专利汇可以提供Procédé et dispositif d'extraction d'un sous-ensemble d'objets optimisant une mesure, en utilisant un réseau de neurones专利检索,专利查询,专利分析的服务。并且L'invention concerne un procédé d'extraction d'un sous-ensemble d'objets optimisant une mesure, en utilisant un réseau de neurones, comprenant les étapes suivantes :
une étape de construction d'un réseau de neurones récursif à partir des objets et des relations entre les objets en associant à chaque objet la sortie binaire d'un neurone formel p i (t) ;
une étape d'utilisation d'un procédé d'inhibition afin d'obtenir des sous-ensembles d'objets deux à deux non en relation ou en relation, et de passer d'un sous-ensemble à un autre en essayant d'augmenter la qualité de la solution ;
une étape d'initialisation de la sortie et du potentiel associé à chaque neurone ;
une étape d'exploitation dynamique récursive du réseau ;
une étape de choix parmi les sous-ensembles listés du meilleur par comparaison des qualités.
L'invention conceme également un dispositif d'extraction.,下面是Procédé et dispositif d'extraction d'un sous-ensemble d'objets optimisant une mesure, en utilisant un réseau de neurones专利的具体信息内容。
La présente invention concerne un procédé et un dispositif d'extraction d'un sous-ensemble d'objets optimisant une mesure, en utilisant un réseau de neurones.
Les réseaux neuromimétiques ont largement été étudiés depuis plusieurs années et des applications diverses ont été développées, notamment pour la résolution de problèmes d'optimisation, et de reconnaissance de formes.
Les réseaux neuromimétiques utilisent une information numérique et sont des systèmes qui effectuent des calculs inspirés du comportement des neurones physiologiques. Un modèle neuromimétique est caractérisé par trois constituants de base : un réseau de neurones formels, une règle d'activation et une dynamique d'évolution.
Le réseau est composé d'un ensemble de neurones formels. Un neurone formel est une unité de calcul constituée d'une entrée, appelée potentiel (noté u) et d'une sortie, correspondant à un niveau d'activation numérique (noté p). A chaque instant, le niveau d'activation de chaque neurone est communiqué aux autres neurones. Les neurones sont en effet connectés ensemble par des connexions pondérées, appelées poids synaptiques. Le poids de la connexion entre la sortie du neurone i et l'entrée du neurone j est noté wij. La quantité totale d'activation en entrée uj que le neurone j reçoit des autres neurones à chaque instant est utilisée par ce neurone pour mettre à jour sa sortie. On l'appelle parfois potentiel (ou potentiel d'activation) du neurone j.
La règle d'activation d'un modèle neuromimétique est une procédure locale que chaque neurone suit en mettant à jour son niveau d'activation en fonction du contexte d'activation des autres neurones. La sortie d'un neurone est ainsi donnée par une fonction de transfert non-linéaire appliquée au potentiel. Cette fonction non-linéaire peut être une fonction à seuil, appelée aussi fonction de Mac-Cullogh et Pitts, et définie, pour le neurone i considéré à la date t, par:
La dynamique d'évolution est la règle permettant la mise à jour des neurones. Au départ (t=0), les sorties des neurones sont tirées aléatoirement ( 0 ou 1). Puis le réseau évolue en mettant à jour ses neurones. Pour mettre à jour un neurone i à l'instant t, on calcule son potentiel à cette date ;
La variation de potentiel Δui(t) va correspondre à la dynamique d'évolution. Différents modèles existent dans l'art connu pour définir cette dynamique. Suivant le signe de Δui(t) entre deux mises à jour du neurone i, on dit que le neurone est inhibé (variation de potentiel négative qui tend à mettre la sortie à 0) ou excité (variation de potentiel positive qui tend à mettre la sortie à 1). Si son potentiel est strictement positif, le neurone met sa sortie à 1: il est activé. Si son potentiel est strictement négatif, il met sa sortie à 0: il est désactivé. Si son potentiel est nul, la valeur de la sortie reste inchangée. Ainsi, la sortie du neurone i peut être amenée à changer entre deux mises à jour. On dit que le réseau a convergé si, pour chaque neurone, aucune mise à jour ne modifie le potentiel du neurone.
Le mode de convergence est défini par l'ordre dans lequel sont mis à jour les neurones. Son choix est de grande importance pour la qualité de la convergence. Le mode de convergence peut être :
On va à présent présenter quelques dynamiques d'évolution conçues pour résoudre des problèmes d'optimisation.
Le modèle ayant servi de base aux principaux algorithmes neuronaux d'optimisation est le modèle présenté par J. Hopfield et D. Tank dans l'article intitulé "Neural computation of decizions in optimization problems" (Biological Cybemetics, vol. 52, pages : 141-152, 1985). Ils définissent une fonction énergie E:
Les sorties neuronales Pi sont analogiques, comprises entre 0 et 1, et Ii représente un biais d'entrée. Cette énergie peut être vue comme l'énergie physique d'un système de verres de spins. L'énergie E codant le problème, le problème revient à minimiser cette énergie à la convergence du réseau. J. Hopfield, dans un article intitulé "Neural networks and physical systems with emergent collective computational abilities" (proceedings of the National Academy of Sciences, vol. 79, pages 2554-2558, 1982) démontre (théorème de Hopfield) que:
Ainsi l'énergie va décroître, au cours de l'évolution du système, jusqu'à atteindre un minimum.
Dans l'art antérieur, I'opérateur ajuste des paramètres pour établir des compromis entre la satisfaction des contraintes et l'optimisation de la mesure.
Le procédé de l'invention permet de savoir si une solution est ou n'est pas en relation avec les autres. Cette connaissance garantit à la fois la satisfaction de toutes les contraintes liées à l'applicaiton considérée et l'optimisation de la mesure.
L'objet de l'invention est de proposer un procédé et un dispositif d'extraction d'un sous-ensemble d'objets issus d'un ensemble, deux à deux non en relation ou en relation et optimisant une mesure qui peuvent avantageusement utiliser un réseau neuromimétique original.
L'invention concerne un procédé d'extraction d'un sous-ensemble d'objets, tels que des trajectoires potentielles dans une application de vélocimétrie, optimisant une mesure, en utilisant un réseau de neurones, caractérisé en ce qu'il comprend les étapes suivantes:
Avantageusement, l'étape d'initialisation de la sortie et du potentiel associée à chaque neurone est telle que la sortie et le potentiel associé à chaque neurone vérifient, pour chaque neurone, les conditions suivantes:
pi(t = 0) = 1 ⇔ ui(t = 0) ≧ 0
pi(t = 0) = 0 ⇔ ui(t = 0) ≦ 0
Avantageusement dans le cas de recherche d'objets deux à deux en relation, I'étape d'inititialisation de la sortie et du potentiel associés à chaque neurone est telle que la sortie et le potentiel associé à chaque neurone vérifient, pour chaque neurone, les conditions suivantes:
pi(t = 0) = 1 ⇔ ui(t = 0) ≧ 0
pi(t = 0) = 0 ⇔ ui(t = 0) ≦ 0
Avantageusement l'étape d'exploitation dynamique récursive du réseau comprend une mise à jour de l'ensemble des neurones du réseau dans un certain ordre (par exemple aléatoire ou séquentiel) en considérant simultanément les neurones d'un bloc constitué d'un neurone i (centre) et les neurones j voisins associés aux objets en relation ou respectivement non en relation avec l'objet (neurones j pour lesquels eij = 1, respectivement eij = 0) (on parle de mode de convergence synchrone par bloc). Pour mettre à jour ce bloc, on applique simultanément aux potentiels des divers neurones du bloc des corrections, corrections dépendantes des valeurs des sorties des autres neurones et des relations existant entre les objets, l'expression mathématique de la correction à appliquer au potentiel d'un neurone différant suivant qu'il est considéré comme centre d'un bloc ou comme voisins d'un centre d'un autre bloc. Les corrections sont définies de telle sorte que dès qu'un neurone i est activé, tous les neurones j vérifiant eij = 1 ou respectivement eij = 0 sont désactivés au même instant.
L'invention concerne également un dispositif qui comprend un réseau de neurones comportant:
Ce réseau de neurones s'applique aux procédés de gestion optimale de moyens au cours du temps concernant de façon générale:
Le lexique situé en fin de description fait partie de la description.
Pour faciliter la description on présentera dans la suite le cas où l'on cherche des sous-ensembles deux à deux non en relation. Bien entendu le procédé de l'invention s'applique également à la recherche de sous-ensembles d'objets deux à deux en relation en substituant à la matrice (eij) des relations, la matrice (1-eij).
Le procédé de l'invention comprend plusieurs étapes, illustrées sur la figure 1.
On utilise un réseau de neurones formels et apte à déterminer un sous-ensemble d'objets deux à deux non en relation de qualité maximum, où la qualité est mesurée par une fonction quelconque E({pi}) des sorties des neurones. On a les étapes suivantes:
pi(t) = 1 ⇒ l'objet appartient au sous-ensemble recherché,
pi(t) = 0 ⇒ l'objet n'appartient pas au sous-ensemble recherché;
pi(t = 0) = 1 ⇔ ui(t = 0) ≧ 0
pi(t = 0) = 0 ⇔ ui(t = 0) ≦ 0
Pour mettre à jour ce bloc, on applique simultanément aux potentiels des neurones du bloc des corrections dépendantes des valeurs des sorties des autres neurones et des relations existant entre les objets. L'expression mathématique de la correction à appliquer au potentiel d'un neurone diffère suivant qu'il est considéré comme centre d'un bloc ou comme voisin d'un centre d'un autre bloc.
Les corrections sont définies de telle sorte que dès qu'un neurone i est activé, tous les neurones j vérifiant eij = 1 sont désactivés au même instant.
L'exploitation dynamique génère des sous-ensembles d'objets deux à deux en relation, chacun des sous-ensembles pouvant être associé à un maximum local de la fonction qualité.
A chaque fois que le réseau a convergé, on obtient après décodage des sorties des neurones, un sous-ensemble d'objets deux à deux non en relation maximisant (localement) la fonction qualité. On mémorise chacun de ces sous-ensembles. Globalement on obtient une liste de sous-ensembles solutions.
On met à jour le "bloc" de neurones ( i et les neurones j en relation avec i) correspondant de façon synchrone (tous les neurones du bloc sont mis à jour simultanément) en considérant le neurone i comme "centre" du bloc et les neurones j comme "voisins" du centre.
L'exploitation dynamique consiste donc à balayer l'ensemble des blocs de neurones dans un certain ordre (dynamique asynchrone) et à mettre à jour les neurones de chaque bloc de manière synchrone: on parle de dynamique synchrone par bloc ou bloc-synchrone.
Elle diffère suivant que le neurone dont on veut corriger le potentiel est considéré comme centre d'un bloc ou comme voisin d'un autre centre.
Quand on considère un bloc de neurone de centre i et de voisins V={j} (pour tout j dans V, eij=1)à la date t, on regarde si le neurone i est activé ou non:
- un terme qui a pour but d'exciter le neurone i, s'il est désactivé, avec une certaine probabilité en fonction de la valeur de
Si le réseau a été mis à jour moins d'un certain nombre de fois depuis la dernière convergence, alors on applique une inhibition pour essayer d'augmenter, à la convergence suivante, la qualité du sous-ensemble d'objets déterminé lors de la dernière convergence du réseau. Autrement un procédé d'interruption stoppe la prise en compte de cette inhibition.
Par exemple, cette inhibition peut consister à:
Globalement, le réseau alterne des phases de pulsation (quand cette dernière inhibition est prise en compte) et des phases de relaxation (quand le procédé d'interruption stoppe la prise en compte de l'inhibition). Au cours de la phase de relaxation, le réseau converge. Une fois que le réseau a convergé, on applique à nouveau une inhibition (phase de pulsation). On alterne ainsi des phases de pulsation et de relaxation un certain nombre de fois, fixé par l'utilisateur (en fonction du temps qu'il a pour trouver une solution, de la qualité de la solution qu'il recherche). A l'issue de chaque phase de relaxation, c'est-à-dire à chaque convergence, les neurones dont la sortie vaut 1 codent un sous-ensemble d'objets deux à deux non en relation.
Avantageusement on borne le potentiel de chaque neurone entre deux valeurs fixées par l'utilisateur pour accélérer la convergence. Par exemple:
La figure 3 donne un dispositif associé à ce réseau de neurones en phase de relaxation. Ce réseau comprend:
Dans le cas d'un dispositif numérique, ces différents éléments sont connectés (directement ou indirectement) à une horloge.
Un objet est une trajectoire potentielle dans une application de vélocimétrie.
Un neurone i est défini par un potentiel ui et par une sortie binaire pi. Quand, au cours de l'exploitation dynamique du réseau, le neurone est considéré à la date t, alors:
si ui(t + 1) > 0 alors pi(t + 1) = 1
si ui(t + 1) < 0 alors pi(t + 1) = 0
Expression de l'incompatibilité de deux trajectoires potentielles dans une application de vélocimétrie.
On a un ensemble d'objets dont on cherche à extraire un sous-ensemble vérifiant une certaine propriété basée sur des relations entre les objets. Considérés deux par deux, il existe ou non une relation (issue d'une application) entre les objets.
Si un objet i est en relation avec un objet j, alors eij = 1. Sinon eij = 0.(eij) est la matrice des relations entre les objets.
Remarque Le procédé est équivalent à rechercher le sous-ensemble d'objets maximisant la mesure E. Il suffit pour cela de considérer la matrice (1- eij) et d'utiliser le procédé décrit dans la présente invention.
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
用于视频理解的使用基于运动的注意力的递归网络 | 2020-05-12 | 165 |
一种实时表情捕捉方法和系统 | 2020-05-14 | 145 |
一种交通数据预测方法、装置及交通工具控制方法 | 2020-05-08 | 370 |
基于Gist特征提取与概念机递归神经网络的图像分类方法 | 2020-05-16 | 848 |
一种基于人工神经元网络的SQL漏洞检测方法 | 2020-05-13 | 971 |
病毒检测方法、装置、计算机可读存储介质和计算机设备 | 2020-05-13 | 201 |
一种人机交互方法、装置、终端设备及可读存储介质 | 2020-05-11 | 819 |
基于AR2 U-Net神经网络的快速磁共振成像方法 | 2020-05-12 | 602 |
用于各种计算机应用程序的机器学习系统 | 2020-05-13 | 567 |
球类运动模拟方法、装置、存储介质及电子设备 | 2020-05-15 | 242 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。