買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網獲悉浪潮企業(yè)云科技(山東)有限公司申請的專利一種圖形特征識別方法及裝置獲國家發(fā)明授權專利權，本發(fā)明授權專利權由國家知識產權局授予，授權公告號為：CN120318656B 。

龍圖騰網通過國家知識產權局官網在2025-09-23發(fā)布的發(fā)明授權授權公告中獲悉：該發(fā)明授權的專利申請?zhí)?專利號為：202510804488.1，技術領域涉及：G06V10/82；該發(fā)明授權一種圖形特征識別方法及裝置是由劉傲;王臻;李志華;宋晨旭設計研發(fā)完成，并于2025-06-17向國家知識產權局提交的專利申請。

本一種圖形特征識別方法及裝置在說明書摘要公布了：本發(fā)明提供一種圖形特征識別方法及裝置，涉及圖像識別技術領域，可以提升模型在面對未知數據時輸出識別結果的準確性。本發(fā)明提供了一種圖形特征識別方法，包括：建立全連接神經網絡；其中，全連接神經網絡包括特征、特征概率、激活函數以及損失函數；將全連接神經網絡的傳遞過程中的確定權重，調整為概率分布的不確定性權重；基于不確定性權重，進行多次預測訓練，獲得學習權重集合；基于學習權重集合，計算預測的期望值和分布；基于輸入的檢測數據以及預測的期望值和分布，獲得檢測數據的輸出結果；基于損失函數以及檢測數據的輸出結果，調整全連接神經網絡的不確定性權重，獲得圖形特征識別模型；基于圖形特征識別模型，進行圖形特征識別。

本發(fā)明授權一種圖形特征識別方法及裝置在權利要求書中公布了：1.一種圖形特征識別方法，其特征在于，包括： 建立全連接神經網絡；其中，所述全連接神經網絡包括特征、特征概率、激活函數以及損失函數； 將所述全連接神經網絡的傳遞過程中的確定權重，調整為概率分布的不確定性權重； 基于不確定性權重，進行多次預測訓練，獲得學習權重集合； 基于學習權重集合，計算預測的期望值和分布； 基于輸入的檢測數據以及預測的期望值和分布，獲得檢測數據的輸出結果； 基于損失函數以及檢測數據的輸出結果，調整全連接神經網絡的不確定性權重，獲得圖形特征識別模型； 基于圖形特征識別模型，進行圖形特征識別； 將所述全連接神經網絡的傳遞過程中的確定權重，調整為概率分布的不確定性權重，包括： 將所述全連接神經網絡的傳遞過程中的確定權重，調整為概率分布的不確定性權重：PW|X，Y；其中，X表示訓練數據，Y表示真實標簽，W表示神經網絡權重，PW|X，Y表示當給定訓練數據X和真實標簽Y時，神經網絡權重W的可信度； 基于不確定性權重，進行多次預測訓練，獲得學習權重集合，包括： 基于不確定性權重，對訓練數據進行多次預測訓練；其中，每次預測均基于當前的神經網絡權重進行；其中，所述訓練數據通過采樣獲得； 基于多次預測訓練，獲得全連接神經網絡在不同訓練迭代次數下的學習權重集合；其中，所述學習權重集合中的每個所述學習權重對應不同訓練迭代次數的狀態(tài)； 基于學習權重集合，計算預測的期望值和分布，包括： 基于獲得的不同學習權重，對同一訓練數據進行多次預測，獲得多次預測結果； 將所述多次預測結果進行加權平均或算術平均，計算得出預測的期望值； 統(tǒng)計多次預測結果的期望值的分布情況，獲得預測的分布；其中，所述分布情況包括預測值的出現(xiàn)頻率、范圍及波動情況； 基于輸入的檢測數據以及預測的期望值和分布，獲得檢測數據的輸出結果，包括： 將輸入的檢測數據進行編碼，提取檢測數據的局部特征；其中，每個所述局部特征包括局部語義和存在概率； 基于高斯混合函數反向學習所述局部特征，獲得聚類權重； 基于所述聚類權重，構成狄利克雷函數分布； 基于所述聚類權重和所述狄利克雷函數分布，獲得檢測數據的輸出結果； 基于損失函數以及檢測數據的輸出結果，調整全連接神經網絡的不確定性權重，獲得圖形特征識別模型，包括： 基于所述損失函數，計算檢測數據的輸出結果的評價結果； 基于所述評價結果調整全連接神經網絡的不確定性權重，獲得圖形特征識別模型； 建立全連接神經網絡，包括： 當全連接神經網絡應用于分類問題時，設定激活函數為： 公式一中，zi表示第i個神經元的原始輸出值，K表示分類任務的類別總數，表示對原始輸出取指數，表示對所有類別的指數輸出求和； 損失函數為： 公式二； 公式二中，yi表示第i個類別的真實標簽，pi表示模型對第i個類別的預測概率，K表示分類任務的類別總數； 建立全連接神經網絡，包括： 當全連接神經網絡應用于回歸問題時，設定激活函數為： μ＝Zμ公式三； σ＝expzσ公式四； 公式三和公式四中，Zμ表示全連接神經網絡最后一層輸出的原始值，μ表示模型預測的均值，zσ表示全連接神經網絡另一分支輸出的原始值，expzσ表示將zσ轉換為正數；σ表示模型預測的標準差； 損失函數為： -logNy|μ,σ2公式五； 公式五中，y表示觀測到的真實值，μ表示模型預測的均值，σ表示模型預測的標準差，Ny|μ,σ2表示在均值為μ，方差為σ2的正態(tài)分布下，觀測到真實值y的概率密度； 建立全連接神經網絡，包括： 設定特征集合； 對特征集合中的特征進行量化定義，并確定每種特征的概率；其中，經過所述全連接神經網絡計算后，特征集合中的特征之和為預設數值。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯(lián)系本專利的申請人或專利權人浪潮企業(yè)云科技(山東)有限公司，其通訊地址為：250000 山東省濟南市高新區(qū)浪潮路1036號浪潮科技園S02號樓22層；或者聯(lián)系龍圖騰網官方客服，聯(lián)系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。