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！

龙图腾网获悉泉州装备制造研究所申请的专利基于强化学习的迭代式卷积神经网络剪枝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：CN121168539B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202511704955.X，技术领域涉及：G06N3/0464；该发明授权基于强化学习的迭代式卷积神经网络剪枝方法是由骆炜;李江;王森林;戴玲凤;陈豪;陈松航;张剑铭;连明昌;王耀宗设计研发完成，并于2025-11-20向国家知识产权局提交的专利申请。

本基于强化学习的迭代式卷积神经网络剪枝方法在说明书摘要公布了：本发明涉及计算机视觉领域，具体涉及基于强化学习的迭代式卷积神经网络剪枝方法，S1：根据任务类型，获取该任务类型的历史图像，对该历史图像进行预处理以及标注，构建数据集，将该数据集按预设比例划分为训练集、验证集和测试集；S2：构建初始的卷积神经网络模型，使用该训练集对该初始的卷积神经网络模型进行训练，输出预训练收敛模型；S3：对该预训练收敛模型进行多阶段剪枝操作；S4：输出最后一个剪枝阶段中经过性能恢复训练的卷积神经网络模型；本发明通过科学量化层间冗余度与动态调整剪枝策略相结合，有效提升了神经网络模型的压缩效率和精度保持能力，在参数量和计算量显著降低的同时，实现模型性能的优化。

本发明授权基于强化学习的迭代式卷积神经网络剪枝方法在权利要求书中公布了：1.基于强化学习的迭代式卷积神经网络剪枝方法，其特征在于：包括如下依次执行的步骤： S1：根据任务类型，获取该任务类型的历史图像，对该历史图像进行预处理以及标注，构建数据集，将该数据集按预设比例划分为训练集、验证集和测试集； S2：基于步骤S1的任务类型，构建或获取初始的卷积神经网络模型，使用该训练集对该初始的卷积神经网络模型进行训练，直至其在该验证集上达到收敛状态，输出预训练收敛模型； S3：对该预训练收敛模型进行多阶段剪枝操作，所述多阶段剪枝操作具体包括以下迭代执行的步骤： S3-1：设定剪枝策略的宏观参数，所述宏观参数包括单次剪枝粒度与总剪枝阶段数； S3-2：获取当前剪枝阶段的待剪枝神经网络模型及目标网络层集合；所述目标网络层集合包括待剪枝神经网络模型中除输出层外的所有卷积层和全连接层； S3-3：基于高阶奇异值分解和全局最小割算法计算每一个目标卷积层的结构内聚性度量； S3-4：估算每一个目标全连接层的结构内聚性度量； S3-5：汇总所有目标网络层的结构内聚性度量，形成一个度量向量，对该度量向量进行总和归一化处理，得到当前剪枝阶段的初始基准层间剪枝比例向量，该初始基准层间剪枝比例向量的每一个元素代表了对应网络层在当前剪枝阶段应承担的剪枝任务的初始权重； S3-6：进行当前剪枝阶段的多轮基于强化学习的层间剪枝比例动态寻优与剪枝执行，获取最优剪枝模型； 步骤S3-6包括采用贪心策略生成一个层间剪枝比例向量，将该层间剪枝比例向量定义为一次动作； 执行剪枝操作后，在验证集上对剪枝后模型的性能进行评估，并根据预设的奖励函数计算本次动作的奖励值； 将本轮寻优的层间剪枝比例向量、奖励值及剪枝后模型的性能信息作为一个经验单元，存入经验回放池； S3-7：将步骤S3-6剪枝操作获取的最优剪枝模型进行性能恢复训练； S3-8：将步骤S3-7完成性能恢复训练的最优剪枝模型作为下一个剪枝阶段的输入，重复步骤S3-2至步骤S3-8，直至所有剪枝阶段执行完毕，且总剪枝率达到预设的全局目标值； S4：输出最后一个剪枝阶段中经过性能恢复训练的卷积神经网络模型。

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泉州装备制造研究所，其通讯地址为：362000 福建省泉州市台商投资区洛阳镇上浦村吉贝511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”。

以上内容由龙图腾AI智能生成。