-
公开(公告)号：CN114359648A
公开(公告)日：2022-04-15
申请号：CN202111144027.4
申请日：2021-09-28
Applicant: 罗伯特·博世有限公司
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06V20/56 , G06K9/62 , G06N3/08 , G06N3/04
Abstract: 提供了基于对数似然性的图像生成模型。本发明涉及一种训练图像生成模型的计算机实现的方法（700）。图像生成模型包括argmax变换，其被配置为计算离散索引特征，该离散索引特征指示具有极值的连续特征向量的特征的索引。使用对数似然性优化来训练图像生成模型。这涉及获得训练图像的索引特征值，根据argmax变换的随机逆变换，给定索引特征值对连续特征向量的值进行采样，以及基于随机逆变换在给定索引特征值的情况下生成连续特征向量的值的概率，确定argmax变换对于对数似然性的似然性贡献。
-
公开(公告)号：CN116894458A
公开(公告)日：2023-10-17
申请号：CN202310350728.6
申请日：2023-04-03
Applicant: 罗伯特·博世有限公司
IPC: G06N3/0455 , G06N3/08 , G06V10/82
Abstract: 提供了用于对象发现的复合自动编码器的方法和系统。一种用于机器学习系统的计算机实现的方法包括：接收输入图像，将初始相位添加到与输入图像相关联的每个像素以创建复数，将该复数发送到编码器，其中编码器被配置为向解码器输出复值潜在表示，利用解码器将复值潜在表示分解成包括实部和相关联的相位两者的复值输出，计算输入图像和复值输出的实部之间的重建误差，其中重建误差与关联于该系统的模型参数相关联，以及更新和输出与该系统相关联的模型参数，直到获得收敛阈值。
-
公开(公告)号：CN115705718A
公开(公告)日：2023-02-17
申请号：CN202210949384.6
申请日：2022-08-09
Applicant: 罗伯特·博世有限公司
Abstract: 用于配置神经网络的方法，所述神经网络被构造为将测量数据映射为一个或多个输出变量，包括步骤：指定所述测量数据的一个或多个变换，在将所述变换应用于所述测量数据时，由所述神经网络提供的输出变量的行为应该不变或等变；列出至少一个方程，所述方程将给出所期望的不变性或等变性的条件与所述神经网络的架构相关联；通过求解所述至少一个方程而获得至少一个特征，所述特征表征所求的架构和/或所述神经网络在该架构中的至少一个位置处的权重分布；将至少一个神经网络配置为使得其架构和/或其在所述架构中的至少一个位置处的权重分布具有以此方式确定的所有特征。
-
公开(公告)号：CN112529173A
公开(公告)日：2021-03-19
申请号：CN202010973059.4
申请日：2020-09-16
Applicant: 罗伯特·博世有限公司
Abstract: 用于训练人工神经网络的设备和计算机实现的方法。用于训练人工神经网络（106）的设备（100）和计算机实现的方法，其中设备（100）包括用于数据的输入（108）、用于输出信号的输出（110）、适于执行所述方法的用于人工神经网络（106）的存储器（104）和至少一个处理器（102），所述方法提供具有多个输出通道的用于等变特征映射的神经网络层、特别是卷积神经网络层，将神经网络层的多个输出通道中的通道分组（204）为多个独特组，为所述多个独特组中的每个单独的独特组的每个输出通道提供（206）独特归一化函数，取决于独特归一化函数中的每个的结果来确定（208）人工神经网络（106）的输出，在人工神经网络（106）的训练中训练（210）所述超参数。
-
公开(公告)号：CN114154389A
公开(公告)日：2022-03-08
申请号：CN202111031918.9
申请日：2021-09-03
Applicant: 罗伯特·博世有限公司
IPC: G06F30/27 , G06V10/774 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08 , G06F111/08
Abstract: 用于训练标准化流(70)的计算机实现的方法(1)，其中，该标准化流(70)被配置成基于第一输入图像(x)预测第一密度值，其中，该第一密度值表征第一输入图像出现的可能性，其中，该第一密度值是基于标准化流的第一卷积层的中间输出而预测的，其中，该中间输出是基于第一卷积层的多个权重而确定的，其中，训练的方法包括以下步骤：●确定(101)第二输入图像(xi)；●确定(102)输出()，其中，输出()是通过将第二输入图像(xi)提供给标准化流并且提供标准化流的输出作为输出()而确定的；●基于输出张量并且基于多个权重来确定(103)第二密度值；●确定(104)多个权重相对于第二密度值的自然梯度；●根据该自然梯度适配(105)多个权重。
-
Patent Agency Ranking
公开(公告)号：CN113991155A
公开(公告)日：2022-01-28
申请号：CN202110766812.7
申请日：2021-07-07
Applicant: 罗伯特·博世有限公司
IPC: H01M8/12 , H01M8/04313 , H01M8/04992
Abstract: 本发明涉及一种用于在前后相继的分析时刻确定燃料电池系统（1）中的系统状态变量（x(i+1)）的计算机实现的方法，其中在每个当前分析时刻（i+1）执行以下步骤：‑确定（S2）燃料电池系统（1）在当前分析时刻（i+1）的一个或多个运行状态变量（y(i+1)）；‑借助于经过训练的递归神经网络，根据递归神经网络在先前分析时刻（i）的内部状态向量（h(i)）并且根据在当前分析时刻（i+1）确定的运行状态变量（y(i+1)）来确定（S3）当前系统状态变量（x(i+1)），所述内部状态向量说明燃料电池系统（1）的内部状态；以及‑根据当前确定的系统状态变量（x(i+1)）来运行（S3）燃料电池系统（1）。
-
公开(公告)号：CN113723588A
公开(公告)日：2021-11-30
申请号：CN202110561985.5
申请日：2021-05-21
Applicant: 罗伯特·博世有限公司
Abstract: 用于数字信号处理的设备和计算机实现的方法，包括提供（206）第一组数据，将第一组数据映射（208）到第二组数据，以及取决于第二组数据来确定（210）数字信号处理的输出，其中取决于有限级数项的总和来确定第二组数据，其中取决于第一组数据与内核的卷积结果来确定所述级数的至少一个项，并且取决于第一组数据并且独立于内核来确定所述级数的至少一个项。
-
公开(公告)号：CN112529174A
公开(公告)日：2021-03-19
申请号：CN202010985584.8
申请日：2020-09-18
Applicant: 罗伯特·博世有限公司
Inventor： J·皮特斯 , E·胡格布姆 , M·韦林 , M·坎德米尔 , K·S·M·巴尔西姆
Abstract: 公开了用于从经训练神经网络生成压缩网络的设备和方法，其中该方法包括：模型（402）从第一训练数据（304）生成压缩图（412），该压缩图（412）表示模型（402）的模型分量响应于第一训练数据（304）对第一输出数据的影响；通过根据压缩图（412）压缩（604）经训练神经网络来生成压缩网络（606）；经训练神经网络（610）响应于第二训练数据（306）生成经训练网络输出数据（612）；压缩网络（606）响应于第二训练数据（306）生成压缩网络输出数据（608）；通过将经训练网络输出数据（612）与压缩网络输出数据（608）进行比较来训练模型（402）。
-
公开(公告)号：CN115511098A
公开(公告)日：2022-12-23
申请号：CN202210629283.0
申请日：2022-06-06
Applicant: 罗伯特·博世有限公司
Abstract: 基于传感器数据概率分布的机器学习。本发明涉及一种训练机器可学习模型以控制和/或监视计算机控制系统的计算机实现的方法（700）。机器可学习模型被配置为基于计算机控制系统的传感器数据的概率分布进行推断。机器可学习模型被配置为计及由系统和/或其环境强加的概率分布中的对称性。训练涉及根据概率分布对传感器数据的多个样本进行采样。从对所述一个或多个对称性不变的源概率分布采样初始值。根据对于所述一个或多个对称性等变的核函数迭代演进样本。该演进使用吸引项和排斥项，所述吸引项和排斥项依据概率分布的梯度方向和多个样本的核函数为所选样本定义。
-
公开(公告)号：CN114358276A
公开(公告)日：2022-04-15
申请号：CN202111144023.6
申请日：2021-09-28
Applicant: 罗伯特·博世有限公司
IPC: G06N3/08 , G06N3/04 , G06K9/62 , G06V10/764 , G06V10/774
Abstract: 使用自标准化梯度训练标准化流的设备和方法。用于训练标准化流的计算机实现的方法，其中标准化流被配置为确定表征输入信号的似然性或对数似然性的第一输出信号，其中标准化流包括至少一个第一层，其中训练标准化流包括以下步骤：●确定至少一个训练输入信号；●借助于标准化流针对每个训练输入信号确定训练输出信号；●确定第一损失值，其中第一损失值基于所述至少一个确定的训练输出信号相对于预定义概率分布的似然性或对数似然性；●确定第一层的可训练参数相对于第一损失值的梯度的近似，其中梯度取决于可训练参数的矩阵的逆，并且通过优化逆的近似来实现对梯度的近似的确定；●基于梯度的近似更新第一层的可训练参数。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.022 seconds)
