[發明專利]深度學習神經網絡進化方法、裝置、介質和計算機設備

有效

• 申請號: 201711135887.5
• 申請日: 2017-11-16
• 公開（公告）號: CN108009636B
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 朱定局
• 申請（專利權）人: 華南師范大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/063
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 石佩

1.一種深度學習神經網絡進化方法，其特征在于，包括：

調取已訓練的深度學習神經網絡，將輸入數據輸入已訓練的深度學習神經網絡進行深度學習，得到輸出數據并記錄使用時間及獲取對應所述輸入數據的真實結果數據；

按照預設的抽查規則選取已訓練的深度學習神經網絡使用過程中的輸入數據、輸出數據、使用時間和真實結果數據；

將選取的輸入數據及對應的輸出數據、對應的真實結果數據和對應的使用時間組成一個數據組；

計算每個數據組中輸出數據與同組內對應的真實結果數據的差異值，以所述使用時間屬于預設時間段內的所有數據組中、對應差異值大于預設閾值的數據組為差異組，統計所述差異組的組數；

若所述組數大于或等于存儲的組數閾值，則將每一個差異組中的輸入數據和真實結果數據分別作為輸入和預期輸出對已訓練的深度學習神經網絡進行訓練，得到進化后的深度學習神經網絡；

所述將每一個差異組中的輸入數據和真實結果數據分別作為輸入和預期輸出對已訓練的深度學習神經網絡進行訓練，得到進化后的深度學習神經網絡，包括：

按照各差異組的使用時間的先后順序排序，選取第一組差異組中的輸入數據輸入已訓練的深度學習神經網絡進行無監督學習，得到對應的訓練神經網絡；

選取下一組差異組中的輸入數據作為前一組差異組對應的訓練神經網絡的輸入，對前一組差異組對應的訓練神經網絡進行無監督學習得到對應的訓練神經網絡，依次循環執行直到得到最后一組差異組對應的訓練神經網絡并作為初步進化的深度學習神經網絡；

按照各差異組的使用時間的先后順序排序，選取第一組差異組中的輸入數據和真實結果數據分別作為所述初步進化的深度學習神經網絡的輸入和預期輸出，對所述初步進化的深度學習神經網絡進行有監督學習，得到對應的改進神經網絡；

選取下一組差異組中的輸入數據和真實結果數據分別作為前一組差異組對應的改進神經網絡的輸入和預期輸出，對前一組差異組對應的改進神經網絡進行有監督學習，得到改進神經網絡，依次循環執行直到得到最后一組差異組對應的改進神經網絡并作為進化后的深度學習神經網絡。

2.根據權利要求1所述的深度學習神經網絡進化方法，其特征在于，所述將選取的輸入數據及對應的輸出數據、對應的真實結果數據和對應的使用時間組成一個數據組之后，所述若所述組數大于或等于存儲的組數閾值，則將每一個差異組中的輸入數據和真實結果數據分別作為輸入和預期輸出對已訓練的深度學習神經網絡進行訓練，得到進化后的深度學習神經網絡之前，還包括：

根據所述數據組獲取當前的組數閾值并存儲。

3.根據權利要求2所述的深度學習神經網絡進化方法，其特征在于，所述根據所述數據組獲取當前的組數閾值并存儲，包括：

統計所述使用時間屬于所述預設時間段內的數據組的總組數；

根據所述總組數計算得到當前的組數閾值并存儲，其中，當前的組數閾值小于所述總組數。

4.根據權利要求3所述的深度學習神經網絡進化方法，其特征在于，所述根據所述總組數計算得到當前的組數閾值并存儲，包括：

計算所述總組數與第一預設比例的乘積得到當前的組數閾值并存儲，所述第一預設比例大于零且小于1。

5.根據權利要求2所述的深度學習神經網絡進化方法，其特征在于，所述根據所述數據組獲取當前的組數閾值并存儲，包括：

統計所述使用時間屬于預設參考時間段內的數據組中、對應差異值大于所述預設閾值的數據組的數量；

根據所述數量計算得到當前的組數閾值并存儲。