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！

龙图腾网获悉韶关学院申请的专利基于Winograd卷积的并行深度卷积神经网络优化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：CN115204359B 。

龙图腾网通过国家知识产权局官网在2026-04-07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：202210610611.2，技术领域涉及：G06N3/0464；该发明授权基于Winograd卷积的并行深度卷积神经网络优化方法是由毛伊敏;戴经国;李叶;陈志刚;霍英设计研发完成，并于2022-05-31向国家知识产权局提交的专利申请。

本基于Winograd卷积的并行深度卷积神经网络优化方法在说明书摘要公布了：本发明提出了一种基于Winograd卷积的并行深度卷积神经网络优化方法，包括：S1，模型批训练阶段，采用基于余弦相似度与归一化互信息的特征过滤策略FF‑CSNMI，通过先筛选后融合的方式消除冗余特征的计算，解决了冗余特征计算过多的问题；S2，参数并行更新阶段，采用并行Winograd卷积策略MR‑PWC，通过使用并行化Winograd卷积降低大数据环境下卷积的计算量，以此提升卷积运算的性能，解决了大数据环境下卷积运算性能不足的问题；S3，参数组合阶段，采用基于任务迁移的负载均衡策略LB‑TM，通过均衡各节点之间的负载降低并行系统各节点的平均反应时长，提升模型参数的并行化合并效率，从而解决了参数并行化合并效率低的问题。本发明在并行效率和分类效果上都有显著的提升。

本发明授权基于Winograd卷积的并行深度卷积神经网络优化方法在权利要求书中公布了：1.一种基于Winograd卷积的并行深度卷积神经网络优化方法，其特征在于，包括： 采集人脸数据作为人脸训练数据集，并将人脸训练数据集输入DCNN模型进行训练，从而获得训练好的DCNN模型； S1，模型批训练阶段，采用基于余弦相似度与归一化互信息的特征过滤策略FF-CSNMI，通过先筛选后融合的方式消除冗余特征的计算； S1-1，特征划分：采用基于余弦相似度的特征相似度度量系数，通过比较特征相似度度量系数的大小将卷积层的输入特征图划分为表征特征集与冗余特征集两部分； S1-2，特征过滤：采用基于归一化互信息的特征关联系数，根据表征特征集中各特征图的值的大小，从表征特征集中迭代过滤出冗余特征并纳入到冗余特征集中，以此构建出最终的冗余特征集； S1-3，特征融合：在筛选出最终的冗余特征集之后，先使用特征融合函数融合冗余特征集中的冗余特征，获得融合特征集，再通过合并融合特征集与表征特征集，构建出下一层的输入特征图； 所述特征相似度度量系数包括： 从卷积层的输入特征图中将特征图划分为采样特征集与候选特征集，并计算采样特征集的均值特征矩阵Ebefore；已知特征图与均值特征图的向量表达形式分别为与，则特征图相对于均值特征图Ebefore的特征相似度度量系数为： FSM=SIMX,Ebefore×||normX-Ebefore||11 其中， 2 3 SIMX,表示与的余弦相似度； maxX-表示X-向量中的最大值； minX-表示X-向量中的最小值； 所述特征关联系数包括： 计算表征特征集P的均值特征矩阵；已知有特征图与均值特征图，且特征图相对于均值特征图的特征相似度度量系数，则特征图相对于均值特征图的特征关联系数为： FAC=NMIX,Eafter×FSM4 其中， 5 为特征图的信息熵； H为特征图的信息熵； HX,为特征图和特征图的联合熵； S2，参数并行更新阶段，采用并行Winograd卷积策略MR-PWC，通过使用并行化Winograd卷积降低大数据环境下卷积的计算量； S3，参数组合阶段，采用基于任务迁移的负载均衡策略LB-TM，通过均衡各节点之间的负载降低并行系统各节点的平均反应时长。

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韶关学院，其通讯地址为：512023 广东省韶关市浈江区大学路288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。