[發明專利]一種超深度流形學習方法

在審

• 申請號: 201710123050.2
• 申請日: 2017-02-27
• 公開（公告）號: CN108510069A
• 公開（公告）日: 2018-09-07
• 發明（設計）人: 顧澤蒼
• 申請（專利權）人: 顧澤蒼
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種超深度流形學習方法，其特征在于是按如下步驟獲得的：

(1)通過已經逼近的數據采用概率尺度自組織機器學習；獲得下一個逼近數據的最大概率的末端位置；

(2)通過對已逼近的數據以及上述最大概率的末端位置所涵蓋的數據分布；進行超深度回歸分析的機器學習；獲得下一個逼近數據；

(3)依次上述兩個步驟循環獲得全部流形學習數據逼近結果。

2.根據權利要求1所述的一種超深度流形學習方法，其特征在于：概率尺度自組織的機器學習是指：小數據直接輸入的無監督學習；是在穿越不同空間里自律的朝著大概率方向遷移的機器學習。

3.根據權利要求1所述的一種超深度流形學習方法，其特征在于：概率尺度是指：基于包括具有正態分布；多變量正態分布；對數正態分布；指數分布；t分布；F分布；X²分布；二項分布；負的二項分布；多項分布；泊松分布；愛爾朗分布(Erlang Distribution)；超幾何分布；幾何分布；通信量分布；韋伯分布(Weibull Distribution)；三角分布；貝塔分布(BeteDistribution)；伽馬分布(Gamma Distribution)中任意一種或是引伸到貝葉斯方法(Bayesian Analysis)；高斯過程(Gaussian Processes)中的任意概率分布中任意一種概率分布特性所設定的度量標準。

4.根據權利要求1，2所述的一種超深度流形學習方法，其特征在于：不同空間是指：歐幾里德空間；概率空間包括曼哈頓空間(Manhattan Space)；切比雪夫空間(ChebyshevSpace)；閔可夫斯基空(Minkowski Space)；馬氏空間(Mahalanobis Space)；夾角余弦空間(Cosine Space)中的任意空間組合。

5.根據權利要求1所述的一種超深度流形學習方法，其特征在于：最大概率信息是指：是通過小數據直接輸入的無監督學習后所得；超越傳統統計學所獲得的回歸分析結果，即最為接近母體的回歸分析結果。

6.根據權利要求1所述一種超深度流形學習方法，其特征在于：多概率尺度自組織可由如下公式表達：

設概率空間存在著如下的一個集合G，并且有g_f∈G，

在概率空間的這個概率分布g_f(f＝1，2，…，ζ)，必然存在一個在特征值A(G)，由于概率空間是測度空間，因此針對特征值A(G)必然存在一個概率尺度M[G，A(G)]，滿足如下概率尺度自組織的條件時，

A⁽ⁿ)＝A(G⁽ⁿ⁾)

M⁽ⁿ⁾＝M[G⁽ⁿ⁾，A(G⁽ⁿ⁾)]

可以概率尺度為基準，讓集合G⁽ⁿ⁾朝著最大概率方向遷移，

G⁽ⁿ⁾＝G{[A(G^(n-1))，M[G^(1-1)，A(G^(n-1))]]

當n≥β(β是一個大于4的數值)時，可以設定A(G⁽ⁿ⁾)為最大概率特征值，M[G⁽ⁿ⁾，A(G⁽ⁿ⁾)]是以最大概率特征值為中心的最大概率尺度。