[發明專利]精簡輸入的深度學習神經網絡方法、裝置和機器人系統

有效

• 申請號: 201711331068.8
• 申請日: 2017-12-13
• 公開（公告）號: CN108334935B
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 朱定局
• 申請（專利權）人: 華南師范大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 謝曲曲

本發明提供一種深度學習神經網絡方法，該方法包括：對第一深度學習神經網絡進行測試得到第一輸出正確率，將第一深度學習神經網絡的輸入層的每個輸入變量作為一個輸入變量組合組成嘗試刪除輸入變量組合的集合，嘗試刪除輸入變量組合的集合中選取一個輸入變量組合，根據輸入變量組合得到第二深度學習神經網絡，對得到的第二深度學習神經網絡進行測試得到第二輸出正確率，根據第一輸出正確率和第二輸出正確率生成了可選刪除輸入變量組合的集合，在可選刪除輸入變量組合的集合中選取優選刪除的輸入變量組合，根據優選刪除的輸入變量組合得到第三深度學習神經網絡。此外，還提供了一種深度學習神經網絡裝置、一種計算機設備、一種機器人系統和計算機可讀存儲介質。

技術領域

本發明涉及機器學習領域，特別是涉及一種精簡輸入的深度學習神經網絡方法、裝置、計算機設備、機器人系統和存儲介質。

背景技術

人工神經網絡(Artificial Neural Networks，簡寫為ANNs)也簡稱為神經網絡(NNs)或稱作連接模型(Connection Model)，它是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。人工神經網絡是一種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型。在工程與學術界也常直接簡稱為“神經網絡”或類神經網絡。

傳統技術中，因為缺乏對必要輸入變量的確定方法，使得很多輸入變量都是多余的，而對于神經網絡根據輸入變量預測輸出，有些輸入變量并沒有起到決定性的作用，反而增加了數據采集的成本，造成了人力物力的浪費。

發明內容

基于此，有必要針對上述問題，提供一種能夠有效避免由于輸入變量冗余導致數據采集成本過高的精簡輸入的深度學習神經網絡方法、裝置、計算機設備、機器人系統和存儲介質。

一種深度學習神經網絡方法，該方法包括：

對第一深度學習神經網絡進行測試，得到第一深度學習神經網絡的第一輸出正確率；

將第一深度學習神經網絡的每個輸入變量作為一個輸入變量組合，生成嘗試刪除輸入變量組合的集合；

從嘗試刪除輸入變量組合的集合中選取一個輸入變量組合；

將選取的輸入變量組合對應的第一深度學習神經網絡的輸入節點刪除，得到第二深度學習神經網絡；

對第二深度學習神經網絡進行測試，得到第二深度學習神經網絡的第二輸出正確率；

根據第一輸出正確率和第二輸出正確率生成可選刪除輸入變量組合的集合；

從可選刪除輸入變量組合的集合中選取輸入變量組合作為優選刪除的輸入變量組合，將優選刪除的輸入變量組合對應的第二深度學習神經網絡的輸入節點刪除，得到第三深度學習神經網絡。

在其中一個實施例中，根據第一輸出正確率和第二輸出正確率生成可選刪除輸入變量組合的集合，包括：根據第一輸出正確率和第二輸出正確率更新嘗試刪除輸入變量組合的集合，并生成可刪除輸入變量組合的集合；根據更新后的嘗試刪除輸入變量組合的集合和可刪除輸入變量組合的集合生成可選刪除輸入變量組合的集合。

在其中一個實施例中，根據第一輸出正確率和第二輸出正確率更新嘗試刪除輸入變量組合的集合，并生成可刪除輸入變量組合的集合，包括：當第一輸出正確率與第二輸出正確率的差值大于預設閾值時，則將選取的輸入變量組合從嘗試刪除輸入變量組合的集合中刪除；反之，則將選取的輸入變量組合從嘗試刪除輸入變量組合的集合中刪除，并將輸入變量組合加入可刪除輸入變量組合的集合。