CN111611891B - 应用神经网络深度学习的整体性智能识别方法 - Google Patents
应用神经网络深度学习的整体性智能识别方法 Download PDFInfo
- Publication number
- CN111611891B CN111611891B CN202010407034.8A CN202010407034A CN111611891B CN 111611891 B CN111611891 B CN 111611891B CN 202010407034 A CN202010407034 A CN 202010407034A CN 111611891 B CN111611891 B CN 111611891B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network layer
- information
- values
- deep learning
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013135 deep learning Methods 0.000 title claims abstract description 52
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 26
- 230000019771 cognition Effects 0.000 claims abstract description 14
- 210000002364 input neuron Anatomy 0.000 claims abstract description 13
- 210000002569 neuron Anatomy 0.000 claims abstract description 10
- 210000004205 output neuron Anatomy 0.000 claims abstract description 10
- 241000282414 Homo sapiens Species 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 210000000056 organ Anatomy 0.000 claims description 12
- 238000011161 development Methods 0.000 claims description 11
- 230000018109 developmental process Effects 0.000 claims description 11
- 230000029052 metamorphosis Effects 0.000 claims description 9
- 241000700605 Viruses Species 0.000 claims description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 8
- 239000000969 carrier Substances 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 230000000750 progressive effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Neurology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种应用神经网络深度学习的整体性智能识别方法,神经网络包括输入神经网络层和输出神经网络层,输入神经网络层和输出神经网络层之间存在呈递进排列的多层隐含神经网络层,输入神经网络层包含若干输入神经元,隐含神经网络层包含若干隐含神经元,输出神经网络层包含若干输出神经元,整体性智能识别方法包括以下内容:A、深度学习方法;B、识别方法。本发明采用整体集合式的信息学习认知,结合演化规律进行推测,有效规避对单独性识别个体信息所需要的手动调整,可以最大限度地减少人工负担。通过对现有信息演化进行深度学习,掌握演化函数计算方式,根据现有的信息值对未知信息值作出推测识别。
Description
技术领域
本发明属于计算机人工智能技术领域,涉及一种神经网络深度学习的算法,特别是一种应用神经网络深度学习的整体性智能识别方法。
背景技术
深度学习是机器学习领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能。
深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。深度学习在搜索技术,数据挖掘,机器学习,机器翻译,自然语言处理,多媒体学习,语音,推荐和个性化技术,以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动,解决了很多复杂的模式识别难题,使得人工智能相关技术取得了很大进步。
现有技术中,在医学领域深度学习被用于对人体扫描影像的识别。但现有的神经网络深度学习的计算方法存在以下缺点:
由于扫描后的人体尺寸不同,所需要诊断的器官也不同,现有的技术中计算机只能进行对单一器官的识别,进而在计算机识别之前需要对扫描影像进行统一裁剪,即为手动将扫描影像放大、缩小为相同尺寸,并且学习源和识别对象双方均需要进行手动图片调整操作,由此占用了大量的人力劳动与时间,增加了医疗人员的负担,浪费医疗资源。
发明内容
本发明的目的是针对现有的技术存在上述问题,提出了一种整体识别与演化学习结合,通过演化规律预测生成影像以规避影像手动调节大小的应用神经网络深度学习的整体性智能识别方法。
本发明的目的可通过下列技术方案来实现:应用神经网络深度学习的整体性智能识别方法,所述神经网络包括输入神经网络层和输出神经网络层,所述输入神经网络层和输出神经网络层之间存在呈递进排列的多层隐含神经网络层,所述输入神经网络层包含若干输入神经元,所述隐含神经网络层包含若干隐含神经元,所述输出神经网络层包含若干输出神经元,所述整体性智能识别方法包括以下内容:
A、深度学习方法:
1)、初始设定隐含神经网络层的数量,各个隐含神经网络层中隐含神经元的数量;初始设定输出神经网络层中输出神经元的数量;
2)、采集大量作为参照值的信息群,每个信息群内均包含若干呈递进逻辑的连续性信息值,连续性信息值具有首位信息值与末位信息值,以及两者之间的若干排序信息值,每个信息值内均包含多个独立元素值,且同一信息群中全部信息值的独立元素值种类相一致,分别将每个信息群的连续性信息值投入至输入神经网络层,使相邻两信息值之间的逻辑计算形成一个输入神经元;将输入神经网络层的各个输入神经元经过并行计算得到第一层隐含神经网络层的各个隐含神经元,经过计算逐级得出n+1层隐含神经网络层,直至最终推导至输出神经网络层中各个输出神经元;
3)、在上述步骤2)中,通过正向传播算法进行推演,通过反向传播算法得出修改权值,结合正向传播算法与反向传播算法得出符合学习期望的结论值,上述整体深度学习的演化函数计算形成学习数据库;
B、识别方法:
1)、将已知信息值投入输入神经网络层的输入神经元中进行学习认知,从学习数据库中提取同类型演化函数计算作为参照推算模型;
2)、将已知信息值按参照推算模型的演化函数方式计算出n+1预测信息值,所述n+1预测信息值内包含多个预测独立元素值,所述预测独立元素值与已知信息值内的独立元素值种类相同,且属于同种类的独立元素值与预测独立元素值之间存在任意演化间隔的递进逻辑关系。
本应用神经网络深度学习的整体性智能识别方法对传统深度学习手法改进,通过学习后完成推演函数计算,实现连续性的关联信息推测,结合整体信息集合,进而规避单独性识别个体信息值所需要的手动调整问题。
在上述的应用神经网络深度学习的整体性智能识别方法中,在A、深度学习方法的步骤2)中,所述信息值位于载体上,不同信息值的载体空间量值不同,不同载体上信息值所占比例不同。
在上述的应用神经网络深度学习的整体性智能识别方法中,在B、识别方法的步骤2)中,所述n+1预测信息值的载体与已知信息值的载体空间量值相同。
在上述的应用神经网络深度学习的整体性智能识别方法中,在B、识别方法的步骤2)中,同一n+1预测信息值内的各个预测独立元素值与已知信息值内的对应独立元素值的演化间隔一致。
在上述的应用神经网络深度学习的整体性智能识别方法中,所述大量参照值为空间属性的连续性信息值;大量参照值为时间属性的连续性信息值。
在上述的应用神经网络深度学习的整体性智能识别方法中,所述大量参照值中包括不同类型的连续性信息值;大量参照值中包括相反类型的连续性信息值。
在上述的应用神经网络深度学习的整体性智能识别方法中,所述整体性智能识别方法应用于医学领域的人体影像识别中,对某一节段的人体构造进行整体组织的学习认知,按照其演化函数规律进行推测影像计算,对任意个器官组织集合体进行自由识别。
在上述的应用神经网络深度学习的整体性智能识别方法中,所述整体性智能识别方法应用于病毒变异的推测识别,对现有病毒变异轨迹进行已知演化规律的学习认知,按照其演化函数规律进行未知变异的推测识别。
在上述的应用神经网络深度学习的整体性智能识别方法中,所述整体性智能识别方法应用于基因进化的推测识别,对现有基因进化轨迹进行已知演化规律的学习认知,按照其演化函数规律进行未知进化的推测识别。
在上述的应用神经网络深度学习的整体性智能识别方法中,所述整体性智能识别方法应用于生物学中变态发育的推测识别,对现有变态发育轨迹进行已知演化规律的学习认知,按照其演化函数规律进行将要发生的变态发育的推测识别。
与现有技术相比,本应用神经网络深度学习的整体性智能识别方法具有以下优点:
1、采用整体集合式的信息学习认知,结合演化规律进行推测,有效规避对单独性识别个体信息所需要的手动调整,可以最大限度地减少人工负担。
2、通过对现有信息演化进行深度学习,掌握演化函数计算方式,根据现有的信息值对未知信息值作出推测识别,从而在病毒、基因、生物学等方面作出展望性预判,对人类的自然科学发展起到举足轻重的作用。
附图说明
图1是本发明的神经网络结构图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
如图1所示,本应用神经网络深度学习的整体性智能识别方法,神经网络包括输入神经网络层和输出神经网络层,输入神经网络层和输出神经网络层之间存在呈递进排列的多层隐含神经网络层,输入神经网络层包含若干输入神经元,隐含神经网络层包含若干隐含神经元,输出神经网络层包含若干输出神经元,整体性智能识别方法包括以下内容:
A、深度学习方法:
1)、初始设定隐含神经网络层的数量,各个隐含神经网络层中隐含神经元的数量;初始设定输出神经网络层中输出神经元的数量;
2)、采集大量作为参照值的信息群,每个信息群内均包含若干呈递进逻辑的连续性信息值,连续性信息值具有首位信息值与末位信息值,以及两者之间的若干排序信息值,每个信息值内均包含多个独立元素值,且同一信息群中全部信息值的独立元素值种类相一致,分别将每个信息群的连续性信息值投入至输入神经网络层,使相邻两信息值之间的逻辑计算形成一个输入神经元;将输入神经网络层的各个输入神经元经过并行计算得到第一层隐含神经网络层的各个隐含神经元,经过计算逐级得出n+1层隐含神经网络层,直至最终推导至输出神经网络层中各个输出神经元;
在医学领域中,“作为参照值的信息群”具体指若干人体扫描影像。
3)、在上述步骤2)中,通过正向传播算法进行推演,通过反向传播算法得出修改权值,结合正向传播算法与反向传播算法得出符合学习期望的结论值,上述整体深度学习的演化函数计算形成学习数据库;
B、识别方法:
1)、将已知信息值投入输入神经网络层的输入神经元中进行学习认知,从学习数据库中提取同类型演化函数计算作为参照推算模型;
2)、将已知信息值按参照推算模型的演化函数方式计算出n+1预测信息值,n+1预测信息值内包含多个预测独立元素值,预测独立元素值与已知信息值内的独立元素值种类相同,且属于同种类的独立元素值与预测独立元素值之间存在任意演化间隔的递进逻辑关系。
本应用神经网络深度学习的整体性智能识别方法对传统深度学习手法改进,通过学习后完成推演函数计算,实现连续性的关联信息推测,结合整体信息集合,进而规避单独性识别个体信息值所需要的手动调整问题。
在A、深度学习方法的步骤2)中,信息值位于载体上,不同信息值的载体空间量值不同,不同载体上信息值所占比例不同。在医学领域中,载体为扫描片,信息值为扫描片上各个组织器官的影像。各个扫描片的尺寸大小不同,不同扫描片上组织器官影像的大小比例不同。
在B、识别方法的步骤2)中,n+1预测信息值的载体与已知信息值的载体空间量值相同。在医学领域中,根据深度学习后推演的预测扫描片大小与已知扫描片大小相同。
在B、识别方法的步骤2)中,同一n+1预测信息值内的各个预测独立元素值与已知信息值内的对应独立元素值的演化间隔一致。在医学领域中,一张预测扫描片上的不同器官影像为同一空间位置或时间维度的影像截点。例如,根据已知扫描片预测其后3厘米位置的影像,该影像内所有的器官均与已知扫描片中的相应器官距离3厘米。根据已知扫描片预测其后1个月的影像,该影像内所有的器官均与已知扫描片中的相应器官相差一个月的时间。
大量参照值为空间属性的连续性信息值;大量参照值为时间属性的连续性信息值。在医学领域中,大量参照值为空间属性的连续性扫描影像,空间属性为一段人体结构(例如,胸腔)的若干张位置排序扫描影像;大量参照值为时间属性的连续性扫描影像,时间属性为人体同一位置或范围位置(例如,心脏)随时间延长变化态势的扫描影像。
大量参照值中包括不同类型的连续性信息值;大量参照值中包括相反类型的连续性信息值。在医学领域中,大量参照值中包括不同类型的连续性扫描影像,不同类型包括匀称体型人群的人体结构扫描影像,胖型人群的人体结构扫描影像,瘦型人群的人体结构扫描影像,个高人群的人体结构扫描影像,个矮人群的人体结构扫描影像;大量参照值中包括相反类型的连续性扫描影像,相反类型包括健康人群的人体结构扫描影像,不同病态人群的人体结构扫描影像。
整体性智能识别方法应用于医学领域的人体影像识别中,对某一节段的人体构造进行整体组织的学习认知,按照其演化函数规律进行推测影像计算,对任意个器官组织集合体进行自由识别。
整体性智能识别方法应用于病毒变异的推测识别,对现有病毒变异轨迹进行已知演化规律的学习认知,按照其演化函数规律进行未知变异的推测识别。
整体性智能识别方法应用于基因进化的推测识别,对现有基因进化轨迹进行已知演化规律的学习认知,按照其演化函数规律进行未知进化的推测识别。
整体性智能识别方法应用于生物学中变态发育的推测识别,对现有变态发育轨迹进行已知演化规律的学习认知,按照其演化函数规律进行将要发生的变态发育的推测识别。
与现有技术相比,本应用神经网络深度学习的整体性智能识别方法具有以下优点:
1、采用整体集合式的信息学习认知,结合演化规律进行推测,有效规避对单独性识别个体信息所需要的手动调整,可以最大限度地减少人工负担。
2、通过对现有信息演化进行深度学习,掌握演化函数计算方式,根据现有的信息值对未知信息值作出推测识别,从而在病毒、基因、生物学等方面作出展望性预判,对人类的自然科学发展起到举足轻重的作用。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.应用神经网络深度学习的整体性智能识别方法,所述神经网络包括输入神经网络层和输出神经网络层,所述输入神经网络层和输出神经网络层之间存在呈递进排列的多层隐含神经网络层,所述输入神经网络层包含若干输入神经元,所述隐含神经网络层包含若干隐含神经元,所述输出神经网络层包含若干输出神经元,其特征在于,所述整体性智能识别方法包括以下内容:
A、深度学习方法:
1)、初始设定隐含神经网络层的数量,各个隐含神经网络层中隐含神经元的数量;初始设定输出神经网络层中输出神经元的数量;
2)、采集大量作为参照值的信息群,每个信息群内均包含若干呈递进逻辑的连续性信息值,连续性信息值具有首位信息值与末位信息值,以及两者之间的若干排序信息值,每个信息值内均包含多个独立元素值,且同一信息群中全部信息值的独立元素值种类相一致,分别将每个信息群的连续性信息值投入至输入神经网络层,使相邻两信息值之间的逻辑计算形成一个输入神经元;将输入神经网络层的各个输入神经元经过并行计算得到第一层隐含神经网络层的各个隐含神经元,经过计算逐级得出n+1层隐含神经网络层,直至最终推导至输出神经网络层中各个输出神经元;
3)、在上述步骤2)中,通过正向传播算法进行推演,通过反向传播算法得出修改权值,结合正向传播算法与反向传播算法得出符合学习期望的结论值,上述整体深度学习的演化函数计算形成学习数据库;
B、识别方法:
1)、将已知信息值投入输入神经网络层的输入神经元中进行学习认知,从学习数据库中提取同类型演化函数计算作为参照推算模型;
2)、将已知信息值按参照推算模型的演化函数方式计算出n+1预测信息值,所述n+1预测信息值内包含多个预测独立元素值,所述预测独立元素值与已知信息值内的独立元素值种类相同,且属于同种类的独立元素值与预测独立元素值之间存在任意演化间隔的递进逻辑关系;
所述整体性智能识别方法应用于生物学中变态发育的推测识别,对现有变态发育轨迹进行已知演化规律的学习认知,按照其演化函数规律进行将要发生的变态发育的推测识别。
2.根据权利要求1所述的应用神经网络深度学习的整体性智能识别方法,其特征在于,在A、深度学习方法的步骤2)中,所述信息值位于载体上,不同信息值的载体空间量值不同,不同载体上信息值所占比例不同。
3.根据权利要求2所述的应用神经网络深度学习的整体性智能识别方法,其特征在于,在B、识别方法的步骤2)中,所述n+1预测信息值的载体与已知信息值的载体空间量值相同。
4.根据权利要求1所述的应用神经网络深度学习的整体性智能识别方法,其特征在于,在B、识别方法的步骤2)中,同一n+1预测信息值内的各个预测独立元素值与已知信息值内的对应独立元素值的演化间隔一致。
5.根据权利要求1所述的应用神经网络深度学习的整体性智能识别方法,其特征在于,所述大量参照值为空间属性的连续性信息值,或为时间属性的连续性信息值。
6.根据权利要求1所述的应用神经网络深度学习的整体性智能识别方法,其特征在于,所述大量参照值中包括不同类型的连续性信息值,或包括相反类型的连续性信息值。
7.根据权利要求1所述的应用神经网络深度学习的整体性智能识别方法,其特征在于,所述整体性智能识别方法应用于医学领域的人体影像识别中,对某一节段的人体构造进行整体组织的学习认知,按照其演化函数规律进行推测影像计算,对任意个器官组织集合体进行自由识别。
8.根据权利要求1所述的应用神经网络深度学习的整体性智能识别方法,其特征在于,所述整体性智能识别方法应用于病毒变异的推测识别,对现有病毒变异轨迹进行已知演化规律的学习认知,按照其演化函数规律进行未知变异的推测识别。
9.根据权利要求1所述的应用神经网络深度学习的整体性智能识别方法,其特征在于,所述整体性智能识别方法应用于基因进化的推测识别,对现有基因进化轨迹进行已知演化规律的学习认知,按照其演化函数规律进行未知进化的推测识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010407034.8A CN111611891B (zh) | 2020-05-14 | 2020-05-14 | 应用神经网络深度学习的整体性智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010407034.8A CN111611891B (zh) | 2020-05-14 | 2020-05-14 | 应用神经网络深度学习的整体性智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611891A CN111611891A (zh) | 2020-09-01 |
CN111611891B true CN111611891B (zh) | 2024-03-08 |
Family
ID=72205155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010407034.8A Active CN111611891B (zh) | 2020-05-14 | 2020-05-14 | 应用神经网络深度学习的整体性智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611891B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217095B (zh) * | 2023-10-13 | 2024-05-28 | 西南石油大学 | 一种基于深度学习求取地质属性建模中变差函数的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243454A (zh) * | 2015-11-06 | 2016-01-13 | 广州威沃电子有限公司 | 基于大数据的用电负荷预测系统 |
CN105279555A (zh) * | 2015-10-28 | 2016-01-27 | 清华大学 | 一种基于进化算法的自适应学习神经网络实现方法 |
CN106408343A (zh) * | 2016-09-23 | 2017-02-15 | 广州李子网络科技有限公司 | 一种基于bp神经网络的用户行为分析与预测的建模方法及其装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140324747A1 (en) * | 2013-04-30 | 2014-10-30 | Raytheon Company | Artificial continuously recombinant neural fiber network |
-
2020
- 2020-05-14 CN CN202010407034.8A patent/CN111611891B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279555A (zh) * | 2015-10-28 | 2016-01-27 | 清华大学 | 一种基于进化算法的自适应学习神经网络实现方法 |
CN105243454A (zh) * | 2015-11-06 | 2016-01-13 | 广州威沃电子有限公司 | 基于大数据的用电负荷预测系统 |
CN106408343A (zh) * | 2016-09-23 | 2017-02-15 | 广州李子网络科技有限公司 | 一种基于bp神经网络的用户行为分析与预测的建模方法及其装置 |
Non-Patent Citations (1)
Title |
---|
基于半监督学习的动态神经网络结构设计;任红格;李冬梅;李福进;计算机应用;第36卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111611891A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Speech emotion recognition using deep 1D & 2D CNN LSTM networks | |
Cao et al. | Deep learning and its applications in biomedicine | |
Basu et al. | COVID-19 detection from CT scans using a two-stage framework | |
Kusumoto et al. | The application of convolutional neural network to stem cell biology | |
Srisukkham et al. | Intelligent leukaemia diagnosis with bare-bones PSO based feature optimization | |
Perna | Convolutional neural networks learning from respiratory data | |
Li et al. | Differentiable neural architecture search for optimal spatial/temporal brain function network decomposition | |
Gulakala et al. | Rapid diagnosis of Covid-19 infections by a progressively growing GAN and CNN optimisation | |
CN111611891B (zh) | 应用神经网络深度学习的整体性智能识别方法 | |
Tan et al. | Incorporating isodose lines and gradient information via multi-task learning for dose prediction in radiotherapy | |
CN117058307A (zh) | 心脏三维核磁共振图像生成方法、系统、设备及储存介质 | |
Houssein et al. | An enhanced Coati Optimization Algorithm for global optimization and feature selection in EEG emotion recognition | |
Poojary et al. | Optimization Technique Based Approach for Image Segmentation | |
Han | Multimodal brain image analysis and survival prediction using neuromorphic attention-based neural networks | |
Xu et al. | DeepHealth: Deep representation learning with autoencoders for healthcare prediction | |
Chakraborty et al. | Survival prediction model of renal transplantation using deep neural network | |
Huong et al. | Customized Alexnet models for automatic classification of skin diseases | |
Abu-Zeid et al. | Immune based clustering for medical diagnostic systems | |
Hmamouche et al. | Exploring the dependencies between behavioral and neuro-physiological time-series extracted from conversations between humans and artificial agents | |
Nikolaevna et al. | Bioengineering system for research on human emotional response to external stimuli | |
Sidiq et al. | Big Data and deep learning in healthcare | |
Osowski et al. | Computational intelligence in engineering practice | |
Chowanda | Spatiotemporal Features Learning from Song for Emotions Recognition with Time Distributed CNN | |
Zhu et al. | Knowledge sharing for pulmonary nodule detection in medical cyber-physical systems | |
Fenneteau et al. | CNN for multiple sclerosis lesion segmentation: How many patients for a fully supervised method? |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231226 Address after: Room 603, No. 512 Yunchuang Road, Jiangling Street, Wujiang District, Suzhou City, Jiangsu Province, 215000 Applicant after: Longliqiang Artificial Intelligence Technology (Suzhou) Co.,Ltd. Address before: Room 302-16, Jiudingfeng Building, No. 888 Changbai Mountain Road, Qingdao Area, China (Shandong) Pilot Free Trade Zone, Qingdao City, Shandong Province, 266555 Applicant before: Qingdao Hanlin Huili Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |