-
公开(公告)号：CN113031766B
公开(公告)日：2022-09-23
申请号：CN202110274646.9
申请日：2021-03-15
Applicant: 哈尔滨工业大学
IPC: G06F3/01 , G06F40/284 , G06F40/289 , G10L15/04 , G10L15/06
Abstract: 本发明公开了一种通过脑电解码汉语发音的方法，包括：基于汉语语料库内的刺激材料和信号灯脑电实验范式，获取跟读音频和想象跟读脑电；数据预处理：得到每个单独语料的诱发皮层脑电信号和被试对于汉语语音每个单独语料的自发声语音时频信号；针对每一份语料刺激诱发的脑电与语音信号，执行分帧截取样本操作，而后输入双峰酒桶形深度玻尔兹曼机神经网络，采用均方误差来衡量网络解析皮层脑电和语音对应关系的深度，若均方误差达到一个极小量级，则在训练集上，尝试进行未知脑电对应语音的解码。本发明的优点是：扩展了应用脑电解码语音的范围；弥补了脑电解码汉语的空白；有利于单模态信息重建多模态信息。
-
Patent Agency Ranking
公开(公告)号：CN113031766A
公开(公告)日：2021-06-25
申请号：CN202110274646.9
申请日：2021-03-15
Applicant: 哈尔滨工业大学
IPC: G06F3/01 , G06F40/284 , G06F40/289 , G10L15/04 , G10L15/06
Abstract: 本发明公开了一种通过脑电解码汉语发音的方法，包括：基于汉语语料库内的刺激材料和信号灯脑电实验范式，获取跟读音频和想象跟读脑电；数据预处理：得到每个单独语料的诱发皮层脑电信号和被试对于汉语语音每个单独语料的自发声语音时频信号；针对每一份语料刺激诱发的脑电与语音信号，执行分帧截取样本操作，而后输入双峰酒桶形深度玻尔兹曼机神经网络，采用均方误差来衡量网络解析皮层脑电和语音对应关系的深度，若均方误差达到一个极小量级，则在训练集上，尝试进行未知脑电对应语音的解码。本发明的优点是：扩展了应用脑电解码语音的范围；弥补了脑电解码汉语的空白；有利于单模态信息重建多模态信息。
-
公开(公告)号：CN112966753A
公开(公告)日：2021-06-15
申请号：CN202110257323.9
申请日：2021-03-09
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于熵稳定约束的自动数据降维方法，包括以下步骤：步骤1，监测训练过程中网络输入层、隐含层和输出层的熵分布特征；步骤2，依据网络学习目的灵活地组合待分析熵分布特征匹配差异；步骤3，将匹配差异作为惩罚项加入网络整体损失函数中或是特异网络层的梯度项，而后经过多轮迭代后完成数据的降维，以用于后续分析。本发明的优点是：通过将不同神经网络层之间的熵匹配差异作为惩罚项，加入网络的整体损失函数中或是特异网络层的梯度项，达到对网络迭代过程中高维数据内在结构的保持的目的，且提取到的低维数据重建误差更小，还能准确的体现高维数据间的分布特征，保证了在不同网络初始化的条件下，网络编码层的输出趋向一致。
-
公开(公告)号：CN112668717A
公开(公告)日：2021-04-16
申请号：CN202110002440.0
申请日：2021-01-04
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种面向神经网络模型优化的数据处理方法和装置。方法包括：通过计算高阶笛卡尔扩张项，将原有的数据映射到表达能力更强，包含信息更多的高阶笛卡尔扩张空间中。装置包括：输入模块、笛卡尔扩张计算模块和输出模块；输入模块，用于确定并接收用于计算的多维度数据，包括确定输入数据的维度及各维度的数值；笛卡尔扩张计算模块，用于对所述输入模块确定的多维输入数据进行笛卡尔扩张计算；输出模块，根据计算结果，输出用于后续处理的高维度数据。本发明优点在于：在不影响模型效果的前提下降低了后续模型学习的难度，提高了学习效率并提供了分布式并行计算的便利性。
-
公开(公告)号：CN116596030A
公开(公告)日：2023-08-15
申请号：CN202310578438.7
申请日：2023-05-22
Applicant: 哈尔滨工业大学
IPC: G06N3/045 , G06N3/0464 , G06N3/098 , G06N5/04
Abstract: 本发明涉及神经网络技术领域，具体涉及一种用于深度神经网络广度化变换的方法，该方法将深度神经网络通过多阶笛卡尔扩张变换为具有单层的广度神经网络，具体地，其通过激活函数转换、神经元转换、隐含层转换、网络广度化变换、整体优化等操作将代表性深度神经网络变换为广度神经网络，实现在典型应用中基本保持深度网络性能基础上，大幅降低计算复杂度和参数量，有效提高运行效率。此外，压缩后的广度神经网络模型中的神经元计算彼此独立，使得该模型能够在大规模分布式节点上进行并行计算和部署。
-
公开(公告)号：CN112668717B
公开(公告)日：2023-06-02
申请号：CN202110002440.0
申请日：2021-01-04
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种面向神经网络模型优化的数据处理方法和装置。方法包括：通过计算高阶笛卡尔扩张项，将原有的数据映射到表达能力更强，包含信息更多的高阶笛卡尔扩张空间中。装置包括：输入模块、笛卡尔扩张计算模块和输出模块；输入模块，用于确定并接收用于计算的多维度数据，包括确定输入数据的维度及各维度的数值；笛卡尔扩张计算模块，用于对所述输入模块确定的多维输入数据进行笛卡尔扩张计算；输出模块，根据计算结果，输出用于后续处理的高维度数据。本发明优点在于：在不影响模型效果的前提下降低了后续模型学习的难度，提高了学习效率并提供了分布式并行计算的便利性。
-
-
-
-
-
Search Results
6
records
(took 0.022 seconds)
