-
公开(公告)号：CN118171697B
公开(公告)日：2024-08-30
申请号：CN202410584793.X
申请日：2024-05-13
Applicant: 国网山东省电力公司济南供电公司 , 中国科学院自动化研究所
Inventor： 胥明凯 , 任志刚 , 李琮 , 杨杰 , 陈显达 , 王淑颖 , 王思源 , 刘昭 , 刘晓 , 刘哲 , 王万国 , 胡庆浩 , 李章明 , 高翔 , 邵帅 , 郑义斌 , 张雨薇
IPC: G06N3/0464 , G06N3/082
Abstract: 本发明的一种深度神经网络压缩的方法、装置、计算机设备和存储介质，属于卷积神经网络技术领域，方法包括：获取原始深度神经网络的权重矩阵；通过局部结构化稀疏处理对权重矩阵进行稀疏剪枝；通过乘积量化方法对稀疏剪枝后权重矩阵进行矩阵权重压缩，获得压缩权重；将压缩权重放入adam模块进行微调，获得压缩后的输变电缺陷识别模型。本发明通过结构化稀疏提高了计算效率，通过乘积量化降低了存储开销，结构化稀疏和乘积量化两者协同工作，大大提高了深度神经网络的压缩率。
-
公开(公告)号：CN109784333B
公开(公告)日：2021-09-28
申请号：CN201910059002.0
申请日：2019-01-22
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及一种基于点云带权通道特征的三维目标检测方法及系统，所述检测方法包括：通过预训练的深度卷积神经网络对二维图像中的目标进行提取，得到多个目标物；基于各目标物，在对应的三维点云空间中确定点云视锥；基于点云的分割网络，对视锥中的点云进行分割，获得感兴趣的点云；基于带权通道特征的网络，对感兴趣的点云进行3D Box的参数估计，得到3D Box的参数，进行三维目标检测。本发明通过深度卷积神经网络能够更准确的学习到图像的特征；基于带权通道特征的网络，对感兴趣的点云进行3D Box的参数估计，可降低不重要点的特征降的权重，增加关键点的权重，从而可抑制干扰点，并增强关键点，从而可提高3D Box参数的精度。
-
Patent Agency Ranking
公开(公告)号：CN109784333A
公开(公告)日：2019-05-21
申请号：CN201910059002.0
申请日：2019-01-22
Applicant: 中国科学院自动化研究所
Abstract: 本发明涉及一种基于点云带权通道特征的三维目标检测方法及系统，所述检测方法包括：通过预训练的深度卷积神经网络对二维图像中的目标进行提取，得到多个目标物；基于各目标物，在对应的三维点云空间中确定点云视锥；基于点云的分割网络，对视锥中的点云进行分割，获得感兴趣的点云；基于带权通道特征的网络，对感兴趣的点云进行3D Box的参数估计，得到3D Box的参数，进行三维目标检测。本发明通过深度卷积神经网络能够更准确的学习到图像的特征；基于带权通道特征的网络，对感兴趣的点云进行3D Box的参数估计，可降低不重要点的特征降的权重，增加关键点的权重，从而可抑制干扰点，并增强关键点，从而可提高3D Box参数的精度。
-
公开(公告)号：CN119539185A
公开(公告)日：2025-02-28
申请号：CN202411665836.3
申请日：2024-11-20
Applicant: 中国科学院自动化研究所
IPC: G06Q10/04 , G01N33/00 , G06N3/0442 , G06F18/10 , G06F18/214 , G06F18/24 , G06N3/092
Abstract: 本发明涉及传感器数据处理技术领域，公开了一种氨气传感器的数据优化和预警方法，包括：获取目标氨气传感器的历史测量数据；对历史测量数据进行预处理；将预处理后的历史测量数据按照时间窗口进行分段，得到多段历史测量数据；对每段历史测量数据进行优化处理；将优化处理后的目标段历史测量数据输入到目标氨气传感器数据预测模型，得到第一预测值集合；根据多段历史测量数据对应的多个第一预测值集合，确定目标氨气传感器的预警结果。本发明实施例采用基于GRU网络和特征强化网络构建的氨气传感器数据预测模型对历史测量数据进行预测，并根据预测结果进行预警，提高了氨气监测精确度和安全程度。
-
公开(公告)号：CN119510709A
公开(公告)日：2025-02-25
申请号：CN202411547968.6
申请日：2024-11-01
Applicant: 中国科学院自动化研究所
IPC: G01N33/24 , G01D18/00 , G06N3/045 , G06N3/0895
Abstract: 本公开提供了一种基于编码机制的土壤多参数传感器时序数据校准方法，应用于传感器校准技术领域。该方法包括：获取在目标时间段内测量的针对目标土壤的目标测量数据，目标测量数据包括目标属性的测量数据和相关属性的测量数据，相关属性表征对目标属性存在影响的土壤属性；将目标测量数据输入目标校准模型中，输出针对目标属性的目标校准数据，目标校准模型是在校准模型的数据校准模块的网络参数保持不变的情况下，利用第一训练样本数据对校准模型的自注意力模块进行自监督训练，得到中间模型；在中间模型的自注意力模块的网络参数保持不变的情况下，利用第二训练样本数据对中间模型的数据校准模块进行有监督微调得到的。
-
公开(公告)号：CN119310242A
公开(公告)日：2025-01-14
申请号：CN202411456655.X
申请日：2024-10-18
Applicant: 中国科学院自动化研究所
Abstract: 本公开提供了一种基于监督学习的低成本气体传感器数据校准方法，可以应用于计算机技术和传感技术领域。该数据校准模型的训练方法包括：获取针对目标对象的待校准样本序列和参考样本序列；利用待校准样本序列对自监督学习模块进行训练，得到经训练的自监督学习模块；以及，在保持经训练的自监督学习模块的模型参数不变的情况下，利用待校准样本序列和参考样本序列，对时序校准模块进行训练，得到用于目标对象的数据校准模型。
-
公开(公告)号：CN118171697A
公开(公告)日：2024-06-11
申请号：CN202410584793.X
申请日：2024-05-13
Applicant: 国网山东省电力公司济南供电公司 , 中国科学院自动化研究所
Inventor： 胥明凯 , 任志刚 , 李琮 , 杨杰 , 陈显达 , 王淑颖 , 王思源 , 刘昭 , 刘晓 , 刘哲 , 王万国 , 胡庆浩 , 李章明 , 高翔 , 邵帅 , 郑义斌 , 张雨薇
IPC: G06N3/0464 , G06N3/082
Abstract: 本发明的一种深度神经网络压缩的方法、装置、计算机设备和存储介质，属于卷积神经网络技术领域，方法包括：获取原始深度神经网络的权重矩阵；通过局部结构化稀疏处理对权重矩阵进行稀疏剪枝；通过乘积量化方法对稀疏剪枝后权重矩阵进行矩阵权重压缩，获得压缩权重；将压缩权重放入adam模块进行微调，获得压缩后的输变电缺陷识别模型。本发明通过结构化稀疏提高了计算效率，通过乘积量化降低了存储开销，结构化稀疏和乘积量化两者协同工作，大大提高了深度神经网络的压缩率。
-
-
-
-
-
-
Search Results
7
records
(took 0.148 seconds)
