-
公开(公告)号：CN119260713A
公开(公告)日：2025-01-07
申请号：CN202411416100.2
申请日：2024-10-11
Applicant: 电子科技大学
IPC: B25J9/16
Abstract: 该发明公开了一种基于保守模型强化学习的机器人控制方法，涉及机器学习技术领域。本发明基于保守模型强化学习的机器人控制方法，通过在每个模型学习步骤中，从集成概率模型中随机选择具有保守近似的估计模型。它以概率估计模型的集合形式出现，但包含了惩罚高估或过度乐观预测的机制。这保证了基于模型强化学习算法在保守性和泛化性之间的平衡，进而解决基于模型强化学习中模拟环境产生多步模型模拟样本严重偏离真实环境数据的问题。
-
公开(公告)号：CN117454824B
公开(公告)日：2024-03-01
申请号：CN202311805382.0
申请日：2023-12-26
Applicant: 电子科技大学
IPC: G06F30/367 , G06F18/23213 , G06F111/06 , G06F115/12
Abstract: 本发明提供了基于双层多目标优化的芯片电路设计方法，属于芯片电路优化设计领域。本发明包括：电路结构初始化、元器件参数初始化、最优候选芯片电路集合初始化、参考向量初始化、上层优化、电路预选（芯片性能粗估、参考向量自适应更新、电路选择）、下层优化、优化后的芯片电路适应度评估、最优候选芯片电路集合维护。本发明通过结合人工智能中的双层优化方法和多目标进化优化方法对芯片电路进行优化，可以获得一组互补占优的电路结构的同时，寻优当前电路结构下最优的元器件参数设置，可以降低芯片设计成本，提高产品质量和性能。
-
公开(公告)号：CN114692896A
公开(公告)日：2022-07-01
申请号：CN202210208397.8
申请日：2022-03-04
Applicant: 电子科技大学
IPC: G06N20/20
Abstract: 本发明属于机器学习领域，具体涉及一种面向集成学习的基模型池智能生成方法。在本发明中，先通过训练集T和集成模型信息初始化若干基模型，并构建基模型到多目标优化方法的解的映射规则；然后采用多目标寻优方法求解出集成学习中基模型生成问题的帕累托阈值前沿S，S表示为一组遴选基模型的解集。根据验证集V和指定的筛选规则选择指定数量的基模型，最后将选出的基模型作为集成学习的基模型，按照并行集成的方法构建集成模型。与现有技术相比，本发明数据利用率高，且遴选出的基模型更加优质。
-
公开(公告)号：CN119623393B
公开(公告)日：2025-04-15
申请号：CN202510151638.3
申请日：2025-02-11
Applicant: 电子科技大学
IPC: G06F30/373 , G06F30/27 , G06N3/006 , G06F30/392 , G06F30/398 , G06F111/06 , G06F111/04
Abstract: 本发明提出一种基于工艺和后仿真优化反馈的模拟电路智能设计方法，属于电路设计多目标优化领域。该方法包括三个过程：电路图优化过程、版图优化过程、器件工艺优化过程。电路图优化过程用GLAL‑MOPSO算法优化电路元器件的参数；版图优化过程在GLAL‑MOPSO算法的基础上，设计了一种决策变量分组的策略来应对版图优化中大规模变量的优化难题；为了增加电路设计的寻优范围，在电路优化的流程中加入了器件工艺优化的过程。工艺优化过程用GLAL‑MOPSO算法优化器件工艺的参数，可将器件工艺优化过程得到的结果作为基础重新进行电路图和版图的优化。本发明通过对模拟电路设计和器件工艺优化进行自动化的寻优迭代，节省了时间成本和人工设计成本，有效地提高了电路的设计效率。
-
公开(公告)号：CN119623311A
公开(公告)日：2025-03-14
申请号：CN202510157398.8
申请日：2025-02-13
Applicant: 电子科技大学
Abstract: 本发明提出半导体器件工艺的多目标双层智能优化方法，属于半导体工艺设计领域。该方法包括上层寻优与下层寻优两个步骤，上层寻优面向图形化工艺，对结构特性进行优化；下层寻优面向材料处理工艺，对物理特性进行优化，经过两层优化后再进行电学特性的仿真，可以更好的为优化指引方向，也能降低仿真时间。在满足各项目标阈值且成功进行电学特性仿真的个体中，判断上下层优化的目标与最终的电学特性的目标之间的关系，更好的调整之后在分层优化中对不同目标之间的偏好。本发明通过对半导体器件工艺优化进行自动化的寻优迭代，节省了时间成本和人工设计成本，有效地提高了元件的设计效率。
-
Patent Agency Ranking
公开(公告)号：CN117910410A
公开(公告)日：2024-04-19
申请号：CN202410309468.2
申请日：2024-03-19
Applicant: 电子科技大学
IPC: G06F30/373 , G06F30/367 , G06F111/06
Abstract: 本发明提供了一种大规模多目标模拟芯片电路进化优化设计方法，属于进化计算与超大规模集成电路领域。本发明的差分分组模块采用决策变量与优化目标间的向前差分信息对决策变量进行分组，能够清晰地反应决策变量与优化目标间变化趋势的一致性；针对属于不同差分分组的决策变量采用具有不同策略的优化算法进行自适应合作协同进化，能够将高维的问题分解为一组低维子问题，对问题进行降维；优化算法添加分组模块置信度自适应策略以自适应调整决策变量的分组，增加了分组模块的分组结果可信度与结果的严谨性。
-
公开(公告)号：CN117435904B
公开(公告)日：2024-03-15
申请号：CN202311753604.9
申请日：2023-12-20
Applicant: 电子科技大学
IPC: G06F18/2111 , G06F18/2113 , G06F18/2135 , G06F18/23 , G06F18/27 , G16C60/00
Abstract: 本发明公开了一种单一特征排序及复合特征提取方法，属于数据处理技术领域。该方法包括以下步骤：S1.构建输入数据集；S2.划分聚类；S3.分聚类进行符号回归，并将符号回归结果解码为表达式；S4.根据符号回归结果进行单一特征排序；S5.根据符号回归结果提取复合特征。本发明方法能够有效提升单一特征选择结果的可解释性，剔除不相关或冗余的特征；同时，能够显式的提取出符合领域可解释性的复合特征，从而促进跨领域之间的知识交流；此外，选取出真正相关的特征能够有效去除噪声特征带来的干扰，从而简化模型，提高模型精确度，协助理解数据产生的过程。
-
公开(公告)号：CN117237592A
公开(公告)日：2023-12-15
申请号：CN202311209507.3
申请日：2023-09-19
Applicant: 电子科技大学
IPC: G06V10/22 , G06V10/40 , G06V10/74 , G06V10/774 , G06V10/82 , G06N3/006 , G06N3/0455 , G06N3/048 , G06N3/084 , G06N3/092 , G06N3/126
Abstract: 本发明旨在提供一种同口焊缝图像智能识别方法，属于管道焊接检测技术领域，用于准确、高效地防止焊接底片的同口和造假行为。通过深度学习模型进行焊缝缺陷区域的识别和特征提取，然后比对特征数据识别同口的底片。同时，结合神经网络架构搜索技术，寻找最适合底片查重任务的神经网络结构。为优化网络架构搜索，本发明改进了自编码器结构，采用基于后验分布自适应调整解码结果分布的策略，有效解决了不等长编码问题，进一步提高了同口底片检测的精度和鲁棒性。本发明将深度学习和神经网络架构搜索有效结合，有效解决了同口底片检测的问题。
-
公开(公告)号：CN119807542B
公开(公告)日：2025-05-13
申请号：CN202510309119.5
申请日：2025-03-17
Applicant: 电子科技大学
IPC: G06F16/9535 , G06F16/906 , G06F40/30 , G06N5/022 , G06N3/042 , G06N3/0455 , G06N3/047 , G06N3/084
Abstract: 本发明提供了一种基于图嵌入和知识表示学习融合的知识图谱节点推荐方法，属于知识图谱及其应用领域。该方法通过结合图嵌入和知识表示学习的优势，能够有效地融合节点的结构信息和语义信息，提升推荐系统的精度和效果。本发明不依赖用户的交互数据，而是基于知识图谱中节点的结构关系和语义特征进行自适应推荐，从而避免了冷启动问题，并能充分挖掘节点之间的潜在关系与语义信息。该方法能够灵活处理不同类型的节点，适应多种复杂应用场景，在大规模知识图谱中提供高效、精准的相似节点推荐。通过图嵌入和知识表示学习的结合，本发明显著提升了推荐结果的准确性，知识图谱应用中，对于节点语义信息的缺乏和结构化知识的利用上，展现出明显的优势。
-
公开(公告)号：CN119623393A
公开(公告)日：2025-03-14
申请号：CN202510151638.3
申请日：2025-02-11
Applicant: 电子科技大学
IPC: G06F30/373 , G06F30/27 , G06N3/006 , G06F30/392 , G06F30/398 , G06F111/06 , G06F111/04
Abstract: 本发明提出一种基于工艺和后仿真优化反馈的模拟电路智能设计方法，属于电路设计多目标优化领域。该方法包括三个过程：电路图优化过程、版图优化过程、器件工艺优化过程。电路图优化过程用GLAL‑MOPSO算法优化电路元器件的参数；版图优化过程在GLAL‑MOPSO算法的基础上，设计了一种决策变量分组的策略来应对版图优化中大规模变量的优化难题；为了增加电路设计的寻优范围，在电路优化的流程中加入了器件工艺优化的过程。工艺优化过程用GLAL‑MOPSO算法优化器件工艺的参数，可将器件工艺优化过程得到的结果作为基础重新进行电路图和版图的优化。本发明通过对模拟电路设计和器件工艺优化进行自动化的寻优迭代，节省了时间成本和人工设计成本，有效地提高了电路的设计效率。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.021 seconds)
