CN111611892B - 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 PDFInfo
- Publication number
- CN111611892B CN111611892B CN202010407041.8A CN202010407041A CN111611892B CN 111611892 B CN111611892 B CN 111611892B CN 202010407041 A CN202010407041 A CN 202010407041A CN 111611892 B CN111611892 B CN 111611892B
- Authority
- CN
- China
- Prior art keywords
- neural network
- unit
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 105
- 238000013135 deep learning Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 51
- 210000002364 input neuron Anatomy 0.000 claims abstract description 26
- 210000002569 neuron Anatomy 0.000 claims abstract description 20
- 210000004205 output neuron Anatomy 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 230000001149 cognitive effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 238000012986 modification Methods 0.000 claims description 10
- 230000004048 modification Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000004069 differentiation Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000000969 carrier Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 241000282414 Homo sapiens Species 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 210000002216 heart Anatomy 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 230000000750 progressive effect Effects 0.000 description 4
- 230000019771 cognition Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination 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
- 239000012530 fluid Substances 0.000 description 1
- 210000003205 muscle Anatomy 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
- 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)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Neurology (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Microelectronics & Electronic Packaging (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
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 (7)
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；
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。
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。
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 CN111611892A (zh) | 2020-09-01 |
| CN111611892B true 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 (7)
| 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 |
| 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US10720151B2 (en) * | 2018-07-27 | 2020-07-21 | Deepgram, Inc. | End-to-end neural networks for speech recognition and classification |
-
2020
- 2020-05-14 CN CN202010407041.8A patent/CN111611892B/zh active Active
Patent Citations (7)
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111611892A (zh) | 2020-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084318B (zh) | 一种结合卷积神经网络和梯度提升树的图像识别方法 | |
| CN111242288B (zh) | 一种用于病变图像分割的多尺度并行深度神经网络模型构建方法 | |
| CN107025369B (zh) | 一种对医疗图像进行转换学习的方法和装置 | |
| CN111700608B (zh) | 一种心电信号多分类方法及装置 | |
| CN110070107A (zh) | 物体识别方法及装置 | |
| CN107301170A (zh) | 基于人工智能的切分语句的方法和装置 | |
| CN112784879A (zh) | 一种基于小样本域自适应的医学影像分割或分类方法 | |
| CN113314205A (zh) | 一种高效的医学影像标注与学习系统 | |
| CN106651887A (zh) | 一种基于卷积神经网络的图像像素分类方法 | |
| CN110490247A (zh) | 图像处理模型生成方法、图像处理方法及装置、电子设备 | |
| Bykov et al. | Explaining bayesian neural networks | |
| Mangalam et al. | On compressing u-net using knowledge distillation | |
| CN112070760A (zh) | 一种基于卷积神经网络的骨量检测方法 | |
| CN111611892B (zh) | 应用神经网络的综合性智能深度学习方法 | |
| CN109949299A (zh) | 一种心脏医学图像自动分割方法 | |
| 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 | |
| CN117611601A (zh) | 基于文字辅助的半监督3d医学图像分割方法 | |
| CN111611891B (zh) | 应用神经网络深度学习的整体性智能识别方法 | |
| CN115844424B (zh) | 一种睡眠纺锤波分级识别方法及系统 | |
| CN113706407B (zh) | 基于分离表征的红外可见光图像融合方法 | |
| Gurevich et al. | Algebraic interpretation of image analysis operations | |
| CN115222637A (zh) | 一种基于全局优化模型的多模态医学图像融合方法 | |
| CN115937590A (zh) | 一种并联融合CNN和Transformer的皮肤病图像分类方法 | |
| CN114120035A (zh) | 一种医学影像识别训练方法 | |
| CN116756361A (zh) | 一种基于对应特征融合的医学视觉问答方法 |
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 |