您的位置： 专家智库 > >

王培松

作品数：24 被引量：0H指数：0
供职机构：中国科学院自动化研究所更多>>
相关领域：自动化与计算机技术电子电信建筑科学更多>>

合作作者

文献类型

  • 24篇中文专利

领域

  • 7篇自动化与计算...
  • 2篇电子电信
  • 1篇建筑科学

主题

  • 9篇神经网
  • 9篇神经网络
  • 9篇网络
  • 8篇人工智能
  • 7篇卷积
  • 7篇卷积神经网络
  • 6篇图像
  • 4篇图像分类
  • 3篇训练后
  • 3篇支撑管
  • 3篇摄像
  • 3篇摄像头
  • 3篇时间资源
  • 3篇水泵
  • 3篇水帘
  • 3篇喷漆
  • 3篇喷涂
  • 3篇喷涂机
  • 3篇喷涂机器人
  • 3篇潜水泵

机构

  • 24篇中国科学院自...
  • 11篇中国科学院自...

作者

  • 24篇王培松
  • 11篇程健
  • 2篇卢汉清
  • 1篇张一帆

年份

  • 9篇2024
  • 4篇2021
  • 9篇2020
  • 1篇2019
  • 1篇2016
共 24 条 记 录，以下是 1-10
全选 清除 导出
排序方式：
一种人工智能自动避障行走底盘
本发明公开了一种人工智能自动避障行走底盘，包括底盘、数据处理模块、驱动机构、转向机构和两个调节机构，驱动机构包括有两根第一铰接杆、第一转动套筒、驱动电机和两个动力轮，驱动机构的两根第一铰接杆的顶端面分别铰接在底盘的底端面...
胡庆浩王培松李成华辛淼程健
文献传递
用于智能硬件协同控制的提示工程方法、系统及设备
本发明提供一种用于智能硬件协同控制的提示工程方法、系统及设备，其中方法包括：基于环境感知数据确定设备状态，基于用户位置和用户活动信息确定用户所在区域；在存在设备状态改变、用户所在区域改变和用户发出命令中的至少一种的情况下...
辛淼王培松游忠锐程健张一帆梁皓天
大模型微调方法、装置、设备、介质及程序产品
本申请提供一种大模型微调方法、装置、设备、介质及程序产品，涉及人工智能技术领域。所述方法包括：对大模型中的每个自注意力层，构建重参数化因子；重参数化因子的数量为多个；重参数化因子为多头权重；基于重参数化因子，构建静态多头...
胡庆浩 李章明王培松程健
一种人工智能指纹识别用油脂自动清除器
本实用新型公开了一种人工智能指纹识别用油脂自动清除器，包括固定架，固定架上水平对称开设有安装槽，两个安装槽的内部下表面均固定连接有转动座，两个转动座上均转动连接有丝杆，且丝杆横向贯穿于固定架并延伸至固定架的外部，固定架的...
李成华王培松辛淼胡庆浩冷聪
文献传递
基于激活定点拟合的卷积神经网络训练后量化方法及系统
本发明属于数据处理领域，具体涉及了一种基于激活定点拟合的卷积神经网络训练后量化方法及系统，旨在解决现有技术无法通过更加高效的低比特量化方法实现卷积神经网络训练后量化的问题。本发明包括：对原卷积神经网络各层权值矩阵进行低比...
王培松程健
文献传递
一种人工智能自动避障行走底盘
本发明公开了一种人工智能自动避障行走底盘，包括底盘、数据处理模块、驱动机构、转向机构和两个调节机构，驱动机构包括有两根第一铰接杆、第一转动套筒、驱动电机和两个动力轮，驱动机构的两根第一铰接杆的顶端面分别铰接在底盘的底端面...
胡庆浩王培松李成华辛淼程健
文献传递
大模型微调方法、装置、设备、介质及程序产品
本申请提供一种大模型微调方法、装置、设备、介质及程序产品，涉及人工智能技术领域。所述方法包括：对大模型中的每个自注意力层，构建重参数化因子；重参数化因子的数量为多个；重参数化因子为多头权重；基于重参数化因子，构建静态多头...
胡庆浩 李章明王培松程健
图像分类方法及装置
本发明提供一种图像分类方法及装置，所述方法包括：获取目标卷积神经网络，目标卷积神经网络是通过对预训练的卷积神经网络进行优化得到的，预训练的卷积神经网络是根据带有类别标签的图像数据进行训练得到的；将待识别图像输入至目标卷积...
王培松陈天奇程健
一种基于自动化控制的智能喷涂机器人
本发明公开了一种基于自动化控制的智能喷涂机器人，属于喷涂领域。一种基于自动化控制的智能喷涂机器人，包括移动架，所述移动架上固定连接有第一导轨，所述第一导轨上滑动连接有第一移动座，所述第一移动座上固定连接有第一驱动电机，所...
胡庆浩王培松李成华辛淼程健
文献传递
基于大语言模型的强化学习奖励函数生成方法及装置
本申请公开了一种基于大语言模型的强化学习奖励函数生成方法及装置。所述方法包括：获取原始任务描述数据、环境代码数据和提示词调用模板数据；将原始任务描述数据、环境代码数据、初始化提示词模板和代码总结提示词模板输入到预设大语言...
辛淼程健王培松丁煦翟华
全选 清除 导出
共3页<123>
聚类工具0