-
公开(公告)号：CN117131858A
公开(公告)日：2023-11-28
申请号：CN202311074757.0
申请日：2023-08-24
Applicant: 北京理工大学
IPC: G06F40/242 , G06F40/126 , G06F40/194 , G06F16/33 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于字典的轨迹预测系统及方法，属于深度学习技术领域。其包括聚类模块，用于针对轨迹数据集进行聚类，以选取代表性轨迹；所选取代表性轨迹送入字典模块。字典模块利用过去编码器和未来编码器进行字典的构建；目标轨迹输入至编码器‑注意力‑解码器预测架构，由过去编码器对目标轨迹的历史轨迹部分进行编码，得到观测特征编码，利用观测特征编码，查询字典，构建辅助特征；通过卷积神经网络CNN将辅助特征与观测特征编码进行融合，融合后的特征作为注意力机制解码器的初始隐藏状态，注意力机制解码器输出预测的未来轨迹。本发明能够有效降低计算成本，使用更少的内存，减少数据冗余。
-
公开(公告)号：CN117131858B
公开(公告)日：2024-08-30
申请号：CN202311074757.0
申请日：2023-08-24
Applicant: 北京理工大学
IPC: G06F40/242 , G06F40/126 , G06F40/194 , G06F16/33 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于字典的轨迹预测系统及方法，属于深度学习技术领域。其包括聚类模块，用于针对轨迹数据集进行聚类，以选取代表性轨迹；所选取代表性轨迹送入字典模块。字典模块利用过去编码器和未来编码器进行字典的构建；目标轨迹输入至编码器‑注意力‑解码器预测架构，由过去编码器对目标轨迹的历史轨迹部分进行编码，得到观测特征编码，利用观测特征编码，查询字典，构建辅助特征；通过卷积神经网络CNN将辅助特征与观测特征编码进行融合，融合后的特征作为注意力机制解码器的初始隐藏状态，注意力机制解码器输出预测的未来轨迹。本发明能够有效降低计算成本，使用更少的内存，减少数据冗余。
-
公开(公告)号：CN115063597B
公开(公告)日：2024-07-26
申请号：CN202210809485.3
申请日：2022-07-11
Applicant: 北京理工大学
Abstract: 一种基于类脑学习的图像识别方法，对原始图片数据进行预处理得到输入向量；建立脉冲神经网络模型进行学习，模型包括输入层、类脑学习算子和输出层；先对所述输入向量进行脉冲时序编码得到脉冲神经网络的输入数据，再将所述输入数据输入到脉冲神经网络的输入层，然后通过类脑学习算子学习输入向量的特征，最后将脉冲神经网络的输出层最先激发的脉冲神经元作为网络识别的类别，经过多次训练学习后，得到最后的识别网络；将待识别的原始图片数据进行预处理，用识别网络进行图片识别。本发明在脉冲神经网络中使用类脑学习算子，优化了脉冲神经网络计算能耗高，可解释性差的缺陷，符合对类脑网络的预期。
-
公开(公告)号：CN115063597A
公开(公告)日：2022-09-16
申请号：CN202210809485.3
申请日：2022-07-11
Applicant: 北京理工大学
Abstract: 一种基于类脑学习的图像识别方法，对原始图片数据进行预处理得到输入向量；建立脉冲神经网络模型进行学习，模型包括输入层、类脑学习算子和输出层；先对所述输入向量进行脉冲时序编码得到脉冲神经网络的输入数据，再将所述输入数据输入到脉冲神经网络的输入层，然后通过类脑学习算子学习输入向量的特征，最后将脉冲神经网络的输出层最先激发的脉冲神经元作为网络识别的类别，经过多次训练学习后，得到最后的识别网络；将待识别的原始图片数据进行预处理，用识别网络进行图片识别。本发明在脉冲神经网络中使用类脑学习算子，优化了脉冲神经网络计算能耗高，可解释性差的缺陷，符合对类脑网络的预期。
-
-
-
Search Results
4
records
(took 0.017 seconds)
