-
公开(公告)号：CN108563779B
公开(公告)日：2022-03-08
申请号：CN201810377647.4
申请日：2018-04-25
Applicant: 北京计算机技术及应用研究所
IPC: G06F16/35 , G06F16/332 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于神经网络的无模板自然语言文本答案生成方法，其中，步骤一，针对问答系统内部特定的语义表征形式设计一个由自然文本生成该形式表征的神经网络模型A；步骤二，使用神经网络模型A完全相反的神经网络模型B；步骤三，基于神经网络模型A构建一个自然文本识别器C；步骤四，进行训练：对给定的自然文本S，通过神经网络模型A生成内部语义表征向量X，然而向该向量X中加入服从高斯分布的噪声Z，输入到神经网络模型B中，产生伪造的自然文本T，将自然文本S输入分类器C中并给出监督反馈1，将伪造的自然文本T输入分类器C中并给出监督反馈0，如此训练分类器C并将误差反向传播到模型B中，以对自然文本生成模型B进行有监督训练。
-
公开(公告)号：CN108563779A
公开(公告)日：2018-09-21
申请号：CN201810377647.4
申请日：2018-04-25
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明公开了一种基于神经网络的无模板自然语言文本答案生成方法，其中，步骤一，针对问答系统内部特定的语义表征形式设计一个由自然文本生成该形式表征的神经网络模型A；步骤二，使用神经网络模型A完全相反的神经网络模型B；步骤三，基于神经网络模型A构建一个自然文本识别器C；步骤四，进行训练：对给定的自然文本S，通过神经网络模型A生成内部语义表征向量X，然而向该向量X中加入服从高斯分布的噪声Z，输入到神经网络模型B中，产生伪造的自然文本T，将自然文本S输入分类器C中并给出监督反馈1，将伪造的自然文本T输入分类器C中并给出监督反馈0，如此训练分类器C并将误差反向传播到模型B中，以对自然文本生成模型B进行有监督训练。
-
公开(公告)号：CN107609601B
公开(公告)日：2021-01-22
申请号：CN201710893876.7
申请日：2017-09-28
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明公开了一种基于多层卷积神经网络的舰船目标识别方法包括：S1、舰船样本库采用已有的图像、参数和模型数据构建，并在使用过程中，通过检测目标数据采集不断的进行丰富；S2、舰船目标特征训练是在卷积神经网络的框架下，通过对舰船样本库的识别训练，形成可见光/红外和二维/三维融合的舰船特征知识库，用于进行舰船目标分类识别；S3、舰船目标数据采集用于对海上舰船目标的可见光或红外视频数据进行实时高分辨率的采集；S4、对海上舰船目标进行检测；S5、对舰船目标图像粗分类；S6、基于舰船目标特征训练完成的深度神经网络模型开展舰船目标的细分类识别工作，准确的识别出舰船的类型。解决了舰船目标识别的难题。
-
公开(公告)号：CN107609601A
公开(公告)日：2018-01-19
申请号：CN201710893876.7
申请日：2017-09-28
Applicant: 北京计算机技术及应用研究所
Abstract: 本发明公开了一种基于多层卷积神经网络的舰船目标识别方法包括：S1、舰船样本库采用已有的图像、参数和模型数据构建，并在使用过程中，通过检测目标数据采集不断的进行丰富；S2、舰船目标特征训练是在卷积神经网络的框架下，通过对舰船样本库的识别训练，形成可见光/红外和二维/三维融合的舰船特征知识库，用于进行舰船目标分类识别；S3、舰船目标数据采集用于对海上舰船目标的可见光或红外视频数据进行实时高分辨率的采集；S4、对海上舰船目标进行检测；S5、对舰船目标图像粗分类；S6、基于舰船目标特征训练完成的深度神经网络模型开展舰船目标的细分类识别工作，准确的识别出舰船的类型。解决了舰船目标识别的难题。
-
-
-
Search Results
4
records
(took 0.031 seconds)
