【CN110352297A】机器学习装置【专利】
机器学习装置[发明专利]
![机器学习装置[发明专利]](https://img.taocdn.com/s3/m/f4d0826602d276a201292ecf.png)
专利名称：机器学习装置
专利类型：发明专利
发明人：小久保嘉人,末次惠久,足立淳,上田康贵申请号：CN202010553059.9
申请日：20200617
公开号：CN112101513A
公开日：
20201218
专利内容由知识产权出版社提供
摘要：本发明提高学习模型的反馈效率。
实施方式的机器学习装置具备：推断部，基于学习模型，针对学习用的数据所包含的要素，按照对要素进行分类的多个类别中的每个类别，推断表示被分类到该类别的可能性的似然；损失值计算部，基于规定的损失函数和由推断部推断出的每个类别的似然，计算表示似然的错误的程度的损失值；权重计算部，基于按照每个类别计算出的似然中的、应将要素分类为真的第一类别的第一似然与不应将要素分类为真的其它类别的第二似然的比较结果来计算权重；以及机器学习部，基于损失值和权重，使学习模型机器学习。
申请人：爱信精机株式会社
地址：日本爱知县
国籍：JP
代理机构：北京集佳知识产权代理有限公司
更多信息请下载全文后查看。
一种机器学习应用的提供方法、装置、电子设备及存储介质[发明专利]
![一种机器学习应用的提供方法、装置、电子设备及存储介质[发明专利]](https://img.taocdn.com/s3/m/d503b5cd05a1b0717fd5360cba1aa81145318f72.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010315660.4(22)申请日 2020.04.20(71)申请人 第四范式（北京）技术有限公司地址 100085 北京市海淀区上地东路35号颐泉汇大厦写字楼A座610室(72)发明人 徐昀 唐继正 李琦 张世健 (74)专利代理机构 北京市广友专利事务所有限责任公司 11237代理人 祁献民(51)Int.Cl.G06N 20/00(2019.01)(54)发明名称一种机器学习应用的提供方法、装置、电子设备及存储介质(57)摘要本发明实施例公开一种机器学习应用的提供方法、装置、电子设备及存储介质，涉及人工智能技术领域，便于用户较快掌握机器学习产品的操作。
所述方法包括：在显示屏上的第一显示位置显示学习圈图像；接收用户通过配置操作入口输入的、与所述步骤对应的配置信息；将所述学习圈图像自所述显示屏上的第一显示位置移动至第二显示位置，在所述第二显示位置，所述学习圈图像至少有部分显示在所述显示屏中，且在显示的至少部分的学习圈图像中提供有所述机器学习的步骤的标识信息；基于与所述步骤对应的配置信息，依次执行各所述机器学习的步骤，以获取并提供所述机器学习应用。
本发明适用于机器学习产品。
权利要求书2页 说明书14页 附图6页CN 111931942 A 2020.11.13C N 111931942A1.一种机器学习应用的提供方法，其特征在于，包括：在显示屏上的第一显示位置显示学习圈图像，其中，所述学习圈图像中提供有机器学习的步骤的标识信息，且所述学习圈图像的侧部显示有与所述步骤对应的配置操作入口；接收用户通过所述配置操作入口输入的、与所述步骤对应的配置信息；如果接收到用户下发的学习圈启动指令，将所述学习圈图像自所述显示屏上的第一显示位置移动至第二显示位置，在所述第二显示位置，所述学习圈图像至少有部分显示在所述显示屏中，且在显示的至少部分的学习圈图像中提供有所述机器学习的步骤的标识信息；基于与所述步骤对应的配置信息，依次执行各所述机器学习的步骤，以获取并提供所述机器学习应用。
控制装置和机器学习装置[发明专利]
![控制装置和机器学习装置[发明专利]](https://img.taocdn.com/s3/m/5aee1c14700abb68a882fbd1.png)
专利名称：控制装置和机器学习装置专利类型：发明专利
发明人：林晃市郎
申请号：CN201910231497.0
申请日：20190326
公开号：CN110355751A
公开日：
20191022
专利内容由知识产权出版社提供
摘要：本发明提供一种控制装置和机器学习装置。
该机器学习装置具备能够根据机器人的目标轨迹推定应该对该机器人的各轴指令的指令数据的通用的控制装置，学习与机器人的轨迹数据对应的应该对该机器人具备的轴进行指令的指令数据的推定。
机器学习装置具备：轴角度变换部，其根据轨迹数据，计算出机器人所具备的轴的轴角度的变化量；状态观测部，其观测与机器人所具备的轴的轴角度的变化量相关的轴角度数据，作为表示环境的当前状态的状态变量；标签数据取得部，其取得与针对机器人所具备的轴的指令数据相关的轴角度指令数据作为标签数据；学习部，其使用状态变量和标签数据，将机器人所具备的轴的轴角度的变化量与针对该轴的指令数据关联起来进行学习。
申请人：发那科株式会社
地址：日本山梨县
国籍：JP
代理机构：北京银龙知识产权代理有限公司
更多信息请下载全文后查看。
机器学习装置、机器学习系统以及机器学习方法[发明专利]
![机器学习装置、机器学习系统以及机器学习方法[发明专利]](https://img.taocdn.com/s3/m/a265097432687e21af45b307e87101f69e31fb0f.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201810975958.0(22)申请日 2018.08.24(30)优先权数据2017-163734 2017.08.28 JP(71)申请人 发那科株式会社地址 日本山梨县(72)发明人 久保嘉孝 (74)专利代理机构 北京银龙知识产权代理有限公司 11243代理人 范胜杰 文志(51)Int.Cl.B23K 26/70(2014.01)B23K 26/064(2014.01)B23K 26/38(2014.01)G01M 11/00(2006.01)(54)发明名称机器学习装置、机器学习系统以及机器学习方法(57)摘要本发明涉及一种机器学习装置、机器学习系统以及机器学习方法，在考虑了光学部件的用途的基础上进行光学部件的良好与否判定。
机器学习装置(10)具备：状态观测单元(11)，其取得拍摄光学部件(21)而得到的图像数据和与上述光学部件(21)的用途相关的数据来作为输入数据；标签取得单元(12)，其取得与上述光学部件(21)的良好与否判定相关的评价值来作为标签；以及学习单元(13)，其将上述状态观测单元(11)取得的输入数据与上述标签取得单元(12)取得的标签的组合作为训练数据来进行有监督学习，由此构筑用于判定上述光学部件(21)的良好与否的学习模型。
权利要求书2页 说明书11页 附图6页CN 109420859 A 2019.03.05C N 109420859A1.一种机器学习装置，其特征在于，具备：状态观测单元，其取得拍摄光学部件而得到的图像数据以及与上述光学部件的用途相关的数据来作为输入数据；标签取得单元，其取得与上述光学部件的良好与否的判定相关的评价值来作为标签；以及学习单元，其将上述状态观测单元取得的输入数据和上述标签取得单元取得的标签的组合作为训练数据来进行有监督学习，由此构筑用于进行上述光学部件的良好与否的判定的学习模型。
一种深度学习装置及深度学习应用方法[发明专利]
![一种深度学习装置及深度学习应用方法[发明专利]](https://img.taocdn.com/s3/m/00f7cc2354270722192e453610661ed9ac515577.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010888429.4(22)申请日 2020.08.28(71)申请人 济南浪潮高新科技投资发展有限公司地址 250104 山东省济南市高新区孙村镇科航路2877号研发楼一楼(72)发明人 尹青山 李锐 金长新 (74)专利代理机构 北京集佳知识产权代理有限公司 11227代理人 王雨(51)Int.Cl.G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称一种深度学习装置及深度学习应用方法(57)摘要本发明公开了一种深度学习装置及深度学习应用方法，模型库包括多个分别执行不同学习任务的深度学习模型，深度学习模型被封装为页面可视化组件，操作装置用于根据用户对页面可视化组件的操作编排出以页面可视化组件构成的拓扑图，执行装置用于根据拓扑图所定义的规则调用页面可视化组件对应的深度学习模型，对输入数据进行处理。
用户根据应用需求选择和操作页面可视化组件，编排出拓扑图，根据拓扑图调用对应的深度学习模型对输入数据进行处理，就可实现对输入数据进行所需要的深度学习任务。
应用本装置及本深度学习应用方法降低了深度学习的使用难度，更方便用户对目标数据进行深度学习，能够快速形成深度学习的应用。
权利要求书1页 说明书5页 附图2页CN 112036548 A 2020.12.04C N 112036548A1.一种深度学习装置，其特征在于，包括：模型库，包括多个分别执行不同学习任务的深度学习模型；操作装置，用于根据用户对页面可视化组件的操作编排出以所述页面可视化组件构成的拓扑图，所述模型库包括的所述深度学习模型被封装为所述页面可视化组件；执行装置，用于根据所述拓扑图所定义的规则调用所述页面可视化组件对应的深度学习模型，对输入数据进行处理。
2.根据权利要求1所述的深度学习装置，其特征在于，具体包括：将不同的所述深度学习模型分别部署在不同的应用容器中，以组建成所述模型库。
一种机器学习可解释方法、装置及存储介质[发明专利]
![一种机器学习可解释方法、装置及存储介质[发明专利]](https://img.taocdn.com/s3/m/b2ad54b170fe910ef12d2af90242a8956becaaa8.png)
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202011241293.4(22)申请日 2020.11.09(71)申请人 联想（北京）有限公司地址 100085 北京市海淀区上地西路6号2幢2层201-H2-6(72)发明人 师圣 杜杨洲 范伟 (74)专利代理机构 北京乐知新创知识产权代理事务所(普通合伙) 11734代理人 周伟(51)Int.Cl.G06N 20/00(2019.01)G06K 9/62(2006.01)(54)发明名称一种机器学习可解释方法、装置及存储介质(57)摘要本发明公开了一种机器学习可解释方法、装置及计算机可读存储介质，首先获取待解释样本；再基于所述待解释样本的特征相关性对所述待解释样本进行采样，得到包括若干采样值的采样集；接着利用所述若干采样值进行模型训练，得到可解释模型；最后利用所述可解释模型对所述待解释样本进行解释，得到解释结果。
权利要求书2页 说明书7页 附图5页CN 112561074 A 2021.03.26C N 112561074A1.一种机器学习可解释方法，其特征在于，所述方法包括：获取待解释样本；基于所述待解释样本的特征相关性对所述待解释样本进行采样，得到包括若干采样值的采样集；利用所述若干采样值进行模型训练，得到可解释模型；利用所述可解释模型对所述待解释样本进行解释，得到解释结果。
2.根据权利要求1所述的方法，其特征在于，所述待解释样本包括如下数据类型至少之一：图像数据、自然语言及结构化数据。
3.根据权利要求1所述的方法，其特征在于，利用所述若干采样值进行模型训练，得到可解释模型，包括：对所述若干采样值进行线性拟合，得到线性模型；相应的，利用所述可解释模型对所述待解释样本进行解释，包括：通过分类器得到所述待解释样本的分类结果；利用所述线性模型对所述分类结果的进行解释。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述待解释样本为原始图像；基于所述待解释样本的特征相关性对所述待解释样本进行采样，得到包括若干采样值的采样集，包括：对原始图像进行图像分割，得到超像素块图像；将超像素块图像转化为无向图；寻找所述无向图中的所有团，所述团为无向图中的一个子集，且所述子集中的任意两个顶点都有边相连。
【CN110347120A】控制装置以及机器学习装置【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910261940.9(22)申请日 2019.04.02(30)优先权数据2018-071021 2018.04.02 JP(71)申请人 发那科株式会社地址 日本山梨县(72)发明人 黑川友矶 (74)专利代理机构 北京银龙知识产权代理有限公司 11243代理人 曾贤伟 郝庆芬(51)Int.Cl.G05B 19/4155(2006.01)(54)发明名称控制装置以及机器学习装置(57)摘要本发明提供一种控制装置以及机器学习装置。
控制装置具备机器学习装置，该机器学习装置学习控制机器人进行毛刺去除加工时的加工条件。
该机器学习装置观测包括表示工件形状或者材质的工件信息、表示毛刺形状或者位置的毛刺信息、以及表示刀具种类的刀具信息、刀具进给速度及刀具旋转速度的加工条件，作为表示环境的当前状态的状态变量，另外，取得表示毛刺去除加工的评价结果的判定数据。
然后，使用观测到的状态变量和取得的判定数据，将加工条件与工件信息以及毛刺信息关联起来进行学习。
权利要求书1页 说明书10页 附图11页CN 110347120 A 2019.10.18C N 110347120A权 利 要 求 书1/1页CN 110347120 A1.一种控制装置，其控制进行从工件去除毛刺的毛刺去除加工的机器人，其特征在于，所述控制装置具备机器学习装置，该机器学习装置学习进行所述毛刺去除加工时的加工条件，所述机器学习装置具备：状态观测部，其观测所述加工条件作为表示环境的当前状态的状态变量，所述加工条件包括表示所述工件的形状和材质的至少一方的工件信息、表示所述毛刺的形状和位置的至少一方的毛刺信息、以及表示刀具的种类的刀具信息、所述刀具的进给速度及所述刀具的旋转速度；判定数据取得部，其取得表示所述毛刺去除加工的评价结果的判定数据；以及学习部，其使用所述状态变量和所述判定数据，将所述加工条件与所述工件信息及所述毛刺信息关联起来进行学习。
【CN110376965A】机器学习装置、控制装置以及机器学习方法【专利】
(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910285449.X(22)申请日 2019.04.10(30)优先权数据2018-077558 2018.04.13 JP(71)申请人 发那科株式会社地址 日本山梨县(72)发明人 筱田翔吾 恒木亮太郎 (74)专利代理机构 北京银龙知识产权代理有限公司 11243代理人 曾贤伟 范胜杰(51)Int.Cl.G05B 19/408(2006.01)(54)发明名称机器学习装置、控制装置以及机器学习方法(57)摘要本发明提供机器学习装置、控制装置以及机器学习方法。
在机床、机器人或工业机械等的动作不稳定时，机器学习装置不会对使动作不稳定的校正量进行机器学习。
针对具有至少一个反馈环、生成施加给反馈环的校正量的校正生成部、以及检测所述伺服电动机的异常动作的异常检测部的伺服控制装置，进行校正生成部的校正量的最佳化有关的机器学习，所述伺服控制装置对驱动机床、机器人或工业机械的轴的伺服电动机进行控制，在机器学习动作过程中，当异常检测部检测出异常时，停止来自校正生成部的校正，继续所述校正生成部生成的校正量的最佳化。
权利要求书2页 说明书23页 附图11页CN 110376965 A 2019.10.25C N 110376965A权 利 要 求 书1/2页CN 110376965 A1.一种机器学习装置，其针对具有至少一个反馈环、生成施加给该反馈环的校正量的校正生成部、以及检测伺服电动机的异常动作的异常检测部的伺服控制装置，进行所述校正生成部的校正量的最佳化有关的机器学习，所述伺服控制装置对驱动机床、机器人或工业机械的轴的所述伺服电动机进行控制，其特征在于，在机器学习动作过程中，在所述伺服控制装置中当所述异常检测部检测出异常时停止来自所述校正生成部的校正，在所述机器学习装置中继续所述校正生成部生成的校正量的最佳化。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201980001105.X (22)申请日 2019.02.05
(30)优先权数据
2018-018425 2018.02.05 JP 2018-216766 2018.11.19 JP 2018-216850 2018.11.19 JP (85)PCT国际申请进入国家阶段日
2019.07.18(86)PCT国际申请的申请数据
PCT/JP2019/004080 2019.02.05(87)PCT国际申请的公布数据
WO2019/151536 JA 2019.08.08(71)申请人 丰田自动车株式会社
地址 日本爱知县丰田市(72)发明人 北川荣来 江原雅人
(74)专利代理机构 中原信达知识产权代理有限
责任公司 11219
代理人 任天诺 高培培(51)Int.Cl.
F02D 45/00(2006.01)G05B 11/36(2006.01)G06N 3/08(2006.01)
(54)发明名称
机器学习装置(57)摘要
即使运转参数的值为预先设定的范围外，也能够得到合适的输出值。
在用于使用神经网络来输出相对于机器的运转参数的值的输出值的机
器学习装置中，
在机器的运转参数的值为预先设定的范围外时，增大神经网络的输出层的前一个隐藏层的节点的个数，使用对新取得的机器的运转参数的值通过实测而得到的训练数据，以使根据机器的运转参数的值而变化的输出值与对应于机器的运转参数的值的训练数据之差变小的
方式学习神经网络的权重。
权利要求书5页 说明书31页 附图28页
CN 110352297 A 2019.10.18
C N 110352297
A
权 利 要 求 书1/5页CN 110352297 A
1.一种机器学习装置，用于使用神经网络来输出相对于机器的运转参数的值的输出值，其中，
预先设定有与上述机器相关的特定类别的运转参数的值的范围，并且预先设定有与上述机器相关的特定类别的运转参数的值的范围所对应的神经网络的隐藏层的节点的个数，在新取得的与上述机器相关的特定类别的运转参数的值为预先设定的范围外时，使神经网络的输出层的前一个隐藏层的节点的个数增大，使用对新取得的与上述机器相关的特定类别的运转参数的值通过实测而得到的训练数据及对该预先设定的范围内的上述机器的运转参数的值通过实测而得到的训练数据来学习神经网络的权重，使用学习了权重的神经网络来输出相对于与上述机器相关的特定类别的运转参数的值的输出值。
2.根据权利要求1所述的机器学习装置，
具备电子控制单元，
该电子控制单元具备：
参数值取得部，取得与上述机器相关的特定类别的运转参数的值；
运算部，使用包含输入层、隐藏层及输出层的神经网络来进行运算；及
存储部，
与上述机器相关的特定类别的运转参数的值被向输入层输入，根据与上述机器相关的特定类别的运转参数的值而变化的输出值被从输出层输出，其中，
预先设定有与上述机器相关的特定类别的运转参数的值的范围，并且预先设定有与上述机器相关的特定类别的运转参数的值的范围所对应的神经网络的隐藏层的节点的个数，对该预先设定的范围内的与上述机器相关的特定类别的运转参数的值通过实测而事先求出的训练数据存储于存储部，
在新取得的与上述机器相关的特定类别的运转参数的值为预先设定的范围内时，使用对新取得的与上述机器相关的特定类别的运转参数的值通过实测而得到的训练数据，利用该运算部，以使根据新取得的与上述机器相关的特定类别的运转参数的值而变化的输出值与对新取得的与上述机器相关的特定类别的运转参数的值通过实测而得到的训练数据之差变小的方式学习神经网络的权重，
在由该参数值取得部新取得的与上述机器相关的特定类别的运转参数的值为预先设定的范围外时，与对新取得的与上述机器相关的特定类别的运转参数的值通过实测而得到的训练数据的个数的增大或将该训练数据的个数除以表示运转参数的值的预先设定的范围的最大值及最小值的差值而得到的数据密度的增大相应地，使神经网络的输出层的前一个隐藏层的节点的个数增大，并且使用对新取得的与上述机器相关的特定类别的运转参数的值通过实测而得到的训练数据及该事先求出的训练数据，利用该运算部，以使根据该预先设定的范围内及该预先设定的范围外的与上述机器相关的特定类别的运转参数的值而变化的输出值与对应于与上述机器相关的特定类别的运转参数的值的训练数据之差变小的方式学习神经网络的权重，使用学习了权重的神经网络来输出相对于与上述机器相关的特定类别的运转参数的值的输出值。
3.根据权利要求1所述的机器学习装置，
具备电子控制单元，
该电子控制单元具备：
2。