[發(fā)明專利]一種超深度對抗學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型的構(gòu)成方法

在審

• 申請?zhí)枺?/td>: 201710123105.X
• 申請日: 2017-02-27
• 公開（公告）號: CN108510057A
• 公開（公告）日: 2018-09-07
• 發(fā)明（設(shè)計）人: 顧澤蒼
• 申請（專利權(quán)）人: 顧澤蒼
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種超深度對抗學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型的構(gòu)成方法，至少具備如下一個特征：是一種可針對穿越包括概率空間在內(nèi)的不同空間的數(shù)據(jù)；直接進(jìn)行無監(jiān)督的；對抗學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型。

2.根據(jù)權(quán)利要求1所述的一種超深度對抗學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型的構(gòu)成方法，其特征在于：直接進(jìn)行無監(jiān)督的機(jī)器學(xué)習(xí)是指：可針對穿越包括概率空間在內(nèi)的不同空間的數(shù)據(jù)以多概率尺度，或模糊事件概率測度尺度為基準(zhǔn)的，自律的獲得深層信息的自組織算法。

3.根據(jù)權(quán)利要求1或2所述的一種超深度對抗學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型的構(gòu)成方法，其特征在于：多概率尺度是指：在概率空間里，在具有概率分布的數(shù)據(jù)中，針對數(shù)據(jù)的概率分布實(shí)際狀況，可以標(biāo)定出多概率尺度的復(fù)數(shù)個刻度的位置。

4.根據(jù)權(quán)利要求1或2所述的一種超深度對抗學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型的構(gòu)成方法，其特征在于：模糊事件概率測度尺度是指可針對穿越包括概率空間在內(nèi)的不同空間的數(shù)據(jù)；通過不同空間中的距離建立數(shù)據(jù)之間的模糊關(guān)系；可將微觀的模糊信息，與概率信息經(jīng)過積分后得到宏觀的穩(wěn)定信息的算法。

5.根據(jù)權(quán)利要求1或2所述的一種超深度對抗學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型的構(gòu)成方法，其特征在于：對抗學(xué)習(xí)是指在穿越包括概率空間在內(nèi)的不同空間的數(shù)據(jù)中，讓監(jiān)督學(xué)習(xí)的任意學(xué)習(xí)數(shù)據(jù)是建立在兩個不同方向的對立的數(shù)據(jù)之中；在模糊事件概率測度的基準(zhǔn)下決定屬于哪個數(shù)據(jù)的機(jī)器學(xué)習(xí)模型。

6.根據(jù)權(quán)利要求1，3所述的一種超深度對抗學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型的構(gòu)成方法，其特征在于：多概率尺度是指：包括基于正態(tài)分布；多變量正態(tài)分布；對數(shù)正態(tài)分布；指數(shù)分布；t分布；F分布；X²分布；二項分布；負(fù)的二項分布；多項分布；泊松分布；愛爾朗分布(ErlangDistribution)；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(Bete Distribution)；伽馬分布(Gamma Distribution)中任意一種具有概率分布的概率屬性的概率空間的概率分布的特性所設(shè)定的刻度；

或者是針對非概率空間也可引伸到歐幾里德空間的距離(Euclidean Distance)尺度；曼哈頓距離(Manhattan Distance)尺度；切比雪夫距離(Chebyshev Distance)尺度；閔可夫斯基(Minkowski Distance)尺度；馬氏距離(Mahalanobis Distance)尺度；夾角余弦(Cosine)尺度；W距離(Wasserstein Distance)尺度；KL距離(Kullback-LeiblerDistance)尺度；PE距離(Pearson Distance)尺度；

或者是也可引伸到杰卡德相似系數(shù)(Jaccardsimilarity Coefficient)尺度；漢明距離(Hamming Distance)尺度；信息熵(Information Entropy)尺度中的任意一種；

或者是也可引伸到貝葉斯方法(Bayesian Analysis)；高斯過程(GaussianProcesses)中的任意概率模型。

7.根據(jù)權(quán)利要求1乃至4所述的一種超深度對抗學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型的構(gòu)成方法，其特征在于：多概率尺度還可以通過機(jī)器學(xué)習(xí)得到實(shí)際概率分布的比例來獲得多概率尺度的各個刻度信息。

8.根據(jù)權(quán)利要求1所述的一種超深度對抗學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型的構(gòu)成方法，其特征在于：神經(jīng)網(wǎng)絡(luò)模型是由感知層，神經(jīng)層以及腦皮層構(gòu)成的。

9.根據(jù)權(quán)利要求1，8所述的一種超深度對抗學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型的構(gòu)成方法，其特征在于：將被識別的圖像映射成若干個不同的空間圖像；通過概率尺度的自組織單元進(jìn)行特征抽出；輸入到神經(jīng)網(wǎng)絡(luò)的感知層。