-
公开(公告)号：CN109245773B
公开(公告)日：2021-09-28
申请号：CN201811279234.9
申请日：2018-10-30
Applicant: 南京大学
Abstract: 本发明涉及基于块循环稀疏矩阵神经网络的编解码方法，对具有块循环稀疏权值矩阵的全连接神经网络进行压缩编码；利用权值矩阵的循环特性和稀疏性，设计的采取掩模矩阵和非零值列表的编码方法；利用输入激励的稀疏性，设计的采取掩模向量和非零值列表的编码方法；充分利用了掩模矩阵和循环矩阵的特点，采用了硬件友好的解码方法。有益效果为：对稀疏的输入激励向量和权值矩阵同时进行压缩编码，有效减少数据所需的存储空间和运算过程中搬运数据所需的存储接入次数。在神经网络运算过程中，该方法能够有效降低访存消耗的能量，便于处理器跳过不必要的运算，提高硬件系统的吞吐率。
-
公开(公告)号：CN109245773A
公开(公告)日：2019-01-18
申请号：CN201811279234.9
申请日：2018-10-30
Applicant: 南京大学
Abstract: 本发明涉及基于块循环稀疏矩阵神经网络的编解码方法，对具有块循环稀疏权值矩阵的全连接神经网络进行压缩编码；利用权值矩阵的循环特性和稀疏性，设计的采取掩模矩阵和非零值列表的编码方法；利用输入激励的稀疏性，设计的采取掩模向量和非零值列表的编码方法；充分利用了掩模矩阵和循环矩阵的特点，采用了硬件友好的解码方法。有益效果为：对稀疏的输入激励向量和权值矩阵同时进行压缩编码，有效减少数据所需的存储空间和运算过程中搬运数据所需的存储接入次数。在神经网络运算过程中，该方法能够有效降低访存消耗的能量，便于处理器跳过不必要的运算，提高硬件系统的吞吐率。
-
公开(公告)号：CN108683535A
公开(公告)日：2018-10-19
申请号：CN201810480022.0
申请日：2018-05-18
Applicant: 南京大学
CPC classification number: H04L41/0631 , G06N3/049 , G06N5/04
Abstract: 本发明涉及一种基于机器学习的高速数据分配模块故障诊断系统，包括：人机交互界面，直观地将当前网络系统的运行状态、故障诊断信息以及应对措施呈现给用户；综合数据库，存储网络系统中的所有运行数据、历史数据以及配置信息；推理机，将综合数据库中的相应信息数据与知识库中的规则集进行逻辑判断，并得出对应的网络故障诊断结果和解决方案；知识获取模块，制定动态规则集，所述动态规则集由大量历史诊断数据采用深度神经网络进行不断训练形成；知识库，存储初始规则集与所述动态规则集。本发明加入了使用DNN对历史故障诊断数据进行学习训练的方法，得到新的更加有效的规则集，能够很好的提高数据分配模块自动故障诊断系统的准确性和可靠性。
-
-
Search Results
3
records
(took 0.021 seconds)
