百科技术库 各行业技术资料 - 百科资料网
欢迎来到百科技术库 各行业技术资料 - 百科资料网！ [免费注册] | [登录] 微信快捷登录 QQ登录 微博登录 | 帮助中心 各行业技术应有尽有！

热门搜索： 干粉砂浆 填缝剂 瓷砖胶 水溶肥 切削液 聚氨酯发泡 丙烯酸乳液

全国服务热线 13310018778

栏目导航

A、生活必需 >

A、生活必需

A01 农林牧渔 A21 烘烤烘焙 A22 肉品加工 A23 食品饮料 A24 烟草 A41 服装 A42 帽类 A43 鞋类
A44 服饰配件；珠宝 A45 手携物品；旅行品 A46 刷类制品 A47 家具；家庭用品 A61 医疗 A62 救生；消防 A63 运动；娱乐
B、作业运输 >

B、作业运输

B01 沸腾 分离 混合 实验设备 B02 破碎 磨粉 粉碎 B03 分选 浮选 B04 离心装置 B05 喷射 雾化 B06 机械振动 B07 固体分离；分选
B08 清洁 B09 固废处理 B21 金属加工；金属冲压 B22 铸造；粉末冶金 B23 机床 金属加工 B24 磨削；抛光 B25 手动工具 B26 切割工具
B27 木材加工 B28 水泥 黏土 石料 B29 塑料加工 B30 压力机 B31 纸品加工 B32 层状产品 B41 印刷；排版机 B42 装订；印刷品
B43 书写绘图器具；办公用品 B44 装饰艺术 B60 一般车辆 B61 铁路 B62 无轨陆用车辆 B63 船舶 B64 飞行器；航空 B65 输送；包装；贮存 B66 卷扬；提升；牵引 B67 瓶子 罐 容器 B68 鞍具；家具罩面 B81 微观结构技术 B82 超微技术
C、化学冶金 >

C、化学冶金

C01 无机化学 C02 废水污泥 C03 玻璃；矿棉 C04 水泥；混凝土；人造石；陶瓷；耐火材料 C05 肥料 C07 有机化学 C08 有机高分子化合物
C09 染料；涂料；抛光剂；天然树脂；黏合剂 C10 石油 煤气；燃料；润滑剂 C11 动物或植物油；蜡；洗涤剂 C12 生物化学；酒；醋；微生物学
C13 糖工业 C14 皮革 C21 铁的冶金 C22 冶金；合金 C23 金属镀覆 C25 电解电泳 C30 晶体生长 C40 组合技术
D、纺织造纸 >

D、纺织造纸

D01 纤维；纺纱 D02 纱线 D03 织造 D04 编织；针织 D05 缝纫；绣花 D06 织物处理；洗涤 D07 绳；缆索 D21 造纸；纤维素
E、固定建筑 >

E、固定建筑

E01 道路 铁路 桥梁 E02 水利工程 E03 给水排水 E04 建筑物 E05 锁；钥匙；门窗零件；保险箱 E06 门窗；梯子 E21 钻矿；采矿
F、机械工程 >

F、机械工程

F01 发动机；蒸汽机 F02 燃烧发动机 F03 液力发动机；风力 弹力或重力发动机 F04 液体变容机；液体泵或弹性流体泵
F15 液压；气动 F16 工程元件；绝热 F17 贮存 F21 照明 F22 蒸汽 F23 燃烧设备 F24 供热；炉灶；通风
F25 制冷；热泵；气体的液化或固化 F26 干燥 F27 炉；窑 F28 热交换
G、物理系列 >

G、物理系列

G01 测量；测试 G02 光学 G03 摄影术；电影术 G04 测时学 G05 控制；调节 G06 计算 G07 核算装置 G08 信号装置
G09 教育；密码术；广告 G10 乐器；声学 G11 信息存储 G12 仪器的零部件 G16 通信技术 G21 核物理；核工程
H、电学系列 >

H、电学系列

H01 基本电气元件 H02 发电 变电或配电 H03 基本电子电路 H04 电通信技术 H05 其他类目不包含的电技术
更多>>

人气分享

最新技术
基于AP-NAG算法的复值神经网络信道均衡器设计方法
本发明公开了一种基于AP-NAG算法的复值神经网络信道均衡器设计方法,包括以下步骤：将从非线性信道中采集的畸变信号y(n)作为复值神经网络的输入,将延时τ个单位的原始输入信号s(n-τ)作为期望输出,将复值神经网络的实际输出和期望输出的均方误差作为损失函数；B、采用AP-NAG算法训练复值神经网络,直至将损失函数值降低到预设值以下；C、将训练之后的复值神经网络模型作为信道均衡器。本发明解决了NAG算法用于复值神经网络训练的理论问题,并使其参数能自适应调整,实现了复值神经网络的高效训练,相对于传统的一阶优化算法性能有了明显提升,收敛速度更快。相对于二阶优化算法,本算法的计算量和存储量更小,但是收敛速度并不逊色。
基于复合熵的遗传算法参数优化方法、系统、设备及介质
本发明提供一种基于复合熵的遗传算法参数优化方法、系统、设备及介质,该方法包括：构建基于遗传算法的网络模型；利用转化规律将种群中的个体转化为网络节点,以及将遗传操作中的交叉、变异转化为网络的边连接；计算遗传算法在不同迭代次数、交叉概率、变异概率下所对应网络模型的测度指标,根据测度指标计算复合熵；根据复合熵的变化趋势来判断遗传算法参数的合理性,从而优化遗传算法参数。本发明达到了理论指导迭代次数和操作算子选择的目的,避免了现有研究中对操作算子经验性选择中的主观性,对遗传算法迭代次数和操作算子的选择提供一定的理论指导,也为揭示遗传算法的进化过程提供了一种全新的视角。
模型压缩方法及装置
本发明实施例公开了一种模型压缩方法及装置,该方法包括：获取待压缩网络模型以及目标压缩比；根据所述目标压缩比确定节点压缩方式,并且基于所述节点压缩方式以及所述目标压缩比对所述待压缩网络模型进行压缩,得到待赋值网络模型；根据所述待压缩网络模型以及所述待赋值网络模型,确定与所述待赋值网络模型中各待赋值节点对应的权重值；基于各权重值以及所述待赋值网络模型,确定目标压缩网络模型。通过本发明实施例的技术方案,实现了对深度学习模型的压缩,节约模型占用资源的技术效果。
一种面向遥感应用的卷积神经网络剪枝和量化同步压缩方法
本发明提供了一种面向遥感应用的卷积神经网络剪枝和量化同步压缩方法,与其他的卷积神经网络剪枝和量化压缩方法相比,本方法融合了模型剪枝和量化过程,实现了卷积神经网络模型的同步剪枝和量化,在提高模型参数压缩比例的同时,减少了模型压缩后的精度损失；对剪枝和量化后的模型进行再训练,可以得到更为精确的参数数值,提高网络精度；设定编码时需要遵守的规则度约束条件,即在实际的遥感平台处理器中对卷积神经网络模型进行实现时,对同一层中的不同滤波器处于相同位置的卷积核同时剪枝可以提高计算单元的通用程度,并提高计算的并行度；本发明压缩后的模型可以在机载、星载等资源有限的平台处理器上进行移植和应用。
基于逐层损失补偿深度自编码器的态势评估要素提取方法
本发明公开了一种基于逐层损失补偿深度自编码器的态势评估要素提取方法,将获取的部分网络安全数据集输入逐层损失补偿编码器进行降维与特征提取,并将编码后的态势评估要素特征信息传递给解码器进行解码还原,其中,编码器部分利用损失补偿模块对编码时的所述态势评估要素特征信息的损失进行补偿,生成逐层损失补偿深度自编码器；通过最小化MSE损失函数评估还原数据与原始输入数据差异实现模型训练；利用训练好的所述逐层损失补偿深度自编码器对整体数据进行态势评估要素提取,得到评估因素集,提高网络安全态势评估的性能,减少深度自编码器在层与层间的态势评估要素特征信息损失,保证影响态势评估要素提取的有效性。
神经网络结构搜索方法、装置、计算机设备和存储介质
本申请涉及一种神经网络结构搜索方法、装置、计算机设备和存储介质。方法包括：将训练神经网络结构输入图神经网络中,得到对应的离散结构特征；将离散结构特征输入至编码网络,通过编码网络将离散结构特征编码为连续结构特征；根据连续结构特征及解码网络进行解码,得到重构神经网络结构；基于训练神经网络结构和重构神经网络结构之间的重构损失,训练图神经网络、编码网络及解码网络,直至满足训练停止条件时,得到目标编码网络及目标解码网络,将目标编码网络对应的隐空间确定为目标搜索空间；根据目标搜索策略从目标搜索空间进行搜索得到目标结构特征,并通过目标解码网络解码得到目标神经网络结构。采用本方法可以提高神经网络结构搜索效率。
光学神经网络及基于其的数据处理方法、装置、存储介质
本申请公开了一种基于光学神经网络的数据处理方法、装置、计算机可读存储介质及光学神经网络。光学神经网络的光学干涉单元包括第一干涉光路结构、移相器和第二干涉光路结构,两个干涉光路结构均包括内部移相器和分光器,方法包括：若这两个干涉光路结构的分光器分光比均满足分光补偿条件,获取输入光信号的初始光信息和最终输出光信息、在移相器输入/输出端口的中间输入光信息、中间输出光信息。当初始光信息和中间输入光信息之间,中间输出光信息和最终输出光信息之间均满足光学神经网络的预设分光条件时,计算这两个干涉光路结构的内部移相器的参数,利用基于该参数的光学神经网络进行数据处理,可有效提升光学神经网络性能和数据处理精准度。
一种基于非熔融态相变器件的多级联想记忆电路
本发明公开了一种基于非熔融态相变器件的多级联想记忆电路,属于人工神经网络领域,包括：N+1个输入节点,分别用于接收非条件刺激信号和各级条件刺激信号；N(N+1)/2个互连模块,任意两个输入节点之间连接有一互连模块,以对各输入节点接收到的信号进行两两耦合,每一互连模块包括两条反向并联的支路,每一支路包括串联的非熔融态相变器件和二极管；每一输入节点还依次连接有电阻突触和输出神经元模块,用于对该输入节点中耦合后的信号进行积分,并根据积分结果与神经元阈值电压之间的大小分别输出非条件反应信号和各级刺激反应信号。结构简单、无需复杂外围控制电路且能够模拟经典条件反射中多级条件反射的获取和消退过程。
设备处理器选择方法、系统、终端设备及存储介质
本发明提供了一种设备处理器选择方法、系统、终端设备及存储介质,该方法包括：根据待部署神经网络的计算量信息确定待部署神经网络的计算量变量值；获取目标设备的设备信息,根据所述设备信息确定目标设备的设备变量值；根据计算量变量值和所述设备变量值,确定待部署神经网络与目标设备之间的部署变量值,根据部署变量值对目标设备中的处理器进行选择。本发明基于待部署神经网络的计算量的复杂程度和目标设备的设备性能,不同处理器之间处理待部署神经网络的性能差距,基于不同处理器之间的性能差距,能自动对目标设备上的处理器进行选择,无需采用人工测试的方式进行处理器的选择,提高了设备处理器选择的准确性和效率性。
计算装置、方法、板卡和计算机可读存储介质
本披露公开了用于对多比特位宽数值进行处理的计算装置、集成电路板卡、方法和计算机可读存储介质,其中该计算装置可以包括在组合处理装置中,该组合处理装置还可以包括通用互联接口和其他处理装置。所述计算装置与其他处理装置进行交互,共同完成用户指定的计算操作。组合处理装置还可以包括存储装置,该存储装置分别与设备和其他处理装置连接,用于存储该设备和其他处理装置的数据。本披露的方案可以对多比特位宽数值进行拆分,以使得处理器的处理能力不受位宽的影响。

热门专题更多>>
技术分类