当前位置：
-
SDL的技术发明
突破从有监督学习到无监督学习的突破
用最大概率尺度，通过迭代获得最大概率的空间，在最大概率的空间中设置一个最佳逼近的模型，在不断的趋近最大概率空间的过程中不断的提高最佳逼近模型的逼近能力，从而实现自动学习的效果。
2018年硅基智控横空出世
用最大概率尺度，通过迭代获得最大概率的空间，在最大概率的空间中设置一个最佳逼近的模型，在不断的趋近最大概率空间的过程中不断的提高最佳逼近模型的逼近能力，从而实现自动学习的效果。
GUIJI
这个算法就是来源于强对抗机器学习，例如判断商品标识的真伪，就是依据机器学习所获得的真标识的知识，通过强对抗学习获得真伪的判断依据。
传统的强化学习容易陷入NP问题，以及陷入局域最佳解的问题的存在。
使用多目的的强对抗学习的机器决断机，可以绕过NP问题从而获得自动驾驶决策的最佳化的判断。
针对目标函数的处理能力与处理精度可以无限的深入,学习次数无限小,学习数据规模无限大,以及可构成超大人工智能系统。
具有自律性,自组织能力,各种硬件环境的适用,即使小模型,小负荷，也可以解决大任务。
学习结果可超越统计学的公式化结果,无黑箱问题,具有系统可分析性。
SDL模型所构成的标准的三层新型神经网络，可以根据各种需求进行组合,具有积木式结构，可以实现系统组态，易于设计成AI芯片。
在辅助驾驶/自动驾驶等场景中，准确、迅速地找出场景中所有的行人车辆位置
在辅助驾驶/行驶周围环境，障碍物识别(摄像头，微波雷达，激光探测器等)通过分析车辆结构特征，准确识别场景中车辆的刹车灯亮灯等属性
在在辅助驾驶/自动驾驶中，在各种复杂道路环境中准确、迅速的识别道路车道线信息及多种车道线属性
备案号： 粤ICP备18148915号-1 深度网络技术支持 网站地图
