会员体验
专利管家(专利管理)
工作空间(专利管理)
风险监控(情报监控)
数据分析(专利分析)
侵权分析(诉讼无效)
联系我们
交流群
官方交流:
QQ群: 891211   
微信请扫码    >>>
现在联系顾问~
热词
    • 71. 发明专利
    • 機械学習器及び組み立て・試験器を備えた生産設備
    • 生产设施配备有机械学习者和组装和测试单元
    • JP6055058B1
    • 2016-12-27
    • JP2015193852
    • 2015-09-30
    • ファナック株式会社
    • 佐々木 拓
    • B23P21/00G05B19/418
    • G06N99/005G06F17/16G06N3/0427G06N5/045
    • 【課題】本発明は、人手による工数を掛けず、回路特性のバラツキが少ない生産設備を提供することを目的とする。 【解決手段】本発明の一実施例に係る生産設備は、機械学習器と、組み立て・試験器と、を備えた生産設備であって、組み立て・試験器が、特性が異なる複数の部品群の中から複数の部品を選択し、選択した複数の部品を使用して製品の組み立てを行い、組み立てた製品の試験を行い、機械学習器が、製品の試験の結果と複数の部品群についての部品の特性毎の在庫量を観測する状態観測部と、試験の結果、及び在庫量に基づいて報酬を計算する報酬計算部と、状態観測部での観測結果、及び報酬計算部での報酬に基づいて行動の価値を判断する人工知能と、人工知能での判断結果に基づいて、次回の製品の組み立てに使用する複数の部品を複数の部品群から選択する意思決定部と、を有することを特徴とする。 【選択図】図1
    • 本发明涉及未经工时手动的,其目的在于提供一种在电路特性的变化是小的生产设备。 根据本发明,机器学习单元,生产设施与组件和测试仪,并装配和测试仪,不同的组件组的特性的一个实施例的制造设备 从正进行的利用多个选定的部件的产品的组装选择的多个部件,进行组装产品的测试中,机器学习单元是结果的一部分和多个测试产品的组件组的 状态观测单元的基础上观察的状态下观察单元针对每个特征的库存量,测试的结果,并用于计算库存,在所观察到的结果补偿的基础上补偿的补偿计算器,和补偿计算单元 其中,所述人工智能来确定行动的值的基础上,在人工智能的确定结果,用于选择多个部件的一个决定单元用于组装由多个部件组的下一个产品,即具有一个碲 到。 点域1
    • 76. 发明公开
    • KNOWLEDGE EXTRACTION FROM A CONVOLUTIONAL NEURAL NETWORK
    • 一类卷积神经网络的知识抽取
    • EP3291146A1
    • 2018-03-07
    • EP17165661.4
    • 2017-04-10
    • FUJITSU LIMITED
    • TOWNSEND, Joseph
    • G06N3/04G06N5/04
    • G06N5/045G06N3/0454
    • After input data has been classified by a convolutional neural network - CNN -, a labelling process is carried out in respect of a convolutional filter of the CNN which contributed directly or indirectly to classification of input data. The labelling process comprises inputting an output of the convolutional filter, and/or an output of a max-pooling filter associated with the convolutional filter, into a filter classifier which employs an input data classification process to assign a label to a feature represented by the convolutional filter. The labelling process is repeated in respect of each individual convolutional filter of the CNN which contributed directly or indirectly to classification of the input data. The CNN is then translated into a neural-symbolic network in association with the assigned labels, and a knowledge extraction method is used to extract from the neural-symbolic network knowledge relating to the classification of the input data by the CNN. A summary, comprising the input data, the classification of the input data assigned by the CNN, and the extracted knowledge, may be generated and output. Alternatively, or in addition, an alert indicating that performance of an action or task, using the extracted knowledge and classified input data, is required may be generated and output
    • 在输入数据被卷积神经网络CNN分类之后,对CNN的卷积滤波器执行标记过程,该卷积滤波器直接或间接地对输入数据的分类作出贡献。 标记过程包括将卷积滤波器的输出和/或与卷积滤波器相关联的最大共享滤波器的输出输入到滤波器分类器中,该滤波器分类器采用输入数据分类过程来将标签分配给由 卷积滤波器。 关于CNN的每个单独的卷积滤波器重复标记过程,其直接或间接地对输入数据的分类作出贡献。 然后将CNN翻译成与所分配的标签相关的神经 - 符号网络,并且使用知识提取方法从神经 - 符号网络中提取与CNN对输入数据分类相关的知识。 可以生成和输出包括输入数据,由CNN分配的输入数据的分类以及提取的知识的总结。 可选地或附加地,可以生成并输出指示使用提取的知识和分类的输入数据来执行动作或任务的警报