[發(fā)明專利]一種基于介觀體系的神經(jīng)網(wǎng)絡(luò)三體模型

在審

• 申請?zhí)枺?/td>: 202110688825.7
• 申請日: 2021-06-22
• 公開（公告）號: CN113591557A
• 公開（公告）日: 2021-11-02
• 發(fā)明（設(shè)計）人: 胡奇;王春陽;段錦;翟朗;田嘉政
• 申請（專利權(quán)）人: 長春理工大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 北京匯捷知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11531
• 代理人: 林楊

本發(fā)明提供一種基于介觀體系的神經(jīng)網(wǎng)絡(luò)三體模型，該神經(jīng)網(wǎng)絡(luò)三體模型內(nèi)包括：學(xué)習(xí)體，主要用于從原始數(shù)據(jù)到高層介觀體系的構(gòu)建；記憶體，主要用于存儲及重組不同介觀體系內(nèi)的神經(jīng)元屬性信息；解釋體，主要作為學(xué)習(xí)體的逆向傳播過程，進(jìn)而實(shí)現(xiàn)高層介觀體系對于低層介觀體系的對應(yīng)解釋功能。本發(fā)明通過構(gòu)建基于介觀體系三體神經(jīng)網(wǎng)絡(luò)模型，對深度學(xué)習(xí)過程中的重要節(jié)點(diǎn)及本征信息加以存儲，進(jìn)而形成記憶體組織結(jié)構(gòu)，這為深度學(xué)習(xí)的可解釋性提供了重要依據(jù)與保障，為更加符合人類學(xué)習(xí)認(rèn)知方式的全新神經(jīng)網(wǎng)絡(luò)發(fā)展提供新方向。

技術(shù)領(lǐng)域

本發(fā)明屬于神經(jīng)網(wǎng)絡(luò)三體模型領(lǐng)域，尤其涉及一種基于介觀體系的神經(jīng)網(wǎng)絡(luò)三體模型。

背景技術(shù)

近年來，工業(yè)檢測、智能體作業(yè)等諸多領(lǐng)域?qū)谏疃葘W(xué)習(xí)的大場景激光三維（Three Dimensional，3D）點(diǎn)云目標(biāo)識別與跟蹤技術(shù)需求日益強(qiáng)烈。然而，由于激光點(diǎn)云通常存在非規(guī)則化、非結(jié)構(gòu)化、無序化等特性，導(dǎo)致傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeural Networks，CNN）無法直接應(yīng)用于此類數(shù)據(jù)。

因此，為適應(yīng)復(fù)雜系統(tǒng)需求，提出一種基于介觀體系的神經(jīng)網(wǎng)絡(luò)三體模型 對深度學(xué)習(xí)過程中的重要節(jié)點(diǎn)及本征信息加以存儲，進(jìn)而形成記憶體組織結(jié)構(gòu)，這為深度學(xué)習(xí)的可解釋性提供了重要依據(jù)與保障，為更加符合人類學(xué)習(xí)認(rèn)知方式的全新神經(jīng)網(wǎng)絡(luò)發(fā)展提供新方向。

發(fā)明內(nèi)容

為了解決上述技術(shù)問題，本發(fā)明提供1、一種基于介觀體系的神經(jīng)網(wǎng)絡(luò)三體模型，其特征在于，該神經(jīng)網(wǎng)絡(luò)三體模型內(nèi)包括：

學(xué)習(xí)體，主要用于從原始數(shù)據(jù)到高層介觀體系的構(gòu)建；

記憶體，主要用于存儲及重組不同介觀體系內(nèi)的神經(jīng)元屬性信息；

解釋體，主要作為學(xué)習(xí)體的逆向傳播過程，進(jìn)而實(shí)現(xiàn)高層介觀體系對于低層介觀體系的對應(yīng)解釋功能。

優(yōu)選的，該方法的步驟為：

步驟1：為了構(gòu)建分體式神經(jīng)網(wǎng)絡(luò)協(xié)同計算模式，需要將傳統(tǒng)神經(jīng)網(wǎng)絡(luò)單一的學(xué)習(xí)體進(jìn)行拆分重組，特別是要將重要的節(jié)點(diǎn)信息進(jìn)行記憶存儲，進(jìn)而為逆向傳播的解釋體能夠提供強(qiáng)保障性的解析能力；

步驟2：設(shè)計一個介觀體系，所述介觀體系包含多個神經(jīng)元的載體，每個神經(jīng)元可表示特定實(shí)體的各種屬性，以及姿態(tài)矩陣和激活概率信息；

步驟3；接著通過用來自各種不同部件的預(yù)測模型對點(diǎn)密度進(jìn)行建模，其中每個部件可以是帶有仿形變換的，然后將多個高層次介觀體系的激活模式組成的張量取出來，并將高維張量嵌入到低維空間中；

步驟4：最后根據(jù)分類結(jié)果為它們加上語義標(biāo)簽，便于解釋體反向傳播形成一對一的解析說明。

優(yōu)選的，所述步驟2中神經(jīng)元可表示特定實(shí)體的各種屬性，這個屬性信息是代表不同類型的實(shí)例化參數(shù)。

優(yōu)選的，所述高維張量之間越相似，他們之間的距離就越小。

優(yōu)選的，所述語義標(biāo)簽，即從每類里面取一個樣本，將它的標(biāo)簽作為它所在類的標(biāo)簽。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

1、本發(fā)明通過構(gòu)建基于介觀體系三體神經(jīng)網(wǎng)絡(luò)模型，對深度學(xué)習(xí)過程中的重要節(jié)點(diǎn)及本征信息加以存儲，進(jìn)而形成記憶體組織結(jié)構(gòu)，這為深度學(xué)習(xí)的可解釋性提供了重要依據(jù)與保障，為更加符合人類學(xué)習(xí)認(rèn)知方式的全新神經(jīng)網(wǎng)絡(luò)發(fā)展提供新方向。

2、本發(fā)明首次在原有一體化訓(xùn)練模型的基礎(chǔ)上，將部分特征參數(shù)張量與解釋性逆向過程分別抽離至兩個不同的體系結(jié)構(gòu)，進(jìn)而構(gòu)建起分體式協(xié)同計算的新型神經(jīng)網(wǎng)絡(luò)模型架構(gòu)。

附圖說明

圖1是本發(fā)明的三體模型示意圖；

圖2是本發(fā)明的三體模型的工作流程示意圖。

具體實(shí)施方式

以下結(jié)合附圖對本發(fā)明做進(jìn)一步描述：

實(shí)施例：