一种基于拓扑熵分解的深度记忆迁移学习方法

本发明公开了一种基于拓扑熵分解的深度记忆迁移学习方法，S1.获取源任务数据集和目标任务数据集；S2.生成源任务训练模型；S3.对源任务训练模型进行拓扑熵分析；S4.获得剪枝后的优化源任务模型；S5.调整优化源任务模型的权重初始化方式和结构参数；S6.生成初步迁移模型；S7.生成目标任务网络模型；S8.在目标任务网络模型中嵌入深度记忆模块；S9.调整深度记忆模块的使用策略和剪枝规则；S10.输出训练完成的目标任务网络模型，并对剪枝优化过程进行记录，形成可重复使用的模型优化模板。本发明提升了迁移学习的鲁棒性、效率和适应性。

《一种基于拓扑熵分解的深度记忆迁移学习方法》是一发明专利，专利号为 2024117512566，当前法律状态为已下证，由湖南科技学院提出申请，发明人为代军垒;戴振华;梁英杰;屈丽明;黄堂森，申请日期为2024-12-02，公开（公告）日期为2025-05-23，国际专利分类号（IPC）为 G06N 3/096 (2023.01)，所属技术领域包括：人工智能、深度学习、图像识别、自然语言处理、医疗诊断、深度神经网络、数据迁移。该专利已下发证书，权利稳定，适合直接办理转让过户，是企业申报高企、项目招投标、质押融资的优质标的。赋翼网提供从选品、尽调、合同签订到官方著录项目变更（过户）的一站式专利转让服务，专业顾问全程协助，确保交易合规、安全、高效。专利摘要：本发明公开了一种基于拓扑熵分解的深度记忆迁移学习方法，S1.获取源任务数据集和目标任务数据集；S2.生成源任务训练模型；S3.对源任务训练模型进行拓扑熵分析；S4.获得剪枝后的优化源任务模型；S5.调整优化源任务模型的权重初始化方式和结构参数；S6.生成初步迁移模型；S7.生成目标任务网络模型；S8.在目标任务网络模型中嵌入深度记忆模块；S9.调整深度记忆模块的使用策略和剪枝规则；S10.输出训练完成的目标任务网络模型，并对剪枝优化过程进行记录，形成可重复使用的模型优化模板。本发明提升了迁移学习的鲁棒性、效率和适应性。

海量优质专利即买即用，四大核心优势助您弯道超车：
🏆 拿资质，享红利：高企认定、专精特新必备！轻松获取政府补贴、税收减免，招投标直接加分！
💎 增信誉，融资金：支持实缴注册资金，彰显企业硬实力；支持专利质押贷款，盘活现金流，扩张不缺钱！
🔥 强背书，防抄袭：印上“专利产品”，客户更信赖！构建技术壁垒，把竞争对手挡在门外，稳占市场份额！
🚀 省时间，快变现：告别漫长研发与高风险！优质专利即买即用，让技术立刻变成真金白银的利润！