买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广东工业大学申请的专利一种基于半监督性能预测器的多目标神经架构搜索方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115620046B 。

龙图腾网通过国家知识产权局官网在2025-07-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211157727.1，技术领域涉及：G06V10/764；该发明授权一种基于半监督性能预测器的多目标神经架构搜索方法是由刘德荣;肖松毅;王永华设计研发完成，并于2022-09-22向国家知识产权局提交的专利申请。

本一种基于半监督性能预测器的多目标神经架构搜索方法在说明书摘要公布了：本发明涉及一种基于半监督性能预测器的多目标神经架构搜索方法，对搜索空间进行编码，将搜索空间中的操作映射为整数，形成样本；采样N个神经网络结构并获取其精度作为初始样本P，训练集成KNN回归模型作为初始半监督预测器；初始样本P产生候选种群P1，得到P0训练性能预测器；将父代种群Pt交叉和变异，得到交叉变异子种群P’’，将父代种群Pt和交叉变异子种群P’’混合并非支配排序；将支配等级低的个体选择法优先选择置信度高的个体加入新一代种群Pt+1，直到种群Pt+1的数量等于种群数量N。提高神经架构搜索的效率，并降低了此预测器的预测误差；使得遗传算法的搜索向具有高预测精度和高置信度的候选网络结构进行，提高搜索到高精度神经网络结构的概率。

本发明授权一种基于半监督性能预测器的多目标神经架构搜索方法在权利要求书中公布了：1.一种基于半监督性能预测器的多目标神经架构搜索方法，其特征在于，应用于图像分类，处理的数据集具体为图像数据集，包括以下步骤： S1：对搜索空间进行编码，将搜索空间中的操作映射为整数，形成样本； S2：在样本中随机采样N个神经网络结构并获取其精度以作为初始样本P，进入遗传算法例程前训练两个集成KNN回归模型作为初始半监督预测器； S3：初始样本P产生候选种群P1，并通过半监督预测器预测其精度及计算其置信度，将候选种群P1作为真正的初始种群P0，得到P0训练性能预测器；在步骤S3中，包括以下步骤： S31：随机采样N个神经架构并对其进行编码，训练获得其精度； S32：将N个编码后的神经架构作为训练样本训练EnKNN1和EnKNN2两个回归模型； S33：产生N个候选样本，EnKNN1和EnKNN2预测候选样本的精度，并预测提升的精度： S34：若EnKNN1预测样本的最大预测提升大于0，则将具有最大预测提升的样本及其预测精度作为EnKNN2的新训练样本；若EnKNN1预测样本的最大预测提升小于等于0，则没有训练样本被作为预测样本；EnKNN2执行同样的操作；同时将被预测样本从候选样本中删除； S35：如果EnKNN1的训练样本有增加，则用新训练样本重新训练EnKNN1；如果EnKNN2的训练样本有增加，则用新训练样本重新训练EnKNN2； S36：当EnKNN1的训练样本有增加时，用EnKNN2计算EnKNN1的新增训练样本的置信度，同时用EnKNN1计算EnKNN2的新增训练样本的置信度； S37：循环S34、S35、S36，如果P个候选样本都被作为训练样本分别加入EnKNN1和ENKNN2，则P个样本都得到预测，此性能预测器被截断，不再进行预测；如果EnKNN1和ENKNN2的所有预测样本的预测提升都小于0，则这组样本的预测误差大，强制截断此性能预测器； S38：输出EnKNN1和EnKNN2对候选样本的预测结果及步骤S36中预测结果的置信度； S39：用原始采样得到的具有真实精度的神经网络训练被截断的EnKNN1和EnKNN2； S4：将父代种群Pt交叉和变异，得到交叉变异子种群P’’，P0训练性能预测器将父代种群Pt和交叉变异子种群P’’混合并非支配排序； S5：根据非支配排序结果，将支配等级低的个体应用多目标选择法优先选择置信度高的个体加入新一代种群Pt+1，直到新一代种群Pt+1的数量等于种群数量N，到此完成搜索。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广东工业大学，其通讯地址为：510090 广东省广州市越秀区东风东路729号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。