 本说明书公开了一种基于预训练的动作识别模型训练方法、装置及设备，通过生成用于训练空间特征提取模型空间的空间数据，以及用于训练时间特征提取模型的时间数据，对所述空间特征提取模型以及时间特征提取模型进行预训练，再确定采集的视频数据，作为第三样本，并确定视频数据对应的动作类型，作为第三样本的标注，训练动作识别模型，通过对由两个储备池网络模型构建的储备池网络组构建动作识别模型的编码层进行预训练，使得预训练的动作识别模型对时间特征提取和空间特征提取上具有较好的泛化，再对预训练后的动作识别模型进行训练，使得训练完成的动作识别模型可通过多通道的特征进行动作类型的识别，对动作类型识别的准确率更高。
-
公开(公告)号：CN115358279A
公开(公告)日：2022-11-18
申请号：CN202211276674.5
申请日：2022-10-19
Applicant: 之江实验室
Abstract: 本发明公开了一种基于深度玻尔兹曼机的特征表征癫痫检测系统，包括：数据获取模块：用于从现有癫痫数据库中获取癫痫脑电信号；数据处理模块：用于得到预处理癫痫脑电信号；小波系数获取模块：用于提取小波系数；统计特征值提取模块：用于计算所述预处理癫痫脑电信号在时域和频域的特征值；深度玻尔兹曼机模型训练模块：用于对深度玻尔兹曼机模型的网络进行训练，直至完成深度玻尔兹曼机模型的训练；癫痫检测模块：用于判断是否癫痫发作。本发明基于深度玻尔兹曼机模型，通过DWT对EEG信号频谱时间统计的特征被用作训练的输入，以减少特征维数，有效聚类癫痫和非癫痫事件，促进后续癫痫检测分类更加稳健和可靠。
-
-
-
-
-
Search Results
6
records
(took 0.027 seconds)
