-
公开(公告)号：CN111325261B
公开(公告)日：2023-12-05
申请号：CN202010094900.2
申请日：2020-02-14
Applicant: 中国科学院半导体研究所
IPC: G06F18/243 , G06F18/15 , G06F18/214 , G06F18/23213 , G06F18/2337 , G06N20/20 , H04W64/00 , H04W4/33 , H04W4/80 , G01C21/20
Abstract: 一种无源室内定位算法，包括如下步骤：步骤1：在原环境下采集有标签数据集Ds，训练定位模型；步骤2：环境改变后采集少量无标签数据集Dt；步骤3：使用原环境有标签数据集Ds计算系数矩阵Ai；步骤4：使用系数矩阵Ai对Dt进行辅助聚类，获得有标签的数据集Dl；步骤5：用Dl对定位模型重训练，微调模型获得新环境下的定位模型。本发明的算法对动态环境下的室内定位准确率改善效果良好，且对于不同程度的环境改变具有很高的鲁棒性。本方案中选用随机森林作为定位模型，效果优于普遍用于室内定位的支持向量机，bp神经网络，逻辑斯蒂回归等算法。
-
公开(公告)号：CN111626410B
公开(公告)日：2023-09-05
申请号：CN201910149310.2
申请日：2019-02-27
Applicant: 中国科学院半导体研究所 , 中国科学院大学
IPC: G06N3/06
Abstract: 一种稀疏卷积神经网络加速器及计算方法，其中，加速器包括：卷积计算模块，用于对输入特征图进行乘加处理，生成中间结果，其中，卷积计算模块由9个计算单元组成，每一计算单元由一个及以上的乘加器组成，同一计算单元中乘加器的激活输入相同，9个计算单元设置有一额外激活输入；非线性及池化模块，用于对中间结果进行非线性计算及池化计算，生成输出特征图；全连接层计算模块，用于对输出特征图进行全连接计算，生成最终结果。通过对多个卷积计算模块组合出不同的工作模式，能够在有效利用激活稀疏性加速卷积神经网络计算的同时，产生较小的额外资源开销和较低的负载失衡。
-
公开(公告)号：CN108932452A
公开(公告)日：2018-12-04
申请号：CN201710366249.8
申请日：2017-05-22
Applicant: 中国科学院半导体研究所 , 中国科学院大学
Abstract: 本发明公开了一种基于多尺度卷积神经网络的心律失常心拍分类方法，包括定位心电信号中R波的位置，根据R波的位置对心电信号进行分割得到分割的心拍信号；将分割的心拍信号分为正常心拍N、左束支传导阻滞L、右束支传导阻滞R、起搏心拍P和室性期前收缩V五类心律失常心拍。本发明不仅可以提取不同尺度上的信号特征，还将特征提取和分类过程结合在一起，减少中间误差，提高分类的准确率。
-
公开(公告)号：CN114398834B
公开(公告)日：2024-09-06
申请号：CN202210057339.X
申请日：2022-01-18
Applicant: 中国科学院半导体研究所
IPC: G06F30/27 , G06F111/06
Abstract: 本公开提供了一种粒子群优化算法模型的训练方法、粒子群优化方法及装置。该方法包括：根据由第一电子设备生成的粒子训练种群确定适应度以及与适应度对应的初始最优位置，在进行第t次迭代训练的过程中，根据动作网络和第t观测状态，确定粒子训练种群的第t选择动作，确定粒子训练种群的第t奖励回报和第t+1观测状态，将第t观测状态、第t选择动作、第t奖励回报和第t+1观测状态确定为与第t次迭代训练对应的一个状态转移信息并存储于缓存中，根据从缓存中获取的一个状态转移信息和价值网络的损失函数，计算第t损失结果，根据第t损失结果和状态转移信息训练价值网络和动作网络，进而得到粒子群优化算法模型。
-
公开(公告)号：CN114398834A
公开(公告)日：2022-04-26
申请号：CN202210057339.X
申请日：2022-01-18
Applicant: 中国科学院半导体研究所
IPC: G06F30/27 , G06F111/06
Abstract: 本公开提供了一种粒子群优化算法模型的训练方法、粒子群优化方法及装置。该方法包括：根据由第一电子设备生成的粒子训练种群确定适应度以及与适应度对应的初始最优位置，在进行第t次迭代训练的过程中，根据动作网络和第t观测状态，确定粒子训练种群的第t选择动作，确定粒子训练种群的第t奖励回报和第t+1观测状态，将第t观测状态、第t选择动作、第t奖励回报和第t+1观测状态确定为与第t次迭代训练对应的一个状态转移信息并存储于缓存中，根据从缓存中获取的一个状态转移信息和价值网络的损失函数，计算第t损失结果，根据第t损失结果和状态转移信息训练价值网络和动作网络，进而得到粒子群优化算法模型。
-
Patent Agency Ranking
公开(公告)号：CN107884744A
公开(公告)日：2018-04-06
申请号：CN201710951127.5
申请日：2017-10-12
Applicant: 中国科学院半导体研究所
IPC: G01S5/02
CPC classification number: G01S5/0252
Abstract: 一种无源被动式室内定位方法，包括：将目标在非空旷室内各坐标处已采集的射频网络链路RSS值作为训练样本，以坐标编号作为样本标签；对训练样本进行二维双相关分布式小波滤波处理，确定滤波后的训练样本；建立基于基尼决策树的Adaboost.M2集成学习模型，采用滤波后的训练样本和样本标签训练，确定训练后的模型；采集目标在监测区域中任意移动时的RSS值，作为测试样本，将测试样本进行二维双相关分布式小波滤波处理，再输入至该训练后的模型中，确定定位结果。该方法能分辨和滤除RSS样本噪声和随机干扰，保留正常跳变数据，同时定位过程具有很强的泛化能力，总体上能提高定位准确率和稳定性。本发明还提供了一种对应的装置。
-
公开(公告)号：CN117313637A
公开(公告)日：2023-12-29
申请号：CN202311332688.9
申请日：2023-10-13
Applicant: 中国科学院半导体研究所
IPC: G06F30/394 , G06F30/333 , G06F30/27 , G06N3/0464 , G06F115/12
Abstract: 本公开提供了一种推荐区域生成算法模型的训练方法、PCB布线方法及系统，该算法模型的训练方法包括：利用PCB问题生成工具生成具有不同约束参数的PCB测试问题；使用Astar算法对PCB测试问题进行布线；从布线的结果中随机选取一条线路作为待学习线路，利用基于Lee算法的推荐区域生成工具生成适合连接待学习线路的推荐区域，得到推荐区域‑待学习线路数据集；将数据集分成训练集和测试集，输入DeeperUnet推荐区域生成网络进行训练，得到优化的DeeperUnet推荐区域生成网络。本公开的算法模型的训练方法可应用于印刷电路板布线领域，提高布线效率和减少人力成本。
-
公开(公告)号：CN111325261A
公开(公告)日：2020-06-23
申请号：CN202010094900.2
申请日：2020-02-14
Applicant: 中国科学院半导体研究所
Abstract: 一种无源室内定位算法，包括如下步骤：步骤1：在原环境下采集有标签数据集Ds，训练定位模型；步骤2：环境改变后采集少量无标签数据集Dt；步骤3：使用原环境有标签数据集Ds计算系数矩阵Ai；步骤4：使用系数矩阵Ai对Dt进行辅助聚类，获得有标签的数据集Dl；步骤5：用Dl对定位模型重训练，微调模型获得新环境下的定位模型。本发明的算法对动态环境下的室内定位准确率改善效果良好，且对于不同程度的环境改变具有很高的鲁棒性。本方案中选用随机森林作为定位模型，效果优于普遍用于室内定位的支持向量机，bp神经网络，逻辑斯蒂回归等算法。
-
公开(公告)号：CN107884744B
公开(公告)日：2021-01-01
申请号：CN201710951127.5
申请日：2017-10-12
Applicant: 中国科学院半导体研究所
IPC: G01S5/02
Abstract: 一种无源被动式室内定位方法，包括：将目标在非空旷室内各坐标处已采集的射频网络链路RSS值作为训练样本，以坐标编号作为样本标签；对训练样本进行二维双相关分布式小波滤波处理，确定滤波后的训练样本；建立基于基尼决策树的Adaboost.M2集成学习模型，采用滤波后的训练样本和样本标签训练，确定训练后的模型；采集目标在监测区域中任意移动时的RSS值，作为测试样本，将测试样本进行二维双相关分布式小波滤波处理，再输入至该训练后的模型中，确定定位结果。该方法能分辨和滤除RSS样本噪声和随机干扰，保留正常跳变数据，同时定位过程具有很强的泛化能力，总体上能提高定位准确率和稳定性。本发明还提供了一种对应的装置。
-
公开(公告)号：CN111626410A
公开(公告)日：2020-09-04
申请号：CN201910149310.2
申请日：2019-02-27
Applicant: 中国科学院半导体研究所 , 中国科学院大学
IPC: G06N3/06
Abstract: 一种稀疏卷积神经网络加速器及计算方法，其中，加速器包括：卷积计算模块，用于对输入特征图进行乘加处理，生成中间结果，其中，卷积计算模块由9个计算单元组成，每一计算单元由一个及以上的乘加器组成，同一计算单元中乘加器的激活输入相同，9个计算单元设置有一额外激活输入；非线性及池化模块，用于对中间结果进行非线性计算及池化计算，生成输出特征图；全连接层计算模块，用于对输出特征图进行全连接计算，生成最终结果。通过对多个卷积计算模块组合出不同的工作模式，能够在有效利用激活稀疏性加速卷积神经网络计算的同时，产生较小的额外资源开销和较低的负载失衡。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.034 seconds)
