-
公开(公告)号：CN112633309A
公开(公告)日：2021-04-09
申请号：CN202011007795.0
申请日：2020-09-23
Applicant: 罗伯特·博世有限公司
Abstract: 描述了对神经网络分类器实行对抗攻击。构造输入输出对的数据集，输入输出对的每个输入元素是从搜索空间中随机挑选的，输入输出对的每个输出元素指示针对对应输入元素的神经网络分类器的预测输出。在输入输出对的数据集上利用高斯过程来优化获取函数，以从数据集中找到最佳扰动输入元素。对最佳扰动输入元素进行上采样以生成经上采样的最佳输入元素。经上采样的最佳输入元素被添加到原始输入以生成候选输入。查询神经网络分类器，以确定针对候选输入的分类器预测。计算分类器预测的分数。响应于分类器预测为不正确的，接受候选输入作为成功的对抗攻击。
-
公开(公告)号：CN118211695A
公开(公告)日：2024-06-18
申请号：CN202311740310.2
申请日：2023-12-15
Applicant: 罗伯特·博世有限公司
IPC: G06Q10/04 , G01D21/02 , G06Q10/20 , G06N3/0442 , G06N3/0464
Abstract: 计算机实现的系统和方法包括建立给定部件穿过的站序列。历史嵌入序列被生成并包括(a)基于历史测量数据的历史测量嵌入，(b)基于至少一个其他部件的至少一个历史部件标识符的历史部件标识符嵌入，和(c)基于对应于历史测量数据的至少一个历史站标识符的历史站标识符嵌入。输入嵌入序列被生成并包括(a)基于观察测量数据的测量嵌入，(b)基于给定部件的部件标识符的部件标识符嵌入，和(c)基于对应于观察测量数据的站标识符的站标识符嵌入。编码网络基于历史嵌入序列生成中间历史特征。解码网络基于中间历史特征和输入嵌入序列生成预测测量数据。预测测量数据包括下一站处的给定部件的下一测量数据，下一站在站序列中跟随站子序列。
-
公开(公告)号：CN119227666A
公开(公告)日：2024-12-31
申请号：CN202410857423.9
申请日：2024-06-28
Applicant: 罗伯特·博世有限公司 , 卡内基梅隆大学
IPC: G06F40/20 , G06F40/151 , G06F18/22 , G06V10/70 , G06F18/213 , G06F18/2135 , G06N3/0895 , G06N3/0985 , G06V10/764 , G06V10/82 , G06N3/09
Abstract: 用于提示搜索的系统和方法。一种计算机实现的方法，包括：接收多个输入图像；利用多个图像和图像编码器生成视觉矩阵，其中视觉矩阵包括编码图像的列表；接收多个文本提示；从多个文本提示中选择文本提示；将文本提示中的第一个发送到语言模型以生成候选词元列表；选择词元；经由附加词元将文本提示转换成更新的文本提示；利用文本提示和文本编码器生成文本矩阵；以及利用在图像‑文本相似性矩阵处分配的数值，确定与图像‑文本相似性矩阵相关联的分数；以及在评估多个文本提示中的每一个之后，响应于标识出与最终词元相关联的最高分数，评估准则并向更新的文本提示输出最终词元。
-
公开(公告)号：CN118567219A
公开(公告)日：2024-08-30
申请号：CN202410213606.7
申请日：2024-02-27
Applicant: 罗伯特·博世有限公司
IPC: G05B13/04
Abstract: 提供了用于制造的具有预训练特征提取的预测性维护。一种计算机实施的系统和方法包括建立给定零件遍历的站序列。每个站包括相对于给定零件执行至少一个操作的机器。接收与遍历多个机器的多个零件的属性相关的测量数据。测量数据由传感器获得，并且对应于当前处理周期。第一机器学习模型被预训练以生成(i)基于测量数据的隐表示和(ii)基于隐表示的机器状态。接收与当前处理周期相关的机器观察数据。基于测量数据和机器观察数据生成聚合数据。第二机器学习模型基于聚合数据生成维护预测。维护预测对应于下一个处理周期。
-
Patent Agency Ranking
公开(公告)号：CN118211694A
公开(公告)日：2024-06-18
申请号：CN202311737459.5
申请日：2023-12-15
Applicant: 罗伯特·博世有限公司
IPC: G06Q10/04 , G01D21/02 , G06Q10/20 , G06N3/0442 , G06N3/0464
Abstract: 计算机实现的系统和方法包括建立给定部件穿过的站序列。第一神经网络基于站子序列的每个站处的给定部件的观察测量数据生成一组参数数据。该组参数数据与对应于站子序列的潜在变量子序列相关联。第二神经网络基于历史测量数据和该组参数数据生成下一参数数据。历史测量数据涉及在给定部件之前被处理的另一部件，并与站序列的每个站相关联。下一参数数据与潜在变量子序列之后的下一潜在变量相关联。下一潜在变量对应于站序列中的站子序列之后的下一站。第二神经网络基于下一潜在变量和下一参数数据生成下一站处的给定部件的预测测量数据。
-
公开(公告)号：CN119229230A
公开(公告)日：2024-12-31
申请号：CN202410869123.2
申请日：2024-07-01
Applicant: 罗伯特·博世有限公司 , 卡内基梅隆大学
IPC: G06V10/774 , G06V10/46 , G06V10/74 , G06V10/764 , G06V10/766 , G06V10/82 , G06N3/0895 , G06N3/045 , G06N20/00
Abstract: 一种包括机器学习网络的系统，包括控制器，控制器被配置为：利用在包括文本编码器和图像编码器的所述机器学习网络处输出的图像‑文本相似性矩阵处指派的数值，利用稀疏逻辑回归来更新所述机器学习网络的未经训练层的参数以生成稀疏逻辑回归层，其中所述图像‑文本相似性矩阵与在所述控制器处接收的多个输入图像相关联，冻结所述稀疏逻辑回归层的包括零值的一个或多个条目，在(1)所述图像编码器和(2)所述稀疏逻辑回归层处的一个或多个未冻结条目处运行多个输入图像，以及响应于所述多个输入图像的运行，更新所述图像编码器的参数以及与一个或多个未冻结条目相关联的参数，以及输出经调节的机器学习模型，直到阈值被满足。
-
公开(公告)号：CN113836828B
公开(公告)日：2024-06-28
申请号：CN202110629887.0
申请日：2021-06-07
Applicant: 罗伯特·博世有限公司
Inventor： F·D·A·贝尔巴特-佩雷斯 , T·D·依科诺蒙 , J·柯尔特 , D·维尔莫特
IPC: G06F30/28 , G06F30/23 , G06F17/11 , G06N3/0464
Abstract: 用于流体流动预测的组合可微分偏微分方程求解器和图形神经网络的系统和方法。一种计算机实现的方法包括接收包括第一节点集合的粗网格输入，其中粗网格被输入到具有物理参数的计算流体动力学求解器以获得粗网格解，接收具有第二节点集合的细网格输入，其中第二节点集合包括比第一节点集合多的节点，将细网格输入与物理参数级联，并通过图形卷积层运行所述级联以获得细网格隐藏层，对粗网格解进行上采样以获得包括与第二节点集合相同数量的节点的粗网格上采样，并至少响应于粗网格上采样而输出预测。
-
公开(公告)号：CN118112995A
公开(公告)日：2024-05-31
申请号：CN202311611385.0
申请日：2023-11-29
Applicant: 罗伯特·博世有限公司
IPC: G05B19/418
Abstract: 提供了具有预训练特征提取的工业质量监视系统。公开了用于对制造品进行分类的方法和系统。用训练数据训练分类器，所述训练数据包括1)与物品相关的特征向量，其基于在制造过程的特定站处捕获的与物品相关的测量，以及2)编码的时间序列数据，其表示在特定站之前在制造过程的站序列处捕获的与该制造品相同类型的物品的测量历史。
-
公开(公告)号：CN113836828A
公开(公告)日：2021-12-24
申请号：CN202110629887.0
申请日：2021-06-07
Applicant: 罗伯特·博世有限公司
Inventor： F·D·A·贝尔巴特-佩雷斯 , T·D·依科诺蒙 , J·柯尔特 , D·维尔莫特
Abstract: 用于流体流动预测的组合可微分偏微分方程求解器和图形神经网络的系统和方法。一种计算机实现的方法包括接收包括第一节点集合的粗网格输入，其中粗网格被输入到具有物理参数的计算流体动力学求解器以获得粗网格解，接收具有第二节点集合的细网格输入，其中第二节点集合包括比第一节点集合多的节点，将细网格输入与物理参数级联，并通过图形卷积层运行所述级联以获得细网格隐藏层，对粗网格解进行上采样以获得包括与第二节点集合相同数量的节点的粗网格上采样，并至少响应于粗网格上采样而输出预测。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.019 seconds)
