[發明專利]基于有向圖的深度學習神經網絡構建方法和機器人系統

有效

• 申請號: 201810010058.2
• 申請日: 2018-01-05
• 公開（公告）號: CN108364068B
• 公開（公告）日: 2021-04-13
• 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;G06N3/02
• 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

1.一種深度學習神經網絡構建方法，其特征在于，所述方法包括：

獲取初始深度學習神經網絡的每個輸入節點對應的輸入變量之間的連接關系，根據每個輸入變量之間的連接關系得到有向圖，所述初始深度學習神經網絡的每個輸入節點對應的輸入變量分別為多個地理位置相鄰的地區在多個相鄰時間段對應的氣象數據；

確定各個輸入節點與待改造隱層的隱層節點之間的匹配關系；

獲取所述有向圖中各個所述輸入變量之間的匹配關系；

根據各個所述輸入變量對應的輸入節點與相應的隱層節點之間的匹配關系和所述有向圖中各個所述輸入變量之間的匹配關系確定所述待改造隱層中各個隱層節點之間的目標連接關系，將所述待改造隱層中各個隱層節點根據所述目標連接關系進行有向連接，得到目標深度學習神經網絡，所述目標深度學習神經網絡用于預測所述多個地理位置相鄰的地區在目標時間段對應的氣象數據。

2.根據權利要求1所述的方法，其特征在于，所述獲取初始深度學習神經網絡的每個輸入節點對應的輸入變量之間的連接關系，得到有向圖，包括：

獲取初始深度學習神經網絡的輸入節點對應的初始輸入變量；

根據每個所述初始輸入變量查找與所述初始輸入變量有關系的目標輸入變量；

將所述目標輸入變量與所述初始輸入變量進行有向連接，得到有向圖。

3.根據權利要求2所述的方法，其特征在于，所述將所述目標輸入變量與所述初始輸入變量進行有向連接，得到有向圖，包括：

將所述目標輸入變量作為始點，所述初始輸入變量作為終點，所述初始輸入變量與所述目標輸入變量之間的有向連接為從始點指向終點，得到有向圖。

4.根據權利要求1所述的方法，其特征在于，所述確定各個輸入節點與待改造隱層的隱層節點之間的匹配關系，包括：

獲取待改造隱層；

當所述待改造隱層的隱層節點與所述輸入節點是非全連接時，將各個輸入節點與一一對應的待改造隱層的隱層節點進行匹配。

5.根據權利要求1所述的方法，其特征在于，所述確定各個輸入節點與待改造隱層的隱層節點之間的匹配關系，包括：

當所述待改造隱層的隱層節點與所述輸入節點是全連接時，統計所述輸入節點和所述待改造隱層的隱層節點的數量；

根據所述輸入節點的數量與所述隱層節點的數量的比值取整，得到匹配數值；

根據所述匹配數值將相應數量的輸入節點與對應的所述待改造隱層的隱層節點進行匹配。

6.一種深度學習神經網絡構建裝置，其特征在于，所述裝置包括：

有向圖生成模塊，用于接收終端發送的改造隱層的請求，根據所述改造隱層的請求獲取初始深度學習神經網絡的每個輸入節點對應的輸入變量之間的連接關系，根據每個輸入變量之間的連接關系得到有向圖，所述初始深度學習神經網絡的每個輸入節點對應的輸入變量分別為多個地理位置相鄰的地區在多個相鄰時間段對應的氣象數據；

匹配模塊，用于確定各個輸入節點與待改造隱層的隱層節點之間的匹配關系；

目標深度學習神經網絡確定模塊，用于獲取所述有向圖中各個所述輸入變量之間的匹配關系；根據各個所述輸入變量對應的輸入節點與相應的隱層節點之間的匹配關系和所述有向圖中各個所述輸入變量之間的匹配關系確定所述待改造隱層中各個隱層節點之間的目標連接關系，將所述待改造隱層中各個隱層節點根據所述目標連接關系進行有向連接，得到目標深度學習神經網絡，所述目標深度學習神經網絡用于預測所述多個地理位置相鄰的地區在目標時間段對應的氣象數據。

7.根據權利要求6所述的裝置，其特征在于，所述有向圖生成模塊包括：

獲取單元，用于獲取初始深度學習神經網絡的輸入節點對應的初始輸入變量；

查找單元，用于根據每個所述初始輸入變量查找與所述初始輸入變量連接的目標輸入變量；

連接單元，用于將所述目標輸入變量與所述初始輸入變量進行有向連接，得到有向圖。