检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

1,748 篇 专利
1 篇 期刊文献

馆藏范围

1,749 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

1 篇 工学
- 1 篇 控制科学与工程
- 1 篇 计算机科学与技术...
- 1 篇 软件工程
1 篇 管理学
- 1 篇 管理科学与工程(可...

主题

1 篇 学习神经网络
1 篇 遗传算法
1 篇 知识系统
1 篇 专家系统
1 篇 神经元

机构

42 篇 华南理工大学
30 篇 华南师范大学
25 篇 浙江大学
22 篇 丰田自动车株式会...
22 篇 北京航空航天大学
19 篇 东南大学
18 篇 国家电网有限公司
16 篇 大国创新智能科技...
16 篇 北京理工大学
15 篇 上海交通大学
14 篇 清华大学
14 篇 北京大学
14 篇 哈尔滨工业大学
14 篇 南京邮电大学
12 篇 南京航空航天大学
11 篇 西北工业大学
11 篇 电子科技大学
10 篇 北京百度网讯科技...
10 篇 天津大学
10 篇 达索系统公司

作者

44 篇 朱定局
32 篇 周智恒
32 篇 李立军
16 篇 张军
16 篇 刘洋
12 篇 王伟
11 篇 刘博
10 篇 周付根
9 篇 刘俊
8 篇 王磊
7 篇 刘斌
7 篇 李军
7 篇 戴琼海
7 篇 邵星灵
7 篇 e·梅尔
7 篇 千田健次
7 篇 毛利昌弘
6 篇 李万润
6 篇 金鹤京
6 篇 江原雅人

语言

1,749 篇 中文

检索条件"主题词=学习神经网络"

共 1749 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

利用辅助损失来学习神经网络中的长期依赖性

利用辅助损失来学习神经网络中的长期依赖性

引用

作者：安德鲁·M·戴国·V·勒黄·赵·祯唐·明·良美国加利福尼亚州

本申请涉及利用辅助损失来学习神经网络中的长期依赖性。用于构造和训练循环神经网络的方法、系统和设备，包括在计算机存储介质上编码的计算机程序。本说明描述了一种技术，所述技术通过在一个或多个锚点处向原始目标添加无监督辅助损... 详细信息

标准号: CN109858046B

本申请涉及利用辅助损失来学习神经网络中的长期依赖性。用于构造和训练循环神经网络的方法、系统和设备，包括在计算机存储介质上编码的计算机程序。本说明描述了一种技术，所述技术通过在一个或多个锚点处向原始目标添加无监督辅助损失来提高捕捉循环神经网络中的长期依赖性的能力。该辅助损失迫使网络重建先前的事件或预测序列中的下一个事件，使截断的反向传播对于长序列是可行的，并且还改善了沿时间的完全反向传播。

关键词：循环神经网络反向传播计算机存储介质学习神经网络计算机程序系统和设备网络重建原始目标长序列无监督截断锚点捕捉预测申请

来源：评论

学校读者我要写书评

暂无评论

一种使用深度学习神经网络的硬度压痕自动测量方法

一种使用深度学习神经网络的硬度压痕自动测量方法

引用

作者：李修同 201600 上海市松江区复华科技广场718弄2号楼319室

本发明公开了一种使用深度学习神经网络的硬度压痕自动测量方法，涉及硬度压痕测量技术领域。该使用深度学习神经网络的硬度压痕自动测量方法，包括以下步骤：S1、准备工作：收集硬度压痕的样本，准备需要进行测量的样品，使用标准硬度... 详细信息

标准号: CN117333426A

本发明公开了一种使用深度学习神经网络的硬度压痕自动测量方法，涉及硬度压痕测量技术领域。该使用深度学习神经网络的硬度压痕自动测量方法，包括以下步骤：S1、准备工作：收集硬度压痕的样本，准备需要进行测量的样品，使用标准硬度试验片校准测量设备，确保其准确性；S2、数据采集：人工标注出样本，使用光学显微镜对样品表面进行成像，将图像数据输入到深度学习神经网络模型中，进行数据采集。通过利用人工智能深度学习神经网络技术，对硬度压痕图像样本进行训练，实现高精度、高鲁棒性、高效率、接近人工判断的硬度压痕光学测量；提高测量精度和稳定性、降低测量成本、提高测量效率、便于操作和维护、适用范围广。

关键词：硬度压痕学习神经网络数据采集自动测量样本测量测量技术领域图像数据输入光学显微镜标准硬度测量成本测量效率高鲁棒性光学测量人工标注人工判断人工智能图像样本校准测量样品表面高效率试验片成像维护

来源：评论

学校读者我要写书评

暂无评论

基于Extro-Transformer深度学习神经网络的纯电船舶动力电池SOC估计方法

基于Extro-Transformer深度学习神经网络的纯电船舶动力电池SOC估...

引用

作者：仇研樨赵强文书礼张冰吴国栋王绍远田野朱淼徐龙堂陈旭东 212000 江苏省镇江市梦溪路2号

本发明公开了一种基于Extro‑Transformer深度学习神经网络的纯电船舶动力电池SOC估计方法，包括如下步骤：从传感器中生成电池数据集，根据电池数据集获得电荷数据；使用动态异常值剔除法对电荷数据进行处理，剔除掉数据中的异常值；将... 详细信息

标准号: CN118169572A

本发明公开了一种基于Extro‑Transformer深度学习神经网络的纯电船舶动力电池SOC估计方法，包括如下步骤：从传感器中生成电池数据集，根据电池数据集获得电荷数据；使用动态异常值剔除法对电荷数据进行处理，剔除掉数据中的异常值；将处理后的电荷数据分割为训练集与测试集；将训练集与测试集输入到构建好的Extro‑Transformer深度学习模型中进行训练和测试，得到训练好的Extro‑Transformer深度学习模型；通过训练好的Extro‑Transformer深度学习模型来预测新序列的SOC，输出得到SOC估计结果。本发明利用Transformer深度学习神经网络模型的强大表达能力和自适应性，结合外部的解码器和编码器，捕捉提取更复杂、更高级的特征，提高评估模型的性能，不仅具有较高的准确性和鲁棒性，还具有广泛的应用前景。

关键词：电荷数据学习神经网络电池数据测试集训练集解码器异常值剔除船舶动力估计结果评估模型自适应性电池SOC 编码器鲁棒性新序列传感器纯电构建学习剔除捕捉测试输出分割外部预测应用

来源：评论

学校读者我要写书评

暂无评论

具有深度学习神经网络的非易失性存储器管芯

具有深度学习神经网络的非易失性存储器管芯

引用

作者： R·罗姆 O·佩勒 A·巴扎斯基 T·T·埃利亚什 R·扎米尔 K·因巴美国加利福尼亚州

本发明题为“具有深度学习神经网络的非易失性存储器管芯”。提供了用于使用例如管芯内的阵列下电路部件来实现非易失性存储器(NVM)装置的管芯内的深度学习加速器(DLA)或其他神经网络部件的示例性方法和装置。本文所公开的一些方面涉及... 详细信息

标准号: CN112154460B

本发明题为“具有深度学习神经网络的非易失性存储器管芯”。提供了用于使用例如管芯内的阵列下电路部件来实现非易失性存储器(NVM)装置的管芯内的深度学习加速器(DLA)或其他神经网络部件的示例性方法和装置。本文所公开的一些方面涉及配置阵列下部件以实现前馈DLA操作。其他方面涉及反向传播操作。其他方面涉及使用具有更新函数的基于NAND的芯片上拷贝以便于更新存储在管芯上的神经网络的突触权重。本文所公开的其他方面涉及配置固态设备(SSD)控制器以与NVM一起使用。在一些方面中，SSD控制器包括闪存转换层(FTL)表，该闪存转换层(FTL)表被专门配置用于与存储在NVM中的神经网络数据一起使用。

关键词：管芯神经网络非易失性存储器闪存转换层配置学习神经网络方法和装置电路部件反向传播更新存储固态设备控制器下部件加速器拷贝前馈权重突触存储芯片更新学习

来源：评论

学校读者我要写书评

暂无评论

基于遗传算法的个性化联邦学习神经网络层次划分方法

基于遗传算法的个性化联邦学习神经网络层次划分方法

引用

作者：吴家皋程鹏易婧刘林峰 210003 江苏省南京市鼓楼区新模范马路66号

本发明公开了一种基于遗传算法的个性化联邦学习神经网络层次划分方法，具体包括：首先，定义染色体个体为0‑1整数序列表示神经网络中全局层和个性化层的一种划分并初始化种群；对于种群中的每个个体，分别进行个性化联邦学习模型训练... 详细信息

标准号: CN117725989A

本发明公开了一种基于遗传算法的个性化联邦学习神经网络层次划分方法，具体包括：首先，定义染色体个体为0‑1整数序列表示神经网络中全局层和个性化层的一种划分并初始化种群；对于种群中的每个个体，分别进行个性化联邦学习模型训练并将模型测试精度作为个体的适应度函数值；采用轮盘赌选择方法选择个体，并对被选中的个体进行点交叉操作和位变异操作，形成新一代种群；重复上述步骤，直到达到预定的迭代轮数，获得最佳的神经网络全局层和个性化层划分方案。本方法采用遗传算法能提高最佳神经网络层次划分方案的搜索效率，优化个性化联邦学习的性能；同时，实现了对神经网络层次的任意划分，具有广泛的通用性和适用性。

关键词：神经网络个性化遗传算法全局层种群学习神经网络适应度函数新一代种群变异操作方法选择模型测试模型训练搜索效率整数序列初始化点交叉轮盘赌染色体迭代轮数学习重复优化

来源：评论

学校读者我要写书评

暂无评论

一种深度学习神经网络预报降水量的正态化归一方法

一种深度学习神经网络预报降水量的正态化归一方法

引用

作者：樊仲欣 210032 江苏省南京市江北新区宁六路219号

本发明公开了一种深度学习神经网络预报降水量的正态化归一方法，包括：1、采集目标区域的各项气象要素数据以及降水量数据；2、对数据正态化分布变换和最大最小归一化处理；3、构建深度学习神经网络模型并用处理后的数据构建训练集和... 详细信息

标准号: CN117951462A

本发明公开了一种深度学习神经网络预报降水量的正态化归一方法，包括：1、采集目标区域的各项气象要素数据以及降水量数据；2、对数据正态化分布变换和最大最小归一化处理；3、构建深度学习神经网络模型并用处理后的数据构建训练集和测试集，以训练集中气象要素数据作为输入，降水量数据作为输出训练深度学习神经网络模型，将测试集输入深度学习神经网络模型，输出降水量预测数据；4、将降水量预测数据反最大最小归一化后再进行反正态化分布变换处理，得到降水量预测结果。本发明解决含有大量0值的降水量时间序列数据做基于relu激活函数的人工神经网络预测时的输出抖动问题，正态化分布变换后的降水量时间序列数据符合正态分布。

关键词：降水量学习神经网络正态化气象要素数据时间序列数据预测数据测试集正态分布人工神经网络预测归一化处理变换处理采集目标激活函数输出抖动数据构建预测结果输出归一化训练集构建态化并用预报

来源：评论

学校读者我要写书评

暂无评论

合作学习神经网络和系统

合作学习神经网络和系统

引用

作者：罗法隆 T·施米茨 J·赫里茨 J·卡明斯美国爱达荷州

描述了涉及合作学习神经网络的系统、方法和设备。合作学习神经网络可以包含神经网络，所述神经网络利用从至少一个其它无线通信装置无线接收到的传感器数据训练所述神经网络。例如，本文所述的合作学习神经网络可以用于开发与一个装置... 详细信息

标准号: CN111034230B

描述了涉及合作学习神经网络的系统、方法和设备。合作学习神经网络可以包含神经网络，所述神经网络利用从至少一个其它无线通信装置无线接收到的传感器数据训练所述神经网络。例如，本文所述的合作学习神经网络可以用于开发与一个装置处的物体或状况相关联并且可以发射到第二装置的权重，在所述第二装置处，所述权重可以用于训练所述第二装置以对此类物体或状况做出反应。所公开的特征可以在包含机器类通信、机器对机器通信、装置对装置通信等的各种上下文中使用。所公开的技术可以在可以根据各种标准化协议操作的无线(例如，蜂窝)通信系统中采用。

关键词：学习神经网络第二装置神经网络权重机器对机器通信无线通信装置标准化协议传感器数据方法和设备机器类通信无线接收装置通信装置处通信系统蜂窝合作关联发射开发

来源：评论

学校读者我要写书评

暂无评论

基于深度学习神经网络的衍射元件的设计方法及系统

基于深度学习神经网络的衍射元件的设计方法及系统

引用

作者：李瑞彬杨博文杨明朱平罗明辉乔文 215123 江苏省苏州市工业园区新昌路68号

本申请公开了一种基于深度学习神经网络的衍射元件的设计方法及系统，设计方法包括：根据衍射元件的关键参数，生成多组衍射元件结构，通过对所述衍射元件结构进行电磁矢量计算得到对应的衍射效率数据，多组衍射元件结构及其对应的衍射... 详细信息

标准号: CN118169868A

本申请公开了一种基于深度学习神经网络的衍射元件的设计方法及系统，设计方法包括：根据衍射元件的关键参数，生成多组衍射元件结构，通过对所述衍射元件结构进行电磁矢量计算得到对应的衍射效率数据，多组衍射元件结构及其对应的衍射效率数据形成数据集；选择一个深度学习架构，构建深度学习神经网络，利用所述数据集对所述深度学习神经网络进行训练和测试，以得到深度学习神经网络模型；设计目标光场以获取对应的目标衍射效率数据，并将所述目标衍射效率数据输入到所述训练过的深度学习神经网络模型中，获取用于生成目标衍射元件的结构数据。本申请通过将矢量电磁仿真和深度学习神经网络结合在一起，提高了衍射元件的设计效率。

关键词：衍射元件学习神经网络目标衍射效率衍射效率数据集设计方法及系统电磁仿真电磁矢量关键参数结构数据设计目标设计效率数据形成矢量构建光场申请架构测试学习

来源：评论

学校读者我要写书评

暂无评论

面向CPU-GPU异构片上系统的深度学习神经网络功耗优化调度方法

面向CPU-GPU异构片上系统的深度学习神经网络功耗优化调度方法

引用

作者：韦志辉黄祉峄吴泽彬徐洋周俊龙孙晋张毅 210094 江苏省南京市孝陵卫200号

本发明公开了一种面向CPU‑GPU异构片上系统的深度学习神经网络功耗优化调度方法，包括：修改神经网络的实现代码以拆分神经网络，允许定义神经网络的运行模式，选择每一层网络是在CPU上运行还是在GPU上运行，在相应的CPU‑GPU异构片上系... 详细信息

标准号: CN117851061A

本发明公开了一种面向CPU‑GPU异构片上系统的深度学习神经网络功耗优化调度方法，包括：修改神经网络的实现代码以拆分神经网络，允许定义神经网络的运行模式，选择每一层网络是在CPU上运行还是在GPU上运行，在相应的CPU‑GPU异构片上系统平台测试所有可能的运行模式的时间和功耗数据，并保存；针对电池供电的CPU‑GPU异构片上系统设备，设计电量感知的深度学习神经网络功耗元启发式优化调度算法，根据电量状态并结合任务的实时性要求，使用元启发式算法寻找最适合当前状态的切割方式。本发明能够权衡深度学习神经网络在CPU‑GPU异构边缘设备上运行的实时性和能耗，通过在低电量状态下采用网络层迁移技术和动态电压调整技术，提高异构边缘设备运行深度学习神经网络的续航时间。

关键词：异构学习神经网络神经网络边缘设备片上系统运行模式动态电压调整片上系统设备优化调度算法低电量状态启发式算法实时性要求电池供电电量状态功耗数据功耗优化平台测试续航启发式实时性网络层功耗感知电量能耗切割迁移调度保存网络

来源：评论

学校读者我要写书评

暂无评论

一种基于深度学习神经网络的数据分析方法

一种基于深度学习神经网络的数据分析方法

引用

作者：王飞王学松许欢庆丁祺季仁通曾雪峰赵文孙敏 100080 北京市海淀区苏州街55号10层1002

本发明公开了一种基于深度学习神经网络的数据分析方法，涉及数据分析技术领域，包括：获取待分析数据的历史数据，使用分析侧重法获取定位数据以及回溯级数；建立循环神经网络；基于深度学习对循环神经网络进行训练，并获取循环神经网... 详细信息

标准号: CN118152785A

本发明公开了一种基于深度学习神经网络的数据分析方法，涉及数据分析技术领域，包括：获取待分析数据的历史数据，使用分析侧重法获取定位数据以及回溯级数；建立循环神经网络；基于深度学习对循环神经网络进行训练，并获取循环神经网络中的奇异层；对待分析数据进行分析，并基于奇异层对待分析数据进行特征提取；本发明用于解决现有技术对数据分析的过程中缺少对数据的循环方面的有效改进，无法有效对循环的数据进行分析，从而无法对完整的数据传输过程进行全面分析，导致数据传输在数据循环方面出现漏洞时无法及时检索并进行查漏补缺的问题。

关键词：循环神经网络分析数据数据分析数据传输过程数据分析技术学习神经网络定位数据历史数据全面分析数据传输数据循环特征提取有效改进分析回溯检索漏洞学习

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共175页 << < 1 2 3 4 5 6 7 8 9 10 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：