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!
全国服务热线 13310018778

栏目导航

最新技术
训练用户兴趣挖掘模型、用户兴趣挖掘的方法和装置
本说明书实施例提供一种训练用户兴趣挖掘模型、用户兴趣挖掘的方法和装置,方法包括:获取多个样本用户构成的关系网络图,关系网络图中具有社交关系的两个样本用户之间具有连接边;根据用户的行为日志特征,确定其初始用户表征向量;将多个样本用户分别对应的初始用户表征向量和关系网络图输入所述图神经网络,得到目标用户的融合用户表征向量;将多个样本用户分别对应的融合用户表征向量输入兴趣分布预测网络,得到各样本用户分别对应的兴趣分布参数;调整网络参数,使得兴趣分布参数所表征的预测兴趣分布与已知的用户兴趣先验分布之间的分布差异减小。对于不活跃的用户,也能有效挖掘用户兴趣。
用于图像处理的神经网络模型训练方法及装置
本公开提供了一种用于图像处理的神经网络模型训练方法,可以应用于人工智能技术领域。该方法包括:将待处理源图像进行数据增强,添加相同的透明色与不同样式的背景图,得到增强数据集;使用边缘检测算法提取增强数据集中的每个图像的捕捉对象的边缘位置;使用形态学处理方法计算边缘位置对应的边界区域信息,根据边界区域信息截取增强数据集中的每个图像的捕捉对象信息,形成训练数据集;将训练数据集输入到卷积神经网络模型中进行训练,得到图像分类模型。本公开还提供了一种用于图像处理的神经网络模型训练装置、设备、存储介质和程序产品。
数据处理方法、装置、设备及计算机可读存储介质
本公开实施例公开了数据处理方法、装置、设备及计算机可读存储介质。该方法包括:获取第一数据类型的待处理数据,基于第一分段方式对待处理数据进行分段量化,得到第二数据类型的目标数据,第二数据类型为数据精度小于第一数据类型的1bit整数型,利用深度学习网络对目标数据进行处理,得到深度学习网络的至少一个网络层的处理结果;至少一个网络层中的目标网络参数是基于第二分段方式对网络参数进行分段量化得到的1bit整数型。通过本公开,提高了深度学习网络对数据的处理效率。
基于神经与符号的多模态大数据机器自动学习系统
本发明属于人工智能、机器学习与认知计算领域,具体涉及一种基于神经与符号的多模态大数据机器自动学习系统,旨在解决现有的机器学习方法难以从动态演化数据中获取高保真机理模型的问题。本发明系统:特征工程自动构建模块包括数据获取单元、事理超图网络自动构建单元、网络结构自动更新单元;机理模型自动构建模块包括领域任务定义单元、模型博弈设计搜索单元,搜索网格加速优化单元;超参数寻优优化模块包括超参数初始空间构建单元、超参数自适应选择策略单元、自适应寻优推理单元和超参数自动迁移单元、模型数据处理模块。本发明通过大数据机器自动学习方法,迭代保真度评价,获得高保真机理模型,提高了复杂系统行为认知预测的精度。
音乐神经网络模型预训练方法及电子设备和存储介质
本申请公开了一种音乐神经网络模型预训练方法、电子设备和存储介质,该方法包括:对原始音频特征向量中的待掩码特征子向量进行掩码处理得到掩码特征子向量,并将原始音频特征向量中的待掩码特征子向量替换为掩码特征子向量;将掩码特征向量输入待训练神经网络中预测预测音频特征子向量;对待掩码特征子向量中的原始音频特征进行离散化处理得到离散化待掩码特征子向量,并将离散化待掩码特征子向量作为正样本与多个负样本进行拼接得到拼接音频特征向量;基于预测音频特征子向量和拼接音频特征向量构建损失函数,调整待训练神经网络中的参数直至损失函数收敛,得到预训练完成的音乐神经网络模型,提高了下游任务中神经网络模型的训练速度和性能。
一种卷积神经网络土壤有机质分析模型构建系统及方法
本发明涉及遥感技术与变量施肥技术领域,更具体的说是一种卷积神经网络土壤有机质分析模型构建系统及方法,包括以流程化操作的原始数据整理模块、波段变换模块、敏感性分析模块、变换波段分析模块、参数输入模块、卷积神经网络构建模块、模型训练模块、精度评定模块、剔除粗误差模块、模型验证模块、模型保存模块、模型再训练模块和成果图输出模块,敏感性分析模块用于分析土壤样本影像原始波段及变换波段对土壤有机质的敏感程度,标定输入波段参数,可以通过遥感与卷积神经网络的土壤有机质分析模型,指导精准全面施肥,从而避免出现施肥过多造成成本投入过大、污染环境,施肥过少导致土壤板结、影响作物生长的问题、破坏土地。
一种卷积神经网络土壤碱解氮分析模型构建系统及方法
本发明涉及遥感技术与变量施肥技术领域,更具体的说是一种卷积神经网络土壤碱解氮分析模型构建系统及方法,该系统包括以流程化操作的原始数据整理模块、波段变换模块、敏感性分析模块、变换波段分析模块、参数输入模块、卷积神经网络构建模块、模型训练模块、精度评定模块、剔除粗误差模块、模型验证模块、模型保存模块、模型再训练模块和成果图输出模块;可以通过遥感与卷积神经网络的土壤碱解氮分析模型,指导精准全面施肥,从而避免出现施肥过多造成成本投入过大、污染环境,施肥过少导致土壤板结、影响作物生长的问题、破坏土地。
基于改进的径向基函数神经网络的岩性识别方法及系统
本发明提供了一种基于改进的径向基函数神经网络的岩性识别方法及系统。该方法包括:结合矿区采集的样本,对地球物理联合反演得到的数据进行预处理;采用K-L变换对经过预处理的数据进行特征提取,实现降维处理;采用K折交叉验证法处理数据集,将数据集打乱后K等分;采用模糊聚类算法完成训练集的聚类,获取隐含层的中心;搭建径向基函数神经网络,根据隐含层中心求取径向基函数神经网络的参数;利用测试集对径向基函数神经网络进行验证,记录各种类识别准确率;重复模型训练与测试,求取总体识别准确率,并保存最优的径向基函数神经网络。本发明提供的基于改进的径向基函数神经网络的岩性识别方法及系统能够进行全面准确而高效的岩性识别。
一种深度神经网络模型鲁棒性优化方法
本发明针对深度神经网络鲁棒性优化问题,公开了一种高效的深度神经网络模型鲁棒性优化方法,属于机器学习和AI安全领域。该方法首先为目标模型浅层添加额外分支进行特征融合,将目标模型改造为可以在速度和准确率之间进行权衡的特征金字塔结构,然后基于生成式对抗网络提取图像样本的潜在特征生成攻击力更强的对抗样本进行对抗训练。本发明提供了一种高效的深度神经网络模型鲁棒性优化方法,有助于扩大模型的防御范围,对模型鲁棒性进行优化。
一种基于强化学习自编码器的脑电数据重建方法
本发明公开了一种基于强化学习自编码器的脑电数据重建方法。本发明采用Openvibe搭建运动想象范式平台,在被试操作游戏情况下采集获得波动态情绪下的脑电数据集和常态情绪下的控制数据集;使用自动编码器作为数据重构方法,强化学习作为重要处理方式,通过对EEG信号进行编码及学习然后对数据重建。首先获取数据并预处理;其次自编码器对数据编码;然后用强化学习得到更好的向量用于解码重建数据。与传统的机器学习、深度学习方法和基于线性全联接的变分自编码器方法相比,强化学习自编码器拥有更好的数据重建效果。