[發明專利]一種支持在線學習的人工智能處理方法及處理器

有效

• 申請號: 202010701903.8
• 申請日: 2020-07-21
• 公開（公告）號: CN111738439B
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 周軍;劉嘉豪;祝鎮;王寧
• 申請（專利權）人: 電子科技大學
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 鄒裕蓉

1.一種支持在線學習的人工智能處理方法，其特征在于，包括以下步驟：

1）初始化階段：

1-1）初始化信號類型1模板、類型1信號與模板的差距、類型2信號與模板的差距；訓練完成一個二分類的神經網絡計算核，該神經網絡計算核的輸出層輸出類型1信號或類型2信號的二分類結果；所述信號類型1模板為包含完整分類信息的時序信號段；

1-2）對連續時序信號進行預處理，通過分析得到包含完整分類信息的信號序列段的起始、終止位置，從而生成時序信號段以及對應的時序特征；所述時序特征包括相鄰兩次完整信號段的時間間隔；

1-3）將信號類型1模板輸入至神經網絡計算核，利用神經網絡計算核來提取信號類型1模板的特征，將信號類型1模板的特征與對應的時序特征進行拼接作為信號類型1模板的特征向量；將當前時序信號段輸入至神經網絡計算核，利用神經網絡計算核來提取當前時序信號段的特征，將當前時序信號段的特征與對應的時序特征進行拼接作為當前時序信號段的特征向量；當神經網絡計算核輸出當前時序信號段的二分類結果為類型1信號，則利用當前時序信號段更新信號類型1模板及其時序特征后，再初始化信號類型1與模板的差距隊列A、信號類型2與模板的差距隊列B；當神經網絡計算核輸出當前時序信號段的二分類結果為類型2，則結束當前時序信號段的初始化階段操作；

2）更新階段：

2-1）每次有新的時序信號段輸入時，根據差距隊列A、B計算高、低閾值，再計算當前時序信號段的特征向量以及信號類型1模板的特征向量的差平方和為差距E值；

2-2）根據當前的差距E值進行類別判斷：

當差距E值小于低閾值的時候，經雙閾值判斷當前時序信號段為類型1信號；

當差距E值大于高閾值的時候，經雙閾值判斷當前時序信號段為類型2信號；

當差距E值介于低閾值和高閾值之間的時候，則由神經網絡計算核輸出當前信號的分類；

2-3）每次雙閾值判斷后，如當前時序信號段由雙閾值判斷為類型1信號，則還需要再次更新信號類型1模板及其時序特征；當前時序信號段的類別判斷為類型1信號時，將當前差距E值通過隊列先進先出的方式更新差距隊列A；當前時序信號段的類別判斷為類型2信號時，將當前差距E值通過隊列先進先出的方式更新差距隊列B。

2.如權利要求1所述方法，其特征在于，步驟1-3）以及步驟2-3）中利用當前時序信號段更新信號類型1模板的方式為：

信號類型1模板=M*信號類型1模板+（1-M）*當前時序信號段；

信號類型1模板的時序特征=

M*信號類型1模板的時序特征+（1-M）*當前時序信號段的時序特征；

其中，M為預設的模板混合系數。

3.如權利要求1所述方法，其特征在于，步驟1-3）中信號類型1與模板的差距隊列A、信號類型2與模板的差距隊列B的初始方式為：

將當前差距E值和K倍差距E值分別加入到兩個存儲容量為L的差距隊列A、B中；當差距隊列A、B被填滿時，信號類型1與模板的差距隊列A與信號類型2與模板的差距隊列B的初始化完成；K是預設倍數。

4.如權利要求1所述方法，其特征在于，步驟2-1）中根據差距隊列A、B計算高、低閾值的方式為：

將差距隊列A中差距的平均值記為a，差距隊列B中差距的平均值記為b，根據平均值a和b計算出兩個高低閾值：

低閾值=T*a+(1-T)*b

高閾值=(1-T)*a+T*b

其中，T為取值范圍0到1之間的閾值混合系數。

5.如權利要求1所述方法，其特征在于，所述步驟1-2）中所述預處理包括經過有限長單位沖激響應濾波器FIR濾波濾除噪聲和干擾的處理。