CA2318502C - Procede et systeme de classification dans un reseau neuronal oriente ram ou n-ligne - Google Patents

Procede et systeme de classification dans un reseau neuronal oriente ram ou n-ligne Download PDF

Info

Publication number
CA2318502C
CA2318502C CA002318502A CA2318502A CA2318502C CA 2318502 C CA2318502 C CA 2318502C CA 002318502 A CA002318502 A CA 002318502A CA 2318502 A CA2318502 A CA 2318502A CA 2318502 C CA2318502 C CA 2318502C
Authority
CA
Canada
Prior art keywords
weight
cell values
values
training
column
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Lifetime
Application number
CA002318502A
Other languages
English (en)
Other versions
CA2318502A1 (fr
Inventor
Thomas Martini Jorgensen
Christian Linneberg
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Intellix AS
Original Assignee
Intellix AS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from EP98201910A external-priority patent/EP0935212B9/fr
Application filed by Intellix AS filed Critical Intellix AS
Publication of CA2318502A1 publication Critical patent/CA2318502A1/fr
Application granted granted Critical
Publication of CA2318502C publication Critical patent/CA2318502C/fr
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

L'invention concerne un système et un procédé d'apprentissage d'un système de classification informatique qui peut être défini par un réseau comprenant un certain nombre de n-lignes ou des tableaux de recherche (LUT), chaque n-ligne ou LUT comprenant un certain nombre de rangées correspondant à au moins un sous-ensemble de classes possibles et comprenant des colonnes adressées par des signaux ou éléments d'exemples échantillonnés de données constituant les entrées d'apprentissage, chaque colonne étant définie par un vecteur présentant des cellules dotées de valeur. Ce procédé consiste à déterminer les valeurs de cellules du vecteur définissant la colonne en fonction d'un ou plusieurs ensemble(s) d'apprentissage des exemples de données constituant les entrées pour différentes classes de manière qu'au moins une partie des cellules comprennent ou signalent des informations basées sur le nombre de fois que l'adresse des cellules correspondante est échantillonnée à partir d'un ou plusieurs ensemble(s) d'exemples des entrées d'apprentissage et à déterminer les valeurs des cellules de pesage correspondant à une ou plusieurs cellule(s) de vecteur de colonne adressée(s) ou échantillonnée(s) par les exemples d'apprentissage afin de permettre le pesage d'une ou plusieurs cellules du vecteur définissant la colonne positives au cours de la classification, lesdites valeurs de pesage étant déterminées en fonction des informations d'au moins une partie des valeurs des cellules du vecteur définissant la colonne déterminées et à l'aide d'au moins une partie de l'ensemble ou des ensembles d'apprentissage d'exemple d'entrées. Selon une autre variante, l'invention concerne un système et un procédé permettant de déterminer, dans un système de classification neuronal, les valeurs des cellules de pesage correspondant à une ou plusieurs cellules de vecteur déterminées adressées par les exemples d'apprentissage. Cette détermination s'appuie sur les informations d'au moins une partie des valeurs des cellules de vecteur déterminées et elle permet de peser les cellules du vecteur définissant la colonne dont la valeur est positive ou négative. Finalement l'invention concerne un procédé et un système de classification des exemples de données constituant les entrées en une pluralité de classes au moyen de systèmes de classification informatiques.
CA002318502A 1998-02-05 1999-02-02 Procede et systeme de classification dans un reseau neuronal oriente ram ou n-ligne Expired - Lifetime CA2318502C (fr)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
DK0162/98 1998-02-05
DK16298 1998-02-05
EP98201910A EP0935212B9 (fr) 1998-02-05 1998-06-09 Système et procédé de classification avec un réseau neuronal basé sur N-Tuple ou RAM
EP98201910.1 1998-06-09
PCT/DK1999/000052 WO1999040521A1 (fr) 1998-02-05 1999-02-02 Procede et systeme de classification dans un reseau neuronal oriente ram ou n-ligne

Publications (2)

Publication Number Publication Date
CA2318502A1 CA2318502A1 (fr) 1999-08-12
CA2318502C true CA2318502C (fr) 2008-10-07

Family

ID=26063433

Family Applications (1)

Application Number Title Priority Date Filing Date
CA002318502A Expired - Lifetime CA2318502C (fr) 1998-02-05 1999-02-02 Procede et systeme de classification dans un reseau neuronal oriente ram ou n-ligne

Country Status (8)

Country Link
JP (1) JP2002503002A (fr)
CN (1) CN1227608C (fr)
AU (1) AU756987B2 (fr)
CA (1) CA2318502C (fr)
IL (1) IL137337A0 (fr)
NZ (1) NZ506053A (fr)
PL (1) PL343114A1 (fr)
WO (1) WO1999040521A1 (fr)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6995629B2 (ja) * 2018-01-05 2022-01-14 日本電信電話株式会社 演算回路
CN110163334B (zh) * 2018-02-11 2020-10-09 上海寒武纪信息科技有限公司 集成电路芯片装置及相关产品
CN110197274B (zh) * 2018-02-27 2020-08-25 上海寒武纪信息科技有限公司 集成电路芯片装置及相关产品
CN110197267B (zh) * 2018-02-27 2020-08-04 上海寒武纪信息科技有限公司 神经网络处理器板卡及相关产品
CN110197275B (zh) * 2018-02-27 2020-08-04 上海寒武纪信息科技有限公司 集成电路芯片装置及相关产品
CN110197264B (zh) * 2018-02-27 2020-08-04 上海寒武纪信息科技有限公司 神经网络处理器板卡及相关产品

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9014569D0 (en) * 1990-06-29 1990-08-22 Univ London Devices for use in neural processing

Also Published As

Publication number Publication date
IL137337A0 (en) 2001-07-24
CN1290367A (zh) 2001-04-04
NZ506053A (en) 2003-02-28
AU2265699A (en) 1999-08-23
CN1227608C (zh) 2005-11-16
CA2318502A1 (fr) 1999-08-12
JP2002503002A (ja) 2002-01-29
WO1999040521A1 (fr) 1999-08-12
PL343114A1 (en) 2001-07-30
AU756987B2 (en) 2003-01-30

Similar Documents

Publication Publication Date Title
US11531900B2 (en) Imitation learning for machine learning systems with synthetic data generators
Pham et al. Control chart pattern recognition using a new type of self-organizing neural network
CN109816221A (zh) 项目风险决策方法、装置、计算机设备和存储介质
CN107292097B (zh) 基于特征组的中医主症选择方法
AU753822B2 (en) N-tuple or ram based neural network classification system and method
CA2318502C (fr) Procede et systeme de classification dans un reseau neuronal oriente ram ou n-ligne
US6393413B1 (en) N-tuple or RAM based neural network classification system and method
Latouche et al. Model selection in overlapping stochastic block models
Guida et al. Ensemble learning applied to quant equity: gradient boosting in a multifactor framework
Ditzler et al. Incremental learning of new classes from unbalanced data
Philps et al. Continual learning augmented investment decisions
Marushko Using ensembles of neural networks with different scales of input data for the analysis of telemetry data
Zhang et al. Evolutionary-based weighted broad learning system for imbalanced learning
Lima et al. Ensembles of support vector machines for regression problems
CN113341890A (zh) 面向自适应调度与无人生产线协同的智能诊断方法和系统
Swaney et al. Efficient skin segmentation via neural networks: HP-ELM and BD-SOM
CN111860673A (zh) 基于分箱置信度筛选深度森林的机器学习分类方法
CN118096244B (zh) 充电桩销量模型训练方法、装置、设备及存储介质
Wang et al. Sparse recovery with multiple data streams: A sequential adaptive testing approach
Ridella et al. Representation and generalization properties of class-entropy networks
Hardin et al. BNPL Probability of Default Modeling Including Macroeconomic Factors: A Supervised Learning Approach
Bellavia et al. An investigation of stochastic trust-region based algorithms for finite-sum minimization
Wang et al. Function approximation using robust fuzzy-GreyCMAC method
Springer The impact of market sentiment and other exogenous variables on corporate bonds
Lin et al. Selective further learning of hybrid ensemble for class imbalanced increment learning

Legal Events

Date Code Title Description
EEER Examination request
MKEX Expiry

Effective date: 20190204