-
公开(公告)号：CN108875846B
公开(公告)日：2021-12-10
申请号：CN201810430121.8
申请日：2018-05-08
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种手写数字识别的无监督学习方法，根据模拟生物信息处理机制，首先建立脉冲神经网络模型，确定神经元之间的连接方式，然后根据突触前后踪迹学习规则，建立脉冲时间依赖可塑性模型，最后运用遗传算法对脉冲神经网络中的突触前初始权重和突触延迟进行优化，训练并测试MNIST数据集，实现了对手写数字识别的无监督学习。实验表明该方法有效地提升了训练速度并提高了识别正确率。
-
公开(公告)号：CN108921007A
公开(公告)日：2018-11-30
申请号：CN201810430128.X
申请日：2018-05-08
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种基于SqueezeNet的手写体数字识别方法，具体包括：（1）预处理识别的手写体数字样本；（2）构建SqueezeNet卷积神经网络模型；（3）训练SqueezeNet网络模型，并对手写体数字测试集样本进行测试；（4）得出识别结果。本发明中的SqueezeNet网络模型相比于传统的AlexNet有效地减少了网络参数的总量，并且提高了手写体数字识别的精度，具备了模型压缩的基础，后续可更好地应用于移动端设备、分布式训练以及嵌入式硬件上。
-
公开(公告)号：CN107977672A
公开(公告)日：2018-05-01
申请号：CN201711103938.6
申请日：2017-11-10
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种基于海量数据并行运算的SF6设备二级故障诊断方法，根据电气设备中SF6分解气体成分含量与故障类型之间的对应关系，首先并行构建了SF6电气设备的二级故障诊断模型，提高了建模效率。然后实现对SF6电气设备的并行诊断，提高了其在大数据环境下诊断的快速性和准确性。该方法的并行诊断过程为每个lab对不同的数据片同时进行诊断，具体为：利用决策树模型对数据片进行初步诊断，判断设备有无故障，以提高对海量数据的处理速度。对有故障数据，再通过神经网络模型，进行故障类别的精确判定。利用本方法只需简单的数据处理即可得到诊断结果，大大降低了对操作人员专业技能的要求，在对大量SF6电气设备进行诊断时，显著提高了诊断效率。
-
公开(公告)号：CN108875846A
公开(公告)日：2018-11-23
申请号：CN201810430121.8
申请日：2018-05-08
Applicant: 河海大学常州校区
Abstract: 本发明公开了一种手写数字识别的无监督学习方法，根据模拟生物信息处理机制，首先建立脉冲神经网络模型，确定神经元之间的连接方式，然后根据突触前后踪迹学习规则，建立脉冲时间依赖可塑性模型，最后运用遗传算法对脉冲神经网络中的突触前初始权重和突触延迟进行优化，训练并测试MNIST数据集，实现了对手写数字识别的无监督学习。实验表明该方法有效地提升了训练速度并提高了识别正确率。
-
-
-
Search Results
4
records
(took 0.031 seconds)
