一种神经网络的剪枝方法

    公开(公告)号:CN115374935B

    公开(公告)日:2023-08-11

    申请号:CN202211122342.1

    申请日:2022-09-15

    IPC分类号: G06N3/082 G06N3/063

    摘要: 本发明提出了一种神经网络的剪枝方法,包括以下步骤:S1,根据硬件资源的规模、时序约束、以及先验知识,确定脉动阵列规模,再根据硬件资源的规模、时序约束、以及先验知识、脉动阵列规模,确定最大筛选通道数和过滤器分组的最小数量;S2,将S1得到的最大筛选通道数和过滤器分组的最小数量以及其它约束条件训练神经网络;S3,训练完毕后,通过编译器产生指令,对加速器的剪枝模式进行配置;S4,然后加速器接收解码后的指令,将输入特征图数据、经过训练压缩后的权重数据、根据训练生成的剪枝模式配置信息、以及经过训练生成的通道选择数据加载至加速器内部的硬件缓存单元中;S5,数据全部加载至硬件内部资源后,加速器开始进行卷积计算,脉动阵列开始工作,最终得到卷积结果。本发明能够在满足脉动阵列SA工作模式,保证其工作效率的前提下,减少了模型的参数量,提高了模型推理的速度。

    一种神经网络的剪枝方法
    3.
    发明公开

    公开(公告)号:CN115374935A

    公开(公告)日:2022-11-22

    申请号:CN202211122342.1

    申请日:2022-09-15

    IPC分类号: G06N3/08 G06N3/063

    摘要: 本发明提出了一种神经网络的剪枝方法,包括以下步骤:S1,根据硬件资源的规模、时序约束、以及先验知识,确定脉动阵列规模,再根据硬件资源的规模、时序约束、以及先验知识、脉动阵列规模,确定最大筛选通道数和过滤器分组的最小数量;S2,将S1得到的最大筛选通道数和过滤器分组的最小数量以及其它约束条件训练神经网络;S3,训练完毕后,通过编译器产生指令,对加速器的剪枝模式进行配置;S4,然后加速器接收解码后的指令,将输入特征图数据、经过训练压缩后的权重数据、根据训练生成的剪枝模式配置信息、以及经过训练生成的通道选择数据加载至加速器内部的硬件缓存单元中;S5,数据全部加载至硬件内部资源后,加速器开始进行卷积计算,脉动阵列开始工作,最终得到卷积结果。本发明能够在满足脉动阵列SA工作模式,保证其工作效率的前提下,减少了模型的参数量,提高了模型推理的速度。

    一种甲状腺术后颈部康复训练装置

    公开(公告)号:CN118001685A

    公开(公告)日:2024-05-10

    申请号:CN202410125313.3

    申请日:2024-01-30

    摘要: 本发明提供了一种甲状腺术后颈部康复训练装置,包括有肩托,肩托上活动设置有颈托,肩托上固定设置有固定壳,固定壳一侧设置有沿其轴线可转动的活动架,固定壳与活动架的连接处设置有第一训练组件,通过第一训练组件对活动架的运动产生阻力,活动架上铰接有连接架,连接架与活动架通过第二训练组件进行连接,第二训练组件对连接架的转动产生阻力;颈托和固定壳通过第三训练组件,颈托可沿其轴线转动,第三训练组件对颈托的运动产生阻力。该装置可通过第一训练组件、第二训练组件和第三训练组件的配合对头颈进行多方位的训练,适应不同的人群使用,以提高颈部的康复效果。

    一种基于患者体验度和诊疗数据双驱动的管理系统及方法

    公开(公告)号:CN118588220A

    公开(公告)日:2024-09-03

    申请号:CN202410671864.X

    申请日:2024-05-28

    IPC分类号: G16H10/20 G16H40/20

    摘要: 一种基于患者体验度和诊疗数据双驱动的管理系统和方法,所述系统包括:实时分析模块,用于基于医疗服务中患者表情构建患者体验度评测模型,通过所述患者体验度评测模型评测得到所述服务的患者体验度;动态预警模块,用于对所述评测得到的患者体验度进行监控,基于监测结果对所述患者体验度进行动态推送,并对所述患者体验度的变化进行动态预警;评估优化模块,用于按预设规则调整优化所述患者体验度评测模型。本发明解决了现有技术中,医疗行业内现行住院患者体验度调查中广泛存在的调查问卷设计科学性低、准确性差,调查采集方式客观性低、真实性差,调查结果分析使用率低、连贯性差,以及人力财力物力成本花费高等问题。

    一种面向多中心场景的医疗数据融合采集方法及系统

    公开(公告)号:CN116936017B

    公开(公告)日:2024-05-24

    申请号:CN202310937662.0

    申请日:2023-07-28

    IPC分类号: G16H10/60 G16H50/70 G16H50/20

    摘要: 本发明公开了医疗数据融合采集技术领域的一种面向医疗场景多中心场景的医疗数据融合采集方法及系统,该系统包括数据用户层、数据接入层和数据汇聚层,通过数据用户层对所属医疗机构内的录入的医疗数据进行抓取并生成通信日志和存储日志,基于医疗数据的类型通过数据接入层与数据汇聚层建立专属的数据通信链路,数据汇聚层对医疗数据内容进行检索后,通过专属的通信链路获取所需医疗数据,并对医疗数据进行校验,将正确的医疗数据通过中心数据库进行存储,并对医疗数据进行备份处理,存储也分为便于快速检索的分布式关系型存储,也存储在分布式文件数据库中。本发明,提高了所采集的医疗数据多样性以及准确性,并避免了医疗数据重复采集的情况。

    一种面向多中心场景的医疗数据融合采集方法及系统

    公开(公告)号:CN116936017A

    公开(公告)日:2023-10-24

    申请号:CN202310937662.0

    申请日:2023-07-28

    IPC分类号: G16H10/60 G16H50/70 G16H50/20

    摘要: 本发明公开了医疗数据融合采集技术领域的一种面向医疗场景多中心场景的医疗数据融合采集方法及系统,该系统包括数据用户层、数据接入层和数据汇聚层,通过数据用户层对所属医疗机构内的录入的医疗数据进行抓取并生成通信日志和存储日志,基于医疗数据的类型通过数据接入层与数据汇聚层建立专属的数据通信链路,数据汇聚层对医疗数据内容进行检索后,通过专属的通信链路获取所需医疗数据,并对医疗数据进行校验,将正确的医疗数据通过中心数据库进行存储,并对医疗数据进行备份处理,存储也分为便于快速检索的分布式关系型存储,也存储在分布式文件数据库中。本发明,提高了所采集的医疗数据多样性以及准确性,并避免了医疗数据重复采集的情况。

    基于联邦学习的输电线路故障辨识方法、装置和电子设备

    公开(公告)号:CN117290756B

    公开(公告)日:2024-04-16

    申请号:CN202311245678.1

    申请日:2023-09-25

    申请人: 重庆大学

    摘要: 本发明涉及一种基于联邦学习的输电线路故障辨识方法、装置和电子设备,包括构建故障类型和故障原因辨识模型的步骤,其包括:在不同地区构建基于卷积神经网络的本地原始识别模型;获取不同地区输电线路的三相故障录波数据;将前述故障数据归一化为一张故障暂态波形图像;将归一化后的图像按照故障类型和故障原因进行分类,同时对小样本类型的故障做Smote过采样处理,生成故障样本集;将相应地区的故障样本集输入对应地区的原始识别模型,并且借助于联邦学习,将部署在各地区的原始识别模型的本地参数进行中心聚合并且将经中心聚合后的参数下发至本地原始识别模型进行训练,获得最终的辨识模型,从而消除不同地区输电线路的故障特征差异对模型的影响。

    一种基于听觉感知的重卡换电机构关键设备故障诊断方法

    公开(公告)号:CN117556243A

    公开(公告)日:2024-02-13

    申请号:CN202311547110.5

    申请日:2023-11-20

    摘要: 本申请涉及一种基于听觉感知的重卡换电机构关键设备故障诊断方法,包括如下步骤:采集齿轮的振动加速度和齿轮实际转速并进行自适应重采样,获取等效定速振动监测信号;将所述等效定速振动监测信号输入滤波器组获取高分辨率语谱图和低分辨率语谱图;使用高分辨率语谱图生成显著性;使用低分辨率语谱图生成耳间强度差特征;对显著性特征矩阵和耳间强度差特征分别进行区域稀疏表达和稀疏表达处理生成联合系数向量,并以联合系数向量的权重分布向量中最大权重值所对应的模式作为故障诊断结果。本发明为重卡换电机械设备故障诊断提供了解决方案,有效缩短电动重卡换电系统维护维修时间,提高整个车队的运营效率,保障车辆安全、可靠运营。

    基于联邦学习的输电线路故障辨识方法、装置和电子设备

    公开(公告)号:CN117290756A

    公开(公告)日:2023-12-26

    申请号:CN202311245678.1

    申请日:2023-09-25

    申请人: 重庆大学

    摘要: 本发明涉及一种基于联邦学习的输电线路故障辨识方法、装置和电子设备,包括构建故障类型和故障原因辨识模型的步骤,其包括:在不同地区构建基于卷积神经网络的本地原始识别模型;获取不同地区输电线路的三相故障录波数据;将前述故障数据归一化为一张故障暂态波形图像;将归一化后的图像按照故障类型和故障原因进行分类,同时对小样本类型的故障做Smote过采样处理,生成故障样本集;将相应地区的故障样本集输入对应地区的原始识别模型,并且借助于联邦学习,将部署在各地区的原始识别模型的本地参数进行中心聚合并且将经中心聚合后的参数下发至本地原始识别模型进行训练,获得最终的辨识模型,从而消除不同地区输电线路的故障特征差异对模型的影响。