-
公开(公告)号：CN118824280A
公开(公告)日：2024-10-22
申请号：CN202410475440.6
申请日：2024-04-19
Applicant: 罗伯特·博世有限公司
IPC: G10L25/27 , G10L25/48 , G10L25/03 , G10L25/18 , G10K11/178
Abstract: 根据各种实施方式，提供用于适配由设备产生的噪声的方法，包括针对大量设备特征中的每个设备特征，通过利用设备特征的值的大量组合训练EBM来确定该设备特征对噪声评价特征数的贡献与该设备特征的值的依赖性并且针对每一个组合确定噪声评价特征数的所属值，其中EBM的多个决策树中的每一个决策树根据分配给该决策树的设备特征值为针对该设备特征具有该值的设备确定对噪声评价特征数的贡献；为其噪声应该被适配的设备确定设备特征的值；从针对设备特征确定的依赖性中针对设备特征的一个或多个设备特征确定设备特征的值的变化以用于改善噪声评价特征数；以及根据所确定的变化来适配设备。
-
公开(公告)号：CN117591908A
公开(公告)日：2024-02-23
申请号：CN202311030056.7
申请日：2023-08-15
Applicant: 罗伯特·博世有限公司
IPC: G06F18/24 , G06N3/0895
Abstract: 一种方法包括：接收包括多个被加标签样本的被加标签数据集，并且使用被加标签数据集来初始训练机器学习模型。所述方法还包括接收包括多个未加标签样本的未加标签数据集。所述方法还包括计算所述多个被加标签样本中的每个相应样本和所述多个未加标签样本中的每个相应样本的隐表示空间。所述方法还包括：基于所述隐表示空间来生成k‑最近邻相似性图，通过使用专家导出的相似性图扩充k‑最近邻相似性图来生成组合相似性图，以及使用组合相似性图将标签传播到所述多个未加标签样本中的每个相应样本。所述方法还包括使用被加标签数据集以及具有使用组合相似性图而被传播有标签的样本的未加标签数据集来随后训练机器学习模型。
-
Patent Agency Ranking
公开(公告)号：CN117807429A
公开(公告)日：2024-04-02
申请号：CN202311269477.5
申请日：2023-09-27
Applicant: 罗伯特·博世有限公司
Inventor： I·巴塔洛夫 , T·阿尔贝尔 , F·J·C·孔德萨 , F·郎 , F·舍恩 , C·欧 , M·胡贝尔 , D·瑙姆金 , M·库卡 , B·利普奇克 , M·博世特 , A·亨克
IPC: G06F18/214 , G01H17/00 , G01H9/00 , G06N20/00 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 使用加速度计数据进行基于深度学习的声音预测的系统和方法。一种系统包括与一个或多个传感器通信的处理器。处理器被编程为从所述一个或多个传感器接收来自测试设备的振动信息和与振动信息相关联的声音信息；利用至少振动数据和与振动数据相关联的声音信息生成训练数据集，其中所述训练数据集被发送至被配置为输出声音预测的机器学习模型；从运行发出实时振动数据的致动器或电驱动的运行时设备接收实时振动数据；并且基于机器学习模型和实时振动数据，输出指示从运行时设备发出的声称声音的声音预测。
-
公开(公告)号：CN118916800A
公开(公告)日：2024-11-08
申请号：CN202410554645.3
申请日：2024-05-07
Applicant: 罗伯特·博世有限公司
IPC: G06F18/2431 , G06F18/27 , G06F18/214
Abstract: 一种用于生成比较对并将其分配到试验参与者的各个比较任务以用于成对比较的主观个体评价的方法，所述方法包括：‑提供(11)具有感官样本(43)的数据集，‑基于度量为每个样本(43)识别(12)潜在有希望的比较样本，其中所述度量基于试验参与者的评价的可能估计与所述样本(43)的至少一个定量特征之间的关联，‑根据以下条件，将预给定数量的总比较分配(13)到潜在有希望的比较对：‑在成对比较中提供每个样本(43)次数相同，‑在成对比较中将每个样本(43)作为答案选项A和答案选项B来提供的次数相同，‑在考虑以下条件的情况下以如下方式通过将比较对分派到比较任务来为试验参与者生成(14)比较任务：‑在比较任务中每个样本(43)被提供的频次不多于一次，‑每个样本(43)对于所有试验参与者总体的预给定子组而言被提供的次数相同。
-
公开(公告)号：CN117809688A
公开(公告)日：2024-04-02
申请号：CN202311259010.2
申请日：2023-09-27
Applicant: 罗伯特·博世有限公司
Inventor： I·巴塔洛夫 , T·阿尔贝尔 , F·J·C·孔德萨 , F·郎 , F·舍恩 , C·欧 , M·胡贝尔 , D·瑙姆金 , M·库卡 , B·利普奇克 , M·博舍特 , A·亨克
Abstract: 用于使用加速度计数据预测声音感知的模型的系统和方法。一种系统，包括处理器，其中所述处理器被编程为从第一环境中的设备接收声音信息和振动信息；利用至少振动信息和与振动信息的对应声音相关联的声音感知分数生成训练数据集，其中所述训练数据集被馈送到未训练的机器学习模型中；响应于满足未训练的机器学习模型的收敛阈值，输出经训练的机器学习模型；在第二环境中接收来自设备的实时振动信息；并且基于实时振动信息作为经训练的机器学习模型的输入，输出指示与从设备发出的声音相关联的特性的实时声音感知分数。
-
公开(公告)号：CN117953916A
公开(公告)日：2024-04-30
申请号：CN202311439659.2
申请日：2023-10-31
Applicant: 罗伯特·博世有限公司
Abstract: 机器学习用于预测从设备发出的声音的愉悦度。接收来自人类听审员的多个愉悦度评级，每个愉悦度评级对应于由一个或多个设备发出的多个声音中的相应一个声音。麦克风系统检测这些已评级声音的多个可测量的声音质量(例如，响度、音调、锐度等)。基于听审团愉悦度评级和对应的可测量的声音质量来训练回归预测模型。然后，麦克风系统检测未经听审团评级的未评级声音的可测量的声音质量。对未评级声音的可测量的声音质量执行经训练的回归预测模型，以产生未评级声音的预测愉悦度。
-
公开(公告)号：CN117592542A
公开(公告)日：2024-02-23
申请号：CN202311036624.4
申请日：2023-08-16
Applicant: 罗伯特·博世有限公司
IPC: G06N3/0895 , G06F18/214 , G06F18/21 , G06N20/00
Abstract: 一种方法包括响应于不满足至少一个收敛标准：接收包括多个标记样本的标记数据集；接收包括多个未标记样本的未标记数据集；标识多个标记‑未标记样本对；对每个标记样本和每个对应的未标记样本应用数据扩充变换；使用机器学习模型为每至少一个标记‑未标记样本对计算潜在表示空间；使用机器学习模型为每个标记‑未标记样本对的每个未标记样本生成标记预测；基于相应的潜在表示空间和相应的标记预测，计算多个标记‑未标记样本对中的每个标记‑未标记样本对的损失函数；将优化函数应用于每个相应的损失函数；以及响应于应用优化函数，更新多个标记‑未标记样本对中的每个标记‑未标记样本对的权重值。
-
-
-
-
-
-
Search Results
7
records
(took 0.02 seconds)
