专利汇可以提供Procédé et dispositif d'extraction d'un plus grand sous-ensemble d'objets, utilisant un réseau de neurones专利检索,专利查询,专利分析的服务。并且La présente invention conceme un procédé d'extraction d'un plus grand sous-ensemble d'objets, 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'interruption afin d'obtenir des sous-ensembles d'objets deux à deux non en relation tels que chaque sous-ensemble trouvé ne peut pas être inclus dans un plus grand. On passe d'un sous-ensemble à un autre en essayant d'augmenter sa taille ;
une étape d'initialisation de la sortie et du potentiel de chaque neurone ;
une étape d'exploitation dynamique récursive du réseau ;
une étape de choix parmi les sous-ensembles listés du plus grand par comparaison des tailles.
L'invention conceme également un dispositif d'extraction.,下面是Procédé et dispositif d'extraction d'un plus grand sous-ensemble d'objets, 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 plus grand sous-ensemble d'objets, 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 réseau 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 la maximisation de la taille.
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'application considérée et la maximisation de la taille.
L'objet de l'invention est de proposer un procédé et un dispositif d'extraction du plus grand sous-ensemble d'objets issus d'un ensemble d'objets en relation et deux à deux non en relation ou en relation qui peuvent avantageusement utiliser un réseau neuromimétique original.
L'invention concerne un procédé d'extraction d'un plus grand sous-ensemble d'objets, tels que des trajectoires potentielles dans une application de vélocimétrie, en utilisant un réseau de neurones caractérisé en ce qu'il comprend 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 ;
Avantageusement l'étape d'exploitation dynamique récursive du réseau comprend une mise à jour asynchrone (par exemple aléatoire ou séquentielle) de l'ensemble des neurones du réseau, en balayant les neurones les uns après les autres en appliquant à leur potentiel une correction préalablement calculée, correction dépendant des valeurs des sorties des autres neurones et des relations existant entre les objets de telle manière que globalement, après décodage des sorties des neurones, l'on obtient une liste de sous-ensembles d'objets deux à deux non en relation, chacun de ces sous-ensembles ne pouvant être inclus dans un plus grand.
L'invention concerne également un dispositif qui comporte un réseau de neurones qui comprend :
ces trois circuits de calculs étant reliés aux sorties des deux premières mémoires et à la sortie du circuit de choix d'un entier ;
Avantageusement ce réseau de neurones s'applique :
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 comme le nombre d'objets dans le sous-ensemble trouvé. 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 ;
Le dispositif illustré à la figure 4 correspond au rectangle 10 en pointillés sur la figure 1.
Cette exploitation dynamique récursive est illustrée à la figure 2.
On détermine la correction à appliquer au potentiel ui d'un neurone i à une date t. Elle est donnée par une combinaison linéaire de deux termes :
eij=1 si les objets i et j sont en relation
eij=0 si les objets i et j ne sont pas en relation
h: R→{0,1}
x→h(x)=1 si x=0
= 0 si x≠0
ou :
x→h(x)=1 si x=0
= 0 si x≠0
Autrement, un procédé d'interruption stoppe la prise en compte de cette excitation. Cette excitation peut s'écrire sous la forme :
Par exemple :
où:
δ retourne 1 si le réseau de neurones a été mis à jour moins d'un certain nombre de fois fixé depuis la dernière convergence,
1 retoume 1 si N-deg(i) est supérieur à la plus grande taille des sous-ensembles d'objets trouvés jusqu'à la date t;
0 sinon.
Le réseau alterne donc des phases de pulsation (quand cette dernière excitation est prise en compte) et des phases de relaxation (quand le procédé d'interruption stoppe la prise en compte de l'excitation). Au cours de la phase de relaxation, le réseau converge. Une fois que le réseau a convergé, on applique à nouveau une excitation (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 (à la convergence), les neurones dont la sortie vaut 1 codent un sous-ensemble d'objets deux à deux non en relation.
D'une façon générale, les équations de variation de potentiels peuvent s'écrire, pour tout i appartenant à {1,N} :
où A, B et C sont des réels positifs. Avantageusement, on prend A=B=C=1.
Avantageusement on borne le potentiel de chaque neurone entre deux valeurs fixées par l'utilisateur pour accélérer la convergence. Par exemple :
La figure 3 illustre un neurone i. La figure 4 donne le réseau de neurones associé au dispositif de mise en oeuvre du procédé de l'invention.
Ce réseau comprend :
ces trois circuits de calculs étant reliés aux sorties des deux premières mémoires ;
Dans le cas d'un dispositif numérique, ce réseau comprend également une horloge reliée à tous les éléments (directement ou indirectement) du dispositif.
Le réseau de neurones évolue en mode asynchrone : un neurone est mis à jour à la fois.
On peut démontrer qu'un réseau de neurones ainsi défini converge (c'est-à-dire qu'il existe une date t pour laquelle ∀i,∀t'>t,Δui(t')=0); en mode asynchrone à l'issue de chaque phase de relaxation et qu'à la convergence, les objets associés aux neurones activés sont deux à deux non en relation.
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 plus grand sous-ensemble d'objets en relation. Il suffit pour cela de considérer la matrice en relation (1-eij) et d'utiliser le procédé décrit dans la présente invention.
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种对大气污染物浓度的预测调控方法及系统 | 2020-05-08 | 540 |
基于知识图谱的用户用车体验调研方法、系统和云服务器 | 2020-05-15 | 861 |
一种基于大数据的产业链分析系统及方法 | 2020-05-08 | 445 |
用于对电梯系统进行健康监测的就地系统 | 2020-05-11 | 934 |
人脸关键点定位方法及装置 | 2020-05-14 | 949 |
一种基于多种实体注意力和改进预训练语言模型的药物间关系抽取方法 | 2020-05-11 | 936 |
一种基于深度学习的DDOS检测方法 | 2020-05-12 | 72 |
一种基于细胞神经网络的图像多尺度特征提取方法 | 2020-05-12 | 460 |
考虑气象因素的精细化短期负荷预测方法、装置及介质 | 2020-05-12 | 734 |
一种设置空调参数的方法和装置 | 2020-05-15 | 928 |
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。