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！

龙图腾网获悉北京航天自动控制研究所申请的专利深度神经网络中关键神经元层次关系的知识图谱表示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：CN115858808B 。

龙图腾网通过国家知识产权局官网在2026-01-02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：202211534339.0，技术领域涉及：G06F16/36；该发明授权深度神经网络中关键神经元层次关系的知识图谱表示方法是由刘晶晶;徐颂;王丽娜设计研发完成，并于2022-11-30向国家知识产权局提交的专利申请。

本深度神经网络中关键神经元层次关系的知识图谱表示方法在说明书摘要公布了：本发明提供一种深度神经网络中关键神经元层次关系的知识图谱表示方法，包括：计算深度神经网络高层卷积层中每个神经元的置信度；根据分类结果，推导出高层卷积层中每个神经元的重要程度；计算获得深度神经网络高层卷积层中各个神经元对当前图像的影响程度，根据高层卷积层中每个神经元对当前图像的影响程度，确定关键神经元，进行关键神经元的可视化；将获得的各个神经元视觉特征图分别标注为神经元的语义特征，并从网络中提取神经元的权重、所在层数信息，将神经元的权重、所在层数信息按照三元组的方式构建关系，并与视觉词典相匹配，生成语义词典；生成可视化知识图谱。本发明实现了深度神经网络的可解释性和用户可读性。

本发明授权深度神经网络中关键神经元层次关系的知识图谱表示方法在权利要求书中公布了：1.一种深度神经网络中关键神经元层次关系的知识图谱表示方法，其特征在于，包括： 计算深度神经网络高层卷积层中每个神经元的置信度； 根据分类结果，推导出高层卷积层中每个神经元的重要程度； 计算获得深度神经网络高层卷积层中各个神经元对当前图像的影响程度； 根据高层卷积层中每个神经元对当前图像的影响程度，确定关键神经元，进行关键神经元的可视化； 将获得的各个神经元视觉特征图分别标注为神经元的语义特征，并从网络中提取神经元的权重、所在层数信息，将神经元的权重、所在层数信息按照三元组的方式构建关系，并与视觉词典相匹配，生成语义词典； 生成可视化知识图谱； 所述深度神经网络高层卷积层中每个神经元的置信度Al＝fX0⊙Hl-fX0； 其中，X0为输入的原图，Hl为卷积层融合后的特征图，l表示第l个特征图，⊙表示哈达玛积,f函数对应网络模型； 采用反向传播和链式求导法则推导出高层卷积层中每个神经元的重要程度，包括： 用交叉熵损失作为损失函数C，计算出输出层的反向误差向量δL； 根据链式求导法则，计算第l层全连接层的反向传播误差向量δl； 计算全连接层到池化层的反向传播误差向量； 计算高层卷积层的反向传播误差向量δc； 所述进行关键神经元的可视化，包括： 将关键神经元上采样到原图大小进行掩码处理，得到掩码图M： 其中，A表示上采样后的原始神经元特征图；m,n代表像素点的位置；θ1为常数； 将掩码图与原图相乘，获得关键神经元在原图中关注到的特征，并用矩形框对获得的图进行裁剪，坐标计算公式如下： 其中，x1,y1为矩形框左上角的坐标，x2,y2为矩形框右上角的坐标；xmin,xmax分别表示掩码图中值为1的横坐标中的最小值和最大值； ymin,ymax分别表示M中值为1的纵坐标的最小值和最大值，h和w为矩形的高和宽，p为填充尺寸； 将裁剪后的图像上采样为原始图像的尺寸，得到神经元对应的视觉特征图； 所述深度神经网络高层卷积层中各个神经元对当前图像的影响程度的计算公式如下： 向量NIS中的每一个分量NISk分别代表高层卷积层中第k个神经元对当前图像的影响程度。

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北京航天自动控制研究所，其通讯地址为：100854 北京市海淀区北京142信箱402分箱；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”。

以上内容由龙图腾AI智能生成。