CN111611892A - 应用神经网络的综合性智能深度学习方法 - Google Patents

应用神经网络的综合性智能深度学习方法 Download PDF

Info

Publication number
CN111611892A
CN111611892A CN202010407041.8A CN202010407041A CN111611892A CN 111611892 A CN111611892 A CN 111611892A CN 202010407041 A CN202010407041 A CN 202010407041A CN 111611892 A CN111611892 A CN 111611892A
Authority
CN
China
Prior art keywords
unit
neural network
layer
hidden
input
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.)
Granted
Application number
CN202010407041.8A
Other languages
English (en)
Other versions
CN111611892B (zh
Inventor
戚意强
李博
张淞源
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.)
Longliqiang Artificial Intelligence Technology Suzhou Co ltd
Original Assignee
Qingdao Hanlin Huili Technology Co ltd
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
Application filed by Qingdao Hanlin Huili Technology Co ltd filed Critical Qingdao Hanlin Huili Technology Co ltd
Priority to CN202010407041.8A priority Critical patent/CN111611892B/zh
Publication of CN111611892A publication Critical patent/CN111611892A/zh
Application granted granted Critical
Publication of CN111611892B publication Critical patent/CN111611892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Neurology (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Microelectronics & Electronic Packaging (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的综合性智能深度学习方法,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，每个输入神经元为一个单元神经网络经过深度学习后得出的单元结果值，单元神经网络包括单元输入层和单元输出层，单元输入层与单元输出层之间存在呈递进排列的多层单元隐含层，由单元输出层推断出单元结果值，单元输入层包含若干单元输入神经元，单元隐含层包含若干单元隐含神经元，单元输出层包含若干单元输出神经元。

Description

应用神经网络的综合性智能深度学习方法
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的综合性智能深度学习方法。
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。另外通过现有学习的算法只能识别出整体器官的轮廓概况，而对其内部的局部组织却无法进行学习识别。在对其它领域的影像识别中，均只能判断其整体概况与否，却无法进一步认知其内部构造。
发明内容
本发明的目的是针对现有的技术存在上述问题，提出了一种利用频段分割整体信息，以实现内部细节的分拣解析，从而获知其内在联系特质的应用神经网络的综合性智能深度学习方法。
本发明的目的可通过下列技术方案来实现：应用神经网络的综合性智能深度学习方法,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，每个所述输入神经元为一个单元神经网络经过深度学习后得出的单元结果值，所述单元神经网络包括单元输入层和单元输出层，所述单元输入层与单元输出层之间存在呈递进排列的多层单元隐含层，由所述单元输出层推断出所述单元结果值，所述单元输入层包含若干单元输入神经元，所述单元隐含层包含若干单元隐含神经元，所述单元输出层包含若干单元输出神经元，所述综合性智能深度学习方法包括以下内容：
1)、初始设定单元隐含层的数量，各个单元隐含层中单元隐含神经元的数量；初始设定单元输出层中单元输出神经元的数量；
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)、将单一的总载体上的信息群作为学习值，所述信息群内包含若干不同频段的信息值，将信息群中的大量信息值按照相同频段进行分拣形成若干分化载体的信息小组；
3)、将所有分化载体上信息小组投入至单元输入层，使每个分化载体上的信息小组形成一个单元输入神经元；将单元输入层的各个单元输入神经元经过并行计算得到第一层单元隐含层的各个单元隐含神经元，经过计算逐级得出n+1层单元隐含层，直至最终推导至单元输出层中各个单元输出神经元；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单元结果值；
4)、将若干单元结果值投入至输入神经网络层，使每个单元结果值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；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；
5)、以单元输入层作为起始，以输出神经网络层作为终结，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该过程的演化函数计算法则。
本应用神经网络的综合性智能深度学习方法摒除传统的轮廓区域分割手法，对存在不同频段的信息群进行频段分割，以打破轮廓区域之间的界限，重组信息小组进行解析学习，掌握演化信息值之间的内在联系特质，同时可忽略载体的空间量值约束。
在上述的应用神经网络的综合性智能深度学习方法中，当向已经完成的深度学习流程投入新的学习值后，新加入的学习值仅需进行步骤5)的运算过程；而其它单元神经网络无需调整运算。
在上述的应用神经网络的综合性智能深度学习方法中，在步骤2)中，同一频段内的多个信息值按照穷尽的组合方式形成对应数量的信息小组，所述分化载体上信息小组内至少包含一个信息值。
在上述的应用神经网络的综合性智能深度学习方法中，同一信息小组内的若干信息值属于同一认知元素集合。
在上述的应用神经网络的综合性智能深度学习方法中，同一信息小组内的若干信息值属于不同认知元素集合。
在上述的应用神经网络的综合性智能深度学习方法中，所述总载体与所述分化载体的空间量值相等。
在上述的应用神经网络的综合性智能深度学习方法中，所述总载体上的信息群整体进行类型标注，所述总载体上的信息群中各个认知元素集合进行类别标注；所述分化载体的信息小组无需标注。
在上述的应用神经网络的综合性智能深度学习方法中，所述综合性智能深度学习方法用于对影像的学习识别，由影像中各个认知元素集合的内部解析学习结合外部整合学习，以识别认知元素集合的内在特质。
在上述的应用神经网络的综合性智能深度学习方法中，所述综合性智能深度学习方法用于对通信信号的学习识别，将通信信号的不同频段分割及重组学习，以识别通信信号的内在联系特质。
在上述的应用神经网络的综合性智能深度学习方法中，所述综合性智能深度学习方法用于对水下声纳扫描的学习识别，将水下声纳扫描信息的不同频段分割及重组学习，以识别水下声纳扫描信息的内在联系特质。
与现有技术相比，本应用神经网络的综合性智能深度学习方法具有以下优点：
1、打破轮廓区域之间的界限，从而忽略载体的空间大小值，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、将一个神经网络的深度学习结果作为又一个神经网络的输入神经元，形成多层嵌套的递进式学习模式，由单一传递网络转化成模拟人脑的立体化神经网络，实现计算机人工智能的突破性飞跃。
3、利用频段分割整体信息，以实现内部细节的分拣解析，从而获知其内在联系特质的学习认知，对未知的数字信号进行内在联系的识别与推断。
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，本应用神经网络的综合性智能深度学习方法,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，每个输入神经元为一个单元神经网络经过深度学习后得出的单元结果值，单元神经网络包括单元输入层和单元输出层，单元输入层与单元输出层之间存在呈递进排列的多层单元隐含层，由单元输出层推断出单元结果值，单元输入层包含若干单元输入神经元，单元隐含层包含若干单元隐含神经元，单元输出层包含若干单元输出神经元，综合性智能深度学习方法包括以下内容：
1)、初始设定单元隐含层的数量，各个单元隐含层中单元隐含神经元的数量；初始设定单元输出层中单元输出神经元的数量；
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)、将单一的总载体上的信息群作为学习值，信息群内包含若干不同频段的信息值，将信息群中的大量信息值按照相同频段进行分拣形成若干分化载体的信息小组；
在医学领域中，“单一的总载体上的信息群”具体指一张人体扫描片上的所有影像。
3)、将所有分化载体上信息小组投入至单元输入层，使每个分化载体上的信息小组形成一个单元输入神经元；将单元输入层的各个单元输入神经元经过并行计算得到第一层单元隐含层的各个单元隐含神经元，经过计算逐级得出n+1层单元隐含层，直至最终推导至单元输出层中各个单元输出神经元；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单元结果值；
4)、将若干单元结果值投入至输入神经网络层，使每个单元结果值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；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；
5)、以单元输入层作为起始，以输出神经网络层作为终结，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该过程的演化函数计算法则。
本应用神经网络的综合性智能深度学习方法摒除传统的轮廓区域分割手法，对存在不同频段的信息群进行频段分割，以打破轮廓区域之间的界限，重组信息小组进行解析学习，掌握演化信息值之间的内在联系特质，同时可忽略载体的空间量值约束。
当向已经完成的深度学习流程投入新的学习值后，新加入的学习值仅需进行步骤5)的运算过程；而其它单元神经网络无需调整运算。
在步骤2)中，同一频段内的多个信息值按照穷尽的组合方式形成对应数量的信息小组，分化载体上信息小组内至少包含一个信息值。穷尽的组合方式为将所有信息值按照数列排布，进行任意数量、任意内容组合，且不重复的总集合。
在医学领域中，“同一频段内的多个信息值”指在一张扫描影像中，显示灰度相同的同一人体组织，例如，脂肪、肌肉、组织液等等。
同一信息小组内的若干信息值属于同一认知元素集合。在医学领域中，例如心脏作为一个认知元素集合，心脏内的所有脂肪作为若干信息值。
同一信息小组内的若干信息值属于不同认知元素集合。在医学领域中，例如心脏、肝脏、胸腔为不同认知元素集合，心脏、肝脏、胸腔上的所有脂肪作为若干信息值。
总载体与分化载体的空间量值相等。在医学领域中，总载体为一张完整的、综合性的人体扫描影像，分化载体为提取出其中脂肪影像的扫描片，两个扫描片的大小相等。
总载体上的信息群整体进行类型标注，总载体上的信息群中各个认知元素集合进行类别标注；分化载体的信息小组无需标注。在医学领域中，完整的人体扫描影像标注其是否有病为类型标注，各种组织的名称标注或病名的标注为类别标注。
综合性智能深度学习方法用于对影像的学习识别，由影像中各个认知元素集合的内部解析学习结合外部整合学习，以识别认知元素集合的内在特质。
综合性智能深度学习方法用于对通信信号的学习识别，将通信信号的不同频段分割及重组学习，以识别通信信号的内在联系特质。
综合性智能深度学习方法用于对水下声纳扫描的学习识别，将水下声纳扫描信息的不同频段分割及重组学习，以识别水下声纳扫描信息的内在联系特质。
与现有技术相比，本应用神经网络的综合性智能深度学习方法具有以下优点：
1、打破轮廓区域之间的界限，从而忽略载体的空间大小值，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、将一个神经网络的深度学习结果作为又一个神经网络的输入神经元，形成多层嵌套的递进式学习模式，由单一传递网络转化成模拟人脑的立体化神经网络，实现计算机人工智能的突破性飞跃。
3、利用频段分割整体信息，以实现内部细节的分拣解析，从而获知其内在联系特质的学习认知，对未知的数字信号进行内在联系的识别与推断。
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 (10)

1.应用神经网络的综合性智能深度学习方法,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，每个所述输入神经元为一个单元神经网络经过深度学习后得出的单元结果值，所述单元神经网络包括单元输入层和单元输出层，所述单元输入层与单元输出层之间存在呈递进排列的多层单元隐含层，由所述单元输出层推断出所述单元结果值，所述单元输入层包含若干单元输入神经元，所述单元隐含层包含若干单元隐含神经元，所述单元输出层包含若干单元输出神经元，其特征在于，所述综合性智能深度学习方法包括以下内容：
1)、初始设定单元隐含层的数量，各个单元隐含层中单元隐含神经元的数量；初始设定单元输出层中单元输出神经元的数量；
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)、将单一的总载体上的信息群作为学习值，所述信息群内包含若干不同频段的信息值，将信息群中的大量信息值按照相同频段进行分拣形成若干分化载体的信息小组；
3)、将所有分化载体上信息小组投入至单元输入层，使每个分化载体上的信息小组形成一个单元输入神经元；将单元输入层的各个单元输入神经元经过并行计算得到第一层单元隐含层的各个单元隐含神经元，经过计算逐级得出n+1层单元隐含层，直至最终推导至单元输出层中各个单元输出神经元；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单元结果值；
4)、将若干单元结果值投入至输入神经网络层，使每个单元结果值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；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；
5)、以单元输入层作为起始，以输出神经网络层作为终结，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该过程的演化函数计算法则。
2.根据权利要求1所述的应用神经网络的综合性智能深度学习方法，其特征在于，当向已经完成的深度学习流程投入新的学习值后，新加入的学习值仅需进行步骤5)的运算过程；而其它单元神经网络无需调整运算。
3.根据权利要求1所述的应用神经网络的综合性智能深度学习方法，其特征在于，在步骤2)中，同一频段内的多个信息值按照穷尽的组合方式形成对应数量的信息小组，所述分化载体上信息小组内至少包含一个信息值。
4.根据权利要求3所述的应用神经网络的综合性智能深度学习方法，其特征在于，同一信息小组内的若干信息值属于同一认知元素集合。
5.根据权利要求3所述的应用神经网络的综合性智能深度学习方法，其特征在于，同一信息小组内的若干信息值属于不同认知元素集合。
6.根据权利要求1所述的应用神经网络的综合性智能深度学习方法，其特征在于，在步骤2)中，所述总载体与所述分化载体的空间量值相等。
7.根据权利要求1所述的应用神经网络的综合性智能深度学习方法，其特征在于，在步骤2)中，所述总载体上的信息群整体进行类型标注，所述总载体上的信息群中各个认知元素集合进行类别标注；所述分化载体的信息小组无需标注。
8.根据权利要求1所述的应用神经网络的综合性智能深度学习方法，其特征在于，所述综合性智能深度学习方法用于对影像的学习识别，由影像中各个认知元素集合的内部解析学习结合外部整合学习，以识别认知元素集合的内在特质。
9.根据权利要求1所述的应用神经网络的综合性智能深度学习方法，其特征在于，所述综合性智能深度学习方法用于对通信信号的学习识别，将通信信号的不同频段分割及重组学习，以识别通信信号的内在联系特质。
10.根据权利要求1所述的应用神经网络的综合性智能深度学习方法，其特征在于，所述综合性智能深度学习方法用于对水下声纳扫描的学习识别，将水下声纳扫描信息的不同频段分割及重组学习，以识别水下声纳扫描信息的内在联系特质。
CN202010407041.8A 2020-05-14 2020-05-14 应用神经网络的综合性智能深度学习方法 Active CN111611892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010407041.8A CN111611892B (zh) 2020-05-14 2020-05-14 应用神经网络的综合性智能深度学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010407041.8A CN111611892B (zh) 2020-05-14 2020-05-14 应用神经网络的综合性智能深度学习方法

Publications (2)

Publication Number Publication Date
CN111611892A true CN111611892A (zh) 2020-09-01
CN111611892B CN111611892B (zh) 2024-03-19

Family

ID=72205162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010407041.8A Active CN111611892B (zh) 2020-05-14 2020-05-14 应用神经网络的综合性智能深度学习方法

Country Status (1)

Country Link
CN (1) CN111611892B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06266689A (ja) * 1993-03-15 1994-09-22 Mazda Motor Corp 神経回路網の構成方法，学習方法及び汎化能力評価方法
JPH0962644A (ja) * 1995-08-22 1997-03-07 Just Syst Corp ニューラルネットワーク
JP2005182449A (ja) * 2003-12-19 2005-07-07 Takumi Ichimura ニューラルネットワークによるデータベース解析装置
US20070288410A1 (en) * 2006-06-12 2007-12-13 Benjamin Tomkins System and method of using genetic programming and neural network technologies to enhance spectral data
CN102609764A (zh) * 2012-02-01 2012-07-25 上海电力学院 一种基于cpn神经网络的汽轮发电机组故障诊断方法
CN106951960A (zh) * 2017-03-02 2017-07-14 平顶山学院 一种神经网络及该神经网络的学习方法
CN109102027A (zh) * 2018-08-16 2018-12-28 王上 一种基于脉冲神经网络的特征分类方法及系统
CN110535486A (zh) * 2019-08-07 2019-12-03 东南大学 基于超表面神经网络的射频信号直接处理式无线收发机
US20200035219A1 (en) * 2018-07-27 2020-01-30 Deepgram, Inc. Augmented generalized deep learning with special vocabulary

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06266689A (ja) * 1993-03-15 1994-09-22 Mazda Motor Corp 神経回路網の構成方法，学習方法及び汎化能力評価方法
JPH0962644A (ja) * 1995-08-22 1997-03-07 Just Syst Corp ニューラルネットワーク
JP2005182449A (ja) * 2003-12-19 2005-07-07 Takumi Ichimura ニューラルネットワークによるデータベース解析装置
US20070288410A1 (en) * 2006-06-12 2007-12-13 Benjamin Tomkins System and method of using genetic programming and neural network technologies to enhance spectral data
CN102609764A (zh) * 2012-02-01 2012-07-25 上海电力学院 一种基于cpn神经网络的汽轮发电机组故障诊断方法
CN106951960A (zh) * 2017-03-02 2017-07-14 平顶山学院 一种神经网络及该神经网络的学习方法
US20200035219A1 (en) * 2018-07-27 2020-01-30 Deepgram, Inc. Augmented generalized deep learning with special vocabulary
CN109102027A (zh) * 2018-08-16 2018-12-28 王上 一种基于脉冲神经网络的特征分类方法及系统
CN110535486A (zh) * 2019-08-07 2019-12-03 东南大学 基于超表面神经网络的射频信号直接处理式无线收发机

Also Published As

Publication number Publication date
CN111611892B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
Hou et al. Classification of tongue color based on CNN
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
CN110689025A (zh) 图像识别方法、装置、系统及内窥镜图像识别方法、装置
CN106651887A (zh) 一种基于卷积神经网络的图像像素分类方法
CN114663426B (zh) 一种基于关键骨区定位的骨龄评估方法
WO2021027152A1 (zh) 基于条件生成对抗网络合成图像的方法及相关设备
CN112820399A (zh) 自动诊断甲状腺结节良恶性的方法及装置
CN115018809A (zh) Ct图像的靶区分割识别方法及系统
CN112070760A (zh) 一种基于卷积神经网络的骨量检测方法
CN114550169A (zh) 细胞分类模型的训练方法、装置、设备及介质
Singh et al. Deep attention network for pneumonia detection using chest X-ray images
Nazki et al. MultiPathGAN: Structure preserving stain normalization using unsupervised multi-domain adversarial network with perception loss
Dovbysh et al. Decision-Making support system for diagnosis of breast oncopathologies by histological images
Talukdar et al. Medical X-ray image classification employing DCGAN and CNN transfer learning techniques
CN113837179A (zh) 一种处理图像的多判别gan网络构建方法、装置、系统和存储介质
CN117633558A (zh) 基于视觉语言模型的多激励融合零样本病变检测方法
Tlaisun et al. Efficient deep learning approach for modern skin cancer detection
CN113011514A (zh) 基于双线性池化应用于ct影像的颅内出血亚类型分类算法
CN113011436A (zh) 一种基于卷积神经网络的中医舌色苔色协同分类方法
CN111611892A (zh) 应用神经网络的综合性智能深度学习方法
CN116758042A (zh) 一种基于形变Transformer的肠化生严重程度分级系统
CN111611891B (zh) 应用神经网络深度学习的整体性智能识别方法
Matsui et al. Feature selection by genetic algorithm for MRI segmentation
Bayram et al. Classification of skin lesion images with deep learning approaches
CN115937590A (zh) 一种并联融合CNN和Transformer的皮肤病图像分类方法

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: 20240105

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