一种基于离散动态机制的数据分类方法及装置制造方法及图纸

本发明专利技术公开了一种基于离散动态机制的数据分类方法及装置，该装置基于一种基于离散动态机制的数据分类方法，包括：接收数据样本集，进行数据预处理；构建动态神经网络模型，所述动态神经网络模型每层包括若干神经元建立的动态模块，且每层中的动态模块与下一层某一动态模块连接，最后一层中动态模块提取的特征与数据类别之间为全连接网络；采用标准化处理后的数据样本集训练动态神经网络模型，得到数据分类模型；接收待分类数据，根据数据分类模型进行数据分类。

【技术实现步骤摘要】
一种基于离散动态机制的数据分类方法及装置
本公开属于数据处理的
，涉及一种基于离散动态机制的数据分类方法及装置。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。当今时代数据已经成为一种重要的资源，对已有数据进行分析处理，从中找出规律进行分类是一件非常有意义的工作。由于硬件性能的限制，深度学习模型效果并不太理想，近几年，图形处理器(GPU)的出现掀起了新一波的深度学习浪潮，推动了人工智能的进一步发展。在几乎所有深度模型中，卷积神经网络模块(CNN)对于大数据的分析与处理起到了非常关键的作用。目前，几乎所有的深度学习模型都会有不同程度的卷积模块。因此，卷积神经网络的研究对深度学习而言具有重要意义。当前卷积神经网络模型中，卷积核的一种重要选取方式为从图像中随机的选择若干个patch，然后基于所选择的patch对图形进行特征提取，虽然很多时候取得了不错的效果，但使用该方法进行特征提取，数据间的相关性未能得到充分使用，且模型参数过于庞大，通常参数个数都在百兆级别，给学习过程带来诸多不便。
技术实现思路
针对现有技术中存在的不足，解决在数据分类中因卷积神经网本文档来自技高网...

【技术保护点】
1.一种基于离散动态机制的数据分类方法，其特征在于，该方法包括：接收数据样本集，进行数据预处理；构建动态神经网络模型，所述动态神经网络模型每层包括若干神经元建立的动态模块，且每层中的动态模块与下一层某一动态模块连接，最后一层中动态模块提取的特征与数据类别之间为全连接网络；采用标准化处理后的数据样本集训练动态神经网络模型，得到数据分类模型；接收待分类数据，根据数据分类模型进行数据分类。

【技术特征摘要】
1.一种基于离散动态机制的数据分类方法，其特征在于，该方法包括：接收数据样本集，进行数据预处理；构建动态神经网络模型，所述动态神经网络模型每层包括若干神经元建立的动态模块，且每层中的动态模块与下一层某一动态模块连接，最后一层中动态模块提取的特征与数据类别之间为全连接网络；采用标准化处理后的数据样本集训练动态神经网络模型，得到数据分类模型；接收待分类数据，根据数据分类模型进行数据分类。2.如权利要求1所述的一种基于离散动态机制的数据分类方法，其特征在于，在该方法中，所述构建动态神经网络模型的具体步骤包括：将神经元建模为动态模块，并在深度学习模型每层随机生成若干动态模块；确定每层中动态模块与其连接的下一层动态模块；将最后一层中动态模块提取的特征与数据分类的类别之间建立全连接网络，构建动态神经网络模型。3.如权利要求2所述的一种基于离散动态机制的数据分类方法，其特征在于，在该方法中，所述将神经元建模为动态模块的具体步骤包括：将数据样本集进行标准化处理；将标准化处理后的数据样本集通过动态模型；依次进行非线性映射和池化处理。4.如权利要求3所述的一种基于离散动态机制的数据分类方法，其特征在于，在该方法中，所述动态模型为某一层动态模型的当前状态为该层动态模型的当前输入加上该层动态模型当前参数与其前一刻状态的乘积。进一步地，所述某一层动态模型参数为随机生成，且满足其特征根位于单位圆内。5.如权利要求1所述的一种基于离散动态机制的数据分类方法，其特征在于，在该方法中，所述每层中动态模块根据概率确...

【专利技术属性】
技术研发人员：王强，张化祥，计华，孙建德，王吉华，马学强，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：山东,37