[發明專利]神經網絡及其訓練方法、預測方法、設備及存儲介質

有效

• 申請號: 201910368965.9
• 申請日: 2019-05-05
• 公開（公告）號: CN110265147B
• 公開（公告）日: 2023-05-05
• 發明（設計）人: 張小燕;劉賢強
• 申請（專利權）人: 深圳大學
• 主分類號: G16H50/50
• 分類號: G16H50/50;G06F18/213;G06F18/21;G06N3/0464;G06N3/08
• 代理公司: 深圳青年人專利商標代理有限公司 44350
• 代理人: 吳桂華

1.一種神經網絡的訓練方法，其特征在于，所述神經網絡包括：基于分層結構的全連接網絡及基于低秩近似法的反卷積網絡，所述訓練方法包括：

以關節接觸壓力分布樣本數據作為第一樣本數據，利用所述低秩近似法對所述第一樣本數據進行處理，得到所述反卷積網絡的第一參數，以及關節接觸壓力樣本編碼；

以所述關節接觸壓力樣本編碼、各關節部位形狀樣本數據、關節部位之間距離樣本數據及關節部位中心點作用力樣本數據作為第二樣本數據，訓練所述全連接網絡的第二參數；

其中，所述全連接網絡包括：位于處理前端的、具有第三預設數目隱藏層的第一全連接子網絡，以及位于處理后端的、具有第四預設數目隱藏層的第二全連接子網絡，在訓練時，所述第一全連接子網絡用于對所述關節部位形狀樣本數據進行降維處理，所述第二全連接子網絡用于由降維處理后的所述關節部位形狀樣本數據、所述關節部位之間距離樣本數據及所述關節部位中心點作用力樣本數據得到關節接觸壓力實時編碼，根據所述關節接觸壓力實時編碼以及所述關節接觸壓力樣本編碼所確定所述全連接網絡的迭代目標函數，迭代更新所述第一全連接子網絡的第三子參數以及所述第二全連接子網絡的第四子參數，所述全連接網絡構建的是從降維處理后的所述關節部位形狀樣本數據、所述關節部位之間距離樣本數據及所述關節部位中心點作用力樣本數據，到所述關節接觸壓力實時編碼之間的非線性映射關系，所述全連接網絡采用softplus作為激活函數，所述全連接網絡采用自適應矩估計算法尋找所述第二參數。

2.如權利要求1所述的訓練方法，其特征在于，所述反卷積網絡包括：位于處理前端的、具有第一預設數目卷積核的第一反卷積層，以及位于處理后端的、具有第二預設數目卷積核的第二反卷積層。

3.如權利要求2所述的訓練方法，其特征在于，以關節接觸壓力分布樣本數據作為第一樣本數據，利用所述低秩近似法對所述第一樣本數據進行處理，得到所述反卷積網絡的第一參數，以及關節接觸壓力樣本編碼，具體包括：

采用所述第一樣本數據、第一右奇異向量以及對應的第一特征值，得到作為第一左奇異向量的、所述第二反卷積層的第一子參數；

利用所述第一子參數對所述第一樣本數據進行卷積處理，得到中間樣本數據；

采用所述中間樣本數據、第二右奇異向量以及對應的第二特征值，得到作為第二左奇異向量的、所述第一反卷積層的第二子參數；

利用所述第二子參數對所述中間樣本數據進行卷積處理，得到所述關節接觸壓力樣本編碼。

4.如權利要求1所述的訓練方法，其特征在于，所述關節部位之間距離樣本數據由各關節部位位置樣本數據處理得來；所述關節接觸壓力分布樣本數據由各所述關節部位形狀樣本數據、所述關節部位之間距離樣本數據及所述關節部位中心點作用力樣本數據通過有限單元法處理所獲得。

5.一種關節接觸壓力的預測方法，其特征在于，所述預測方法包括：

獲得預測用數據，所述預測用數據包括：各關節部位形狀數據、關節部位之間距離數據及關節部位中心點作用力數據；

利用如權利要求1至4中任一項所述訓練方法訓練所得所述全連接網絡，對所述預測用數據進行處理，得到關節接觸壓力編碼；

利用如權利要求1至4中任一項所述訓練方法訓練所得所述反卷積網絡，對所述關節接觸壓力編碼進行處理，得到關節接觸壓力分布。

6.一種神經網絡結構，其特征在于，包括：如權利要求1至5中任一項所述的全連接網絡及如權利要求1至5任一項所述的反卷積網絡。

7.一種計算機設備，包括存儲器及處理器，其特征在于，所述處理器執行所述存儲器中存儲的計算機程序時實現如權利要求1至5任一項所述方法中的步驟。

8.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1至5任一項所述方法中的步驟。