基于数据分割的深度学习方法以及机器人系统技术方案

本发明专利技术涉及一种基于数据分割的深度学习方法以及机器人系统。方法包括：获取待测试数据；将待测试数据按照预设多类输入变量集合分割成多类待测试子数据；将多类待测试子数据对应输入到多个训练好的第一深度学习神经网络的输入层中；获取每个训练好的第一深度学习神经网络的最后隐层数据；将每个训练好的第一深度学习神经网络的最后隐层数据输入到训练好的第二深度学习神经网络的输入层中，得到训练好的第二深度学习神经网络的输出数据。通过将待测试数据分割再汇总能够降低深度学习神经网络的数据维度和计算复杂度，提高深度学习神经网络的运算效率。

Deep learning method based on data segmentation and robot system

The invention relates to a deep learning method based on data segmentation and a robot system. The methods include: obtaining the data to be tested, dividing the data to be tested by the set of preset multiple input variables into multiple classes of data to be tested, and putting the multiple class to test subdata into the input layer of the first trained first depth learning neural network, and obtaining the most trained first depth learning neural network. The data of the hidden layer of the trained neural network is input into the input layer of the trained second depth learning neural network, and the output data of the trained second depth learning neural network are obtained. By dividing and summarizing the data to be tested, the data dimension and computational complexity of the neural network can be reduced to improve the operational efficiency of the deep learning neural network.

【技术实现步骤摘要】
基于数据分割的深度学习方法以及机器人系统
本专利技术涉及机器学习领域，特别是涉及一种深度学习方法、装置、机器人系统及存储介质。
技术介绍
人工神经网络(ArtificialNeuralNetworks，简写为ANNs)也简称为神经网络(NNs)或称作连接深度学习神经网络(ConnectionModel)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学深度学习神经网络。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学深度学习神经网络。在工程与学术界也常直接简称为“神经网络”或类神经网络。但现有的深度学习神经网络在处理输入数据变量数和输出数据非常多时，会由于计算复杂度的剧增，导致训练困难及训练得到的深度学习神经网络的应用效果差。
技术实现思路
基于此，有必要针对上述问题，提供一种深度学习方法、装置、机器人系统及存储介质。一种深度学习方法，所述方法包括：获取待测试数据；将所述待测试数据按照预设多类输入变量集合分割成多类待测试子数据；将所述多类待测试子数据对应输入到本文档来自技高网...

【技术保护点】
1.一种深度学习方法，所述方法包括：获取待测试数据；将所述待测试数据按照预设多类输入变量集合分割成多类待测试子数据；将所述多类待测试子数据对应输入到多个训练好的第一深度学习神经网络的输入层中；获取每个所述训练好的第一深度学习神经网络的最后隐层数据；将每个所述训练好的第一深度学习神经网络的最后隐层数据输入到训练好的第二深度学习神经网络的输入层中，得到所述训练好的第二深度学习神经网络的输出数据。

【技术特征摘要】
1.一种深度学习方法，所述方法包括：获取待测试数据；将所述待测试数据按照预设多类输入变量集合分割成多类待测试子数据；将所述多类待测试子数据对应输入到多个训练好的第一深度学习神经网络的输入层中；获取每个所述训练好的第一深度学习神经网络的最后隐层数据；将每个所述训练好的第一深度学习神经网络的最后隐层数据输入到训练好的第二深度学习神经网络的输入层中，得到所述训练好的第二深度学习神经网络的输出数据。2.根据权利要求1所述的方法，其特征在于，所述训练好的第一深度学习神经网络与所述训练好的第二深度学习神经网络包含于训练好的第三深度学习神经网络，其中，所述训练好的第三深度学习神经网络的输入变量为所述训练好的第一深度学习神经网络的输入变量，所述训练好的第三深度学习神经网络的输出数据为所述训练好的第二深度学习神经网络的输出数据。3.根据权利要求1所述的方法，其特征在于，所述待测试数据为待预测数据；所述将所述待测试数据按照预设多类输入变量集合分割成多类待测试子数据，包括：将所述待预测数据按照类别分割成对应不同类别的多个待测试数据。4.根据权利要求3所述的方法，其特征在于，在所述获取待预测数据之前，还包括：获取多个训练数据；将所述多个训练数据按照预设类别划分标准分割成对应不同类别的多类待训练子集；为预设的每类输入变量集合初始化一个第一深度学习神经网络；从每个训练子集中分别获取训练输入数据，并输入到各个训练子集对应的第一深度学习神经网络的输入层中，对每个训练子集的第一深度学习神经网络进行训练，得到多个训练好的第一深度学习神经网络。5.根据权利要求4所述的方法，其特征在于，所述从每个训练子集中分别获取训练输入数据，并输入到各个训练子集对应的第一深度学习神经网络的输入层中，对每个训练子集的第一深度学习神经网络进行训练，得到多个训练好的第一深度学习神经网络，包括：从每个训练子集中分别获取训练输入数据，并输入到各个训练子集对应的第一深度学习神经网络的输入层中，对每个训练子集的第一深度学习神经网络进行无监督训练。6.根据权利要求5所述的方法，其特征在于，在所述...

【专利技术属性】
技术研发人员：朱定局，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：广东,44