文档详情

基于卷积神经网络的时序知识图谱补全方法、装置及设备.pdf

发布：2023-05-11约2.15万字共18页下载文档

文本预览下载声明

(19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114547347 A (43)申请公布日 2022.05.27 (21)申请号 202210448185.7 G06F 40/295 (2020.01) (22)申请日 2022.04

显示全部

相似文档

基于卷积神经网络的知识图谱补全技术研究.docx 基于卷积神经网络的知识图谱补全技术研究目录 基于卷积神经网络的知识图谱补全技术研究（1）．．．．．．．．．．．．．．．．4 一、内容概览．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．4 研究背景与意义．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．5 国内外研究现状及发展趋势．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．6 研究内容与方法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．7 二、知识图谱概述．．．．．．．．．．．．．．．．．．．．．．．．．．
2025-04-09 约5.22万字 85页立即下载
基于卷积神经网络的知识图谱表示方法及装置.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114461811 A (43)申请公布日 2022.05.10 (21)申请号 202210015911.6 G06F 40/30 (2020.01)
2023-05-05 约1.79万字 14页立即下载
一种基于门控图卷积时序神经网络的知识追踪方法.pdf (19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 113360669 A (43)申请公布日 2021.09.07 (21)申请号 202110628713.2 (22)申请日 2021.06.04 (71)申请人中南大学地址 41
2023-06-16 约1.09万字 11页立即下载
基于卷积神经网络的帧内编码优化方法及装置.docx PAGE 1- 基于卷积神经网络的帧内编码优化方法及装置 第一章帧内编码技术概述 (1)帧内编码技术是视频压缩领域的一项关键技术，其主要目的是减少视频数据中冗余信息，从而降低数据传输和存储的负担。帧内编码通过去除帧内像素之间的空间冗余性来实现压缩，它不依赖于帧与帧之间的时间冗余信息。这种编码方式在视频编码标准如H.264/AVC和HEVC中扮演着重要角色，对于提高视频传输效率和质量具有显著影响。 (2)帧内编码技术主要包括预测编码和变换编码两个主要步骤。预测编码通过分析帧内像素间的空间相关性，预测当前像素值；而变换编码则将预测误差或残差进行变换，以提取能量集中的系数，进一步实现压缩。随着深度学
2025-01-21 约2.95千字 6页立即下载
基于卷积神经网络的信息隐藏方法及装置.pdf (19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 113393359 A (43)申请公布日 2021.09.14 (21)申请号 202110539518.2 (22)申请日 2021.05.18 (71)申请人杭州电子科技大学地址
2023-06-17 约1万字 10页立即下载
基于卷积神经网络算法的设备形变检测方法和装置.pdf (19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 112833808 A (43)申请公布日 2021.05.25 (21)申请号 202110013636.X (22)申请日 2021.01.05 (71)申请人厦门银江智慧城市技术股份有限公
2023-06-03 约1.12万字 10页立即下载
基于路径学习的图卷积神经网络预测miRNA-疾病关联性方法、装置及设备.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 116403727 A (43)申请公布日 2023.07.07 (21)申请号 202310323875.4 G06N 3/048 (2023.01)
2023-07-06 约2.8万字 21页立即下载
基于卷积神经网络的语音增强方法、装置、设备及介质.pdf (19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 113345463 A (43)申请公布日 2021.09.03 (21)申请号 202110605515.4 (22)申请日 2021.05.31 (71)申请人平安
2023-06-20 约1.93万字 18页立即下载
基于卷积神经网络的时序变换证据融合方法.pdf 电力科学与工程第41卷第2期2025年2月 ElectricPowerScienceandEngineeringISSN1672-0792CN13-1328/TK 基于卷积神经网络的时序变换证据融合方法李小艳，田亮华北电力大学控制与计算机工程学院，河北保定071003 基金项目：国家重点研发计划资助项目（2022YFB4100400）摘要：证
2025-04-13 约2.75万字 9页立即下载
一种基于时序遥感数据和卷积神经网络的作物种植分布预测方法.pdf (19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 112840348 A (43)申请公布日 2021.05.25 (21)申请号 201980016521.7 (74)专利代理机构芜湖思诚知识产权代理有限
2023-06-02 约1.27千字 1页立即下载
基于知识图谱和图神经网络的服务推荐方法.pdf 基于知识图谱和图神经网络的服务推荐方法摘要随着数字科技和互联网的快速发展，我们已全面进入了以信息和通信技术为核心的数字时代。在这样的时代背景下，移动应用市场成为了数字时代下不可或缺的主要角色，本质上来说它是数字时代的一部分、同时也是众用户在智能手机应用中寻求满足需求的关键场所。然而，随着海量移动应用的涌现，选择出合适的应用对用户来说成为了一项具有挑战性的任务，应用选择的多样性更提升了这一困难度。因此，为用户推荐最适合其个性和要求的应用已经成为了一个热门研究课题，与此同时，也成为了服务推荐领域需要解决的一大难题。传统的推荐策略，如基于协同过滤或基于内容的推荐，常常未能彻底考虑
2025-06-10 约10万字 72页立即下载
基于卷积神经网络的网络教学方法以及装置.docx PAGE 1- 基于卷积神经网络的网络教学方法以及装置 第一章卷积神经网络概述 卷积神经网络（ConvolutionalNeuralNetworks，CNN）是一种模仿人脑视觉感知机理的深度学习模型，广泛应用于图像识别、视频分析、自然语言处理等领域。CNN的核心思想是通过对输入数据进行局部感知和权重共享，实现特征提取和模式识别。自2012年AlexNet在ImageNet竞赛中取得突破性成绩以来，CNN的研究和应用得到了广泛关注和快速发展。据《IEEETransactionsonPatternAnalysisandMachineIntelligence》报道，CNN在图像识别领域的准确率已达
2025-01-18 约4.83千字 9页立即下载
卷积神经网络的处理方法及装置.docx PAGE 1- 卷积神经网络的处理方法及装置 一、卷积神经网络的基本原理 卷积神经网络（ConvolutionalNeuralNetworks，CNN）是一种特殊的神经网络架构，它在图像、语音和其他信号处理领域中具有广泛的应用。卷积神经网络的核心思想是利用卷积层对输入数据进行特征提取，通过权值共享减少模型参数，从而降低计算复杂度。在卷积层中，每个神经元只关注输入数据的局部区域，通过对局部区域进行特征提取，可以捕捉到图像中的边缘、纹理等局部特征。卷积层的基本操作是将一个小的滤波器（也称为卷积核或滤波器）在输入数据上滑动，每次滑动都会产生一个特征图。这种操作称为局部连接或共享权重连接，即同一滤波
2025-01-18 约2.95千字 6页立即下载
用于训练卷积神经网络的方法和装置.pdf (19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号CN107609645A (43)申请公布日 2018.01.19 (21)申请号20171
2024-03-30 约2.28万字 19页立即下载
用于对神经网络中卷积层进行剪枝的方法和装置.pdf (19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 113392953 A (43)申请公布日 2021.09.14 (21)申请号 20201
2023-06-19 约2.09万字 20页立即下载