本发明涉及基于自组织竞争型神经网络的水声被动定位方法,包括以下:获取定位区域的相关参数;确定所述相关参数的输入方式,之后采用线性归一化的方法处理所述相关参数以构造神经元;基于构造的神经元矢量生成初始的神经元扰动群组;将初始的神经元扰动群组作为训练数据集,通过SOM算法进行训练生成神经元拓扑结构;构造残缺神经元,所述残缺神经元不包括声源位置参数;将残缺神经元与神经元拓扑结构上的每一个神经元进行依次比较,并找寻出神经元拓扑结构上与所述残缺神经元最匹配的神经元;以最匹配的所述神经元所对应的声源位置参数作为定位结果。本发明能够在设备布防相对简单和计算量较低的情况下,提供较高精度和可靠性的目标定位结果。
📄 2023111437124
📂 G06N3_088
👤 广东海洋大学
📅 2023-09-06
本发明涉及一种基于数据分割的深度学习方法以及机器人系统。方法包括:获取待测试数据;将待测试数据按照预设多类输入变量集合分割成多类待测试子数据;将多类待测试子数据对应输入到多个训练好的第一深度学习神经网络的输入层中;获取每个训练好的第一深度学习神经网络的最后隐层数据;将每个训练好的第一深度学习神经网络的最后隐层数据输入到训练好的第二深度学习神经网络的输入层中,得到训练好的第二深度学习神经网络的输出数据。通过将待测试数据分割再汇总能够降低深度学习神经网络的数据维度和计算复杂度,提高深度学习神经网络的运算效率。
📄 2018100100544
📂 G06N3_088
👤 华南师范大学
📅 2018-01-05
本发明涉及一种无源域数据的无监督领域适应方法,以有标签的源域样本训练模型,得到预训练好的源域模型;以源域模型初始化目标域模型;以源域模型的BN层存储的统计信息近似源域的特征分布,与目标域样本的特征分布显式对齐,最小化分布对齐损失,尽可能拉近源域和目标域特征分布空间;基于源域模型的分类器的预测对目标域样本的特征进行模糊聚类,以聚类隶属度作为目标域样本的软标签,计算软标签与模型分类器对目标域样本的预测之间的交叉熵损失,对目标域样本计算信息最大化损失;以所有损失函数共同训练目标域模型,实现无源域数据的无监督领域适应,纠正部分最初分类器分错的目标域样本,提高分类准确度。
📄 2022116006318
📂 G06N3_088
👤 浙江工业大学
📅 2022-12-13