-
公开(公告)号：CN114118406A
公开(公告)日：2022-03-01
申请号：CN202111262226.5
申请日：2021-10-28
Applicant: 哈尔滨工业大学 , 中国航天科工集团第二研究院
Abstract: 一种卷积神经网络的量化压缩方法，解决了如何能够在提高压缩比的同时有效保留精度的问题，属于神经网络加速领域。本发明包括：S1、获取卷积神经网络的原始权重张量、输入特征张量以及量化点；S2、将原始权重张量输入至DP结构，DP结构对原始权重张量进行修改，输出修改后的原始权重张量；S3、利用量化点及量化函数对修改后的原始权重张量及除第一层外的原始输入特征张量进行定点量化；利用定点量化后的权重张量和输入特征张量替换原始权值张量和输入特征张量，得到量化后的卷积神经网络；S4、将训练数据输入至量化后的卷积神经网络，计算loss，利用反向传播和梯度下降更新DP结构的参数和原始权重张量，转入S2，进行下一轮，直至训练完成。
-
公开(公告)号：CN113867178A
公开(公告)日：2021-12-31
申请号：CN202111248683.9
申请日：2021-10-26
Applicant: 哈尔滨工业大学 , 中国航天科工集团第二研究院
IPC: G05B17/02
Abstract: 面向多机器人对抗的虚实迁移训练系统，涉及机器人对抗技术领域，针对现有决策训练过程中，单纯使用真实环境进行决策训练时训练成本较高，安全性较差的问题，本申请通过使用创新的训练方法，大大地减少了决策训练的成本，相比于传统的方法能够更加地充分考虑实际环境中的各种因素，经过该方法训练得到的决策适应度高、所需的训练时间短，决策准确度高，响应速度快等优点。通过该训练方法可以实现机器人在各种复杂环境下快速准确的完成决策训练。
-
公开(公告)号：CN113867178B
公开(公告)日：2022-05-31
申请号：CN202111248683.9
申请日：2021-10-26
Applicant: 哈尔滨工业大学 , 中国航天科工集团第二研究院
IPC: G05B17/02
Abstract: 面向多机器人对抗的虚实迁移训练系统，涉及机器人对抗技术领域，针对现有决策训练过程中，单纯使用真实环境进行决策训练时训练成本较高，安全性较差的问题，本申请通过使用创新的训练方法，大大地减少了决策训练的成本，相比于传统的方法能够更加地充分考虑实际环境中的各种因素，经过该方法训练得到的决策适应度高、所需的训练时间短，决策准确度高，响应速度快等优点。通过该训练方法可以实现机器人在各种复杂环境下快速准确的完成决策训练。
-
Patent Agency Ranking
公开(公告)号：CN114118406B
公开(公告)日：2025-04-11
申请号：CN202111262226.5
申请日：2021-10-28
Applicant: 哈尔滨工业大学 , 中国航天科工集团第二研究院
IPC: G06N3/0495 , G06N3/084 , G06N3/0464
Abstract: 一种卷积神经网络的量化压缩方法，解决了如何能够在提高压缩比的同时有效保留精度的问题，属于神经网络加速领域。本发明包括：S1、获取卷积神经网络的原始权重张量、输入特征张量以及量化点；S2、将原始权重张量输入至DP结构，DP结构对原始权重张量进行修改，输出修改后的原始权重张量；S3、利用量化点及量化函数对修改后的原始权重张量及除第一层外的原始输入特征张量进行定点量化；利用定点量化后的权重张量和输入特征张量替换原始权值张量和输入特征张量，得到量化后的卷积神经网络；S4、将训练数据输入至量化后的卷积神经网络，计算loss，利用反向传播和梯度下降更新DP结构的参数和原始权重张量，转入S2，进行下一轮，直至训练完成。
-
公开(公告)号：CN113744132B
公开(公告)日：2024-09-27
申请号：CN202111055372.0
申请日：2021-09-09
Applicant: 哈尔滨工业大学
IPC: G06T3/4053 , G06T7/00 , G06V10/774 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 基于多重优化的MR图像深度网络超分辨方法，解决了现有利用深度学习网络重建超分辨率MR图像时难以在模型复杂度和训练难度取得较好平衡的问题，属于图像超分辨率重建技术领域。本发明包括：获取MR图像训练集，包括多切片的低分辨MR图像集和对应的多切片高分辨MR图像集；利用MR图像训练集对超分辨深度学习网络进行训练，超分辨深度学习网络包括融合层和多个超分辨网络，每个超分辨网络的输入为低分辨MR图像，每个超分辨网络的输出同时输入到融合层，融合层输出高分辨MR图像；利用训练完成后的超分辨深度学习网络将低分辨MR图像重建为高分辨MR图像。超分辨网络和融合层在训练时，可采用不同的损失函数的级联。
-
公开(公告)号：CN113744132A
公开(公告)日：2021-12-03
申请号：CN202111055372.0
申请日：2021-09-09
Applicant: 哈尔滨工业大学
Abstract: 基于多重优化的MR图像深度网络超分辨方法，解决了现有利用深度学习网络重建超分辨率MR图像时难以在模型复杂度和训练难度取得较好平衡的问题，属于图像超分辨率重建技术领域。本发明包括：获取MR图像训练集，包括多切片的低分辨MR图像集和对应的多切片高分辨MR图像集；利用MR图像训练集对超分辨深度学习网络进行训练，超分辨深度学习网络包括融合层和多个超分辨网络，每个超分辨网络的输入为低分辨MR图像，每个超分辨网络的输出同时输入到融合层，融合层输出高分辨MR图像；利用训练完成后的超分辨深度学习网络将低分辨MR图像重建为高分辨MR图像。超分辨网络和融合层在训练时，可采用不同的损失函数的级联。
-
公开(公告)号：CN115454096B
公开(公告)日：2024-07-19
申请号：CN202211227150.7
申请日：2022-10-09
Applicant: 哈尔滨工业大学 , 中国航天科工集团第二研究院
Abstract: 一种基于课程强化学习的机器人策略训练系统及训练方法，它属于无人系统自主决策与控制领域。本发明解决了现有方法在针对于机器人的策略训练方面难以获得好的决策与控制效果的问题。本发明针对异构多机器人不同类型的任务模式，以复杂环境的动力学模型为输入，构建基于课程学习的多机器人联合任务决策课程学习训练架构。考虑训练过程中任务难度的循序渐进，建立基于复杂环境动力学模型的参数自主生成算法和目标自主生成算法。然后在此基础上，建立课程难度评估与标校算法，反馈给自优化强化学习算法。本发明方法可以应用于无人系统的自主决策与控制。
-
公开(公告)号：CN115454096A
公开(公告)日：2022-12-09
申请号：CN202211227150.7
申请日：2022-10-09
Applicant: 哈尔滨工业大学 , 中国航天科工集团第二研究院
IPC: G05D1/02
Abstract: 一种基于课程强化学习的机器人策略训练系统及训练方法，它属于无人系统自主决策与控制领域。本发明解决了现有方法在针对于机器人的策略训练方面难以获得好的决策与控制效果的问题。本发明针对异构多机器人不同类型的任务模式，以复杂环境的动力学模型为输入，构建基于课程学习的多机器人联合任务决策课程学习训练架构。考虑训练过程中任务难度的循序渐进，建立基于复杂环境动力学模型的参数自主生成算法和目标自主生成算法。然后在此基础上，建立课程难度评估与标校算法，反馈给自优化强化学习算法。本发明方法可以应用于无人系统的自主决策与控制。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.026 seconds)
