-
公开(公告)号：CN114462590A
公开(公告)日：2022-05-10
申请号：CN202111520870.8
申请日：2021-12-13
IPC: G06N3/08 , G06F16/2455
Abstract: 本发明提供了一种重要性感知的深度学习数据缓存管理方法和系统，本发明将缓存分为两个区域分别存储划分的重要样本和不重要样本，同时设置重要性感知的缓存管理模块和动态打包模块分别应答数据请求并对缓存模块的两个缓存区域进行缓存管理，重要性感知的缓存管理模块把越重要的样本优先缓存在内存中，当缓存满的时候，重要性低的样本先逐出，可以提高缓存命中率。对不重要样本使用异步线程使用异步线程进行打包和缓存，同时当不重要的样本缓存缺失时，使用其他的不重要的样本进行替换。从而保证训练样本的多样性且不引入额外开销。与现有技术相比，本发明对模型训练的精度影响可以忽略不计，并且使DNN训练速度是原来的3倍。
-
公开(公告)号：CN112163364B
公开(公告)日：2022-04-29
申请号：CN202011179361.9
申请日：2020-10-29
Applicant: 浙江大学
IPC: G06F30/23 , G06F30/28 , G06F113/08 , G06F119/14
Abstract: 本发明公开了一种海洋环境下鱼群运动的流固耦合模拟方法，可用于解决体积小但数量多的鱼群在大尺度流场下的运动与对流场的影响。本发明采用了有限元建立流场，将流场中的小固体视为一个有坐标、速度、加速度属性的点，通过集中参数法确定流场对该固体的作用力，同时该力反馈到流场中为该固体点所处有限元的附加力，从而实现流固耦合。本发明针对的是流场区域远大于固体尺寸的情况，避免了传统流固耦合中对固体建模的部分，同时实现了流固耦合的动态响应，极大的节省了计算量和建模难度。
-
公开(公告)号：CN112903243B
公开(公告)日：2022-04-15
申请号：CN202110096528.3
申请日：2021-01-25
Applicant: 浙江大学
IPC: G01M10/00
Abstract: 本发明公开了一种海洋环境下基于模态分析的网箱状态检测方法，可用于监测网箱是否破损和对网箱周围来流进行估计。本发明通过分析网箱模态的方式，比较网箱在海流作用下被激发出的固有频率来判断网箱状态和海流参数。本发明采用的网箱状态检测方法涉及的传感器为小型位姿传感器或受力传感器，相较于水下摄像头或水下声纳等状态检测方法受限于水质的特点，更加适用于海洋环境，且成本与后期维护上有更突出的优势。
-
Patent Agency Ranking
公开(公告)号：CN114462590B
公开(公告)日：2024-05-10
申请号：CN202111520870.8
申请日：2021-12-13
IPC: G06N3/08 , G06F16/2455
Abstract: 本发明提供了一种重要性感知的深度学习数据缓存管理方法和系统，本发明将缓存分为两个区域分别存储划分的重要样本和不重要样本，同时设置重要性感知的缓存管理模块和动态打包模块分别应答数据请求并对缓存模块的两个缓存区域进行缓存管理，重要性感知的缓存管理模块把越重要的样本优先缓存在内存中，当缓存满的时候，重要性低的样本先逐出，可以提高缓存命中率。对不重要样本使用异步线程使用异步线程进行打包和缓存，同时当不重要的样本缓存缺失时，使用其他的不重要的样本进行替换。从而保证训练样本的多样性且不引入额外开销。与现有技术相比，本发明对模型训练的精度影响可以忽略不计，并且使DNN训练速度是原来的3倍。
-
公开(公告)号：CN112418422A
公开(公告)日：2021-02-26
申请号：CN202011307776.X
申请日：2020-11-20
IPC: G06N3/08
Abstract: 本发明公开了一种基于人脑记忆机制的深度神经网络训练数据采样方法，包括如下步骤：S1，在初始训练周期，设置下一轮要训练的序列为整个训练集；S2，将训练序列中包含的数据根据批大小打包为多个批，放入神经网络进行训练，并获得样本的训练损失值；S3，根据损失值将样本序列划分为困难、中间、简单三种类型；S4，整个训练序列的样本都增加一个基本时钟，中间和简单的样本需要根据倒计时等待函数分别计算样本的额外增加的时钟数；S5，整个训练集的样本都减少一个时钟数，将时钟数为0的样本放入下一轮将要训练的序列之中；S6，重复步骤2‑5，直到神经网络收敛或者训练周期数结束。
-
公开(公告)号：CN112418422B
公开(公告)日：2022-05-27
申请号：CN202011307776.X
申请日：2020-11-20
IPC: G06N3/08
Abstract: 本发明公开了一种基于人脑记忆机制的深度神经网络训练数据采样方法，包括如下步骤：S1，在初始训练周期，设置下一轮要训练的序列为整个训练集；S2，将训练序列中包含的数据根据批大小打包为多个批，放入神经网络进行训练，并获得样本的训练损失值；S3，根据损失值将样本序列划分为困难、中间、简单三种类型；S4，整个训练序列的样本都增加一个基本时钟，中间和简单的样本需要根据倒计时等待函数分别计算样本的额外增加的时钟数；S5，整个训练集的样本都减少一个时钟数，将时钟数为0的样本放入下一轮将要训练的序列之中；S6，重复步骤2‑5，直到神经网络收敛或者训练周期数结束。
-
公开(公告)号：CN112163364A
公开(公告)日：2021-01-01
申请号：CN202011179361.9
申请日：2020-10-29
Applicant: 浙江大学
IPC: G06F30/23 , G06F30/28 , G06F113/08 , G06F119/14
Abstract: 本发明公开了一种海洋环境下鱼群运动的流固耦合模拟方法，可用于解决体积小但数量多的鱼群在大尺度流场下的运动与对流场的影响。本发明采用了有限元建立流场，将流场中的小固体视为一个有坐标、速度、加速度属性的点，通过集中参数法确定流场对该固体的作用力，同时该力反馈到流场中为该固体点所处有限元的附加力，从而实现流固耦合。本发明针对的是流场区域远大于固体尺寸的情况，避免了传统流固耦合中对固体建模的部分，同时实现了流固耦合的动态响应，极大的节省了计算量和建模难度。
-
公开(公告)号：CN112903243A
公开(公告)日：2021-06-04
申请号：CN202110096528.3
申请日：2021-01-25
Applicant: 浙江大学
IPC: G01M10/00
Abstract: 本发明公开了一种海洋环境下基于模态分析的网箱状态检测方法，可用于监测网箱是否破损和对网箱周围来流进行估计。本发明通过分析网箱模态的方式，比较网箱在海流作用下被激发出的固有频率来判断网箱状态和海流参数。本发明采用的网箱状态检测方法涉及的传感器为小型位姿传感器或受力传感器，相较于水下摄像头或水下声纳等状态检测方法受限于水质的特点，更加适用于海洋环境，且成本与后期维护上有更突出的优势。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.013 seconds)
