一种用于序列数据的多尺度深度学习识别方法
公开
摘要
本发明公开了一种用于序列数据的多尺度深度学习识别方法,采集序列数据并标注,构成原始序列训练数据集,对修改好的深度神经网络模型进行训练,从原始序列训练数据集的训练样本中随机截取时长为t的数据采样,前向传播输入到深度神经网络模型,同时对时长为t的数据中进行扩充或缩减和重采样模拟时间多尺度,采样取得的数据前向传播输入到深度神经网络模型,综合两个网络的分类损失和特征损失反向传播训练神经网络模型。本发明在训练过程中对训练数据进行一定范围内的随机重采样来模拟多尺度现象,具有更高的识别准确度。训练时两个分支网络的参数共享,有效提高了训练效率;在识别过程中仅需采用一个分支网络,具有高效性。
基本信息
专利标题 :
一种用于序列数据的多尺度深度学习识别方法
专利标题(英):
暂无
公开(公告)号 :
CN114565082A
申请号 :
CN202210194015.0
公开(公告)日 :
2022-05-31
申请日 :
2022-03-01
授权号 :
暂无
授权日 :
暂无
发明人 :
高华胡晨琛毛科技毛家发
申请人 :
浙江工业大学
申请人地址 :
浙江省杭州市下城区潮王路18号
代理机构 :
杭州求是专利事务所有限公司
代理人 :
忻明年
优先权 :
CN202210194015.0
主分类号 :
G06N3/04
IPC分类号 :
G06N3/04 G06N3/08 G06V40/20 G06V20/40 G06V10/764 G06V10/774 G06V10/82 G10L25/30 G10L25/63 G06K9/62
IPC结构图谱
G
G部——物理
G06
计算;推算或计数
G06N
基于特定计算模型的计算机系统
G06N3/00
基于生物学模型的计算机系统
G06N3/02
采用神经网络模型
G06N3/04
体系结构,例如,互连拓扑
法律状态
2022-05-31 :
公开
注:本法律状态信息仅供参考,即时准确的法律状态信息须到国家知识产权局办理专利登记簿副本。
文件下载
暂无PDF文件可下载