【技术实现步骤摘要】
【国外来华专利技术】广义操作感知:新生人工神经网络
某些实施方式通常可涉及用于机器学习的各种技术。更具体地,本专利技术的某些实施方式一般涉及前馈、完全连接的人工神经网络(ANN)、训练广义操作感知器(GOP),以及利用渐进操作感知器(POP)实现自组织和深度自适应GOP。
技术介绍
广义上的学习可以是分类、数据回归、特征提取和综合或函数逼近的形式。例如,分类的目标是找出每个类的输入数据(原始信号、数据或特征向量)到N维空间中与其他空间分离得很远的不同位置的正确转换,其中N是类的数量。因此,学习中的挑战是找到正确转换(线性或非线性)或一般来说,找到正确的连续变换集合,以便达到潜在的学习目标。为此目的,大多数现有分类器仅使用一个或几个(非)线性运算符。一个实例是支持向量机(SVM),其中必须对将要使用的(非)线性核函数进行关键选择,并随后定义适当的参数。即使可以针对内核函数的参数优化分类器的性能,与通过使用适合当前问题特征的内核函数可以实现的性能进行相比,选择不适当的内核函数可能导致性能低下。例如,考虑图1中所示的两个样本特征变换(FS-1和FS-2),其中为了说明的目的,特征仅以1-D和2-D示出,并且仅考虑两类问题。在FS-1的情况下,具有二次形式的多项式核的SVM将正确地变换为3-D,使得新的(变换的)特征是线性可分的。然而,对于FS-2,可以替代地使用具有正确频率f的正弦曲线。因此,特别是在实际和复杂的问题中,只能实现正确的(一组)变换的高水平的操作多样性是至关重要的。在生物学习系统中,这在神经元细胞水平上得到解决。例如,图2示出了具有信号流方向的生物神经元(左)和哺乳动 ...
【技术保护点】
1.一种方法,包括:在输入层的输入神经节点接收数据,所接收的数据对应于要完成的学习目标;通过将所述输入层指定为最大POP配置(POPmax)的输入层来初始化最终POP;通过使用POPmax的输入层、第一隐藏层和输出层的配置,来形成3层单隐藏层多层渐进操作感知器(第一GOPmin);插入所形成的第一GOPmin的隐藏层作为所述最终POP的第一隐藏层;生成所述第一GOPmin的学习性能统计;确定利用所述第一GOPmin是否能够达到所述学习目标;如果达到所述学习目标,则终止形成过程;如果使用第一GOPmin无法达到所述学习目标,则通过前向传播训练数据、使用先前隐藏层的输出作为输入层、使用所述POPmax的第二隐藏层作为隐藏层并且使用所述POPmax的输出层作为输出层的配置来形成第二3层单隐藏层多层渐进操作感知器(第二GOPmin);形成所述第二GOPmin,并插入所形成的第二GOPmin的隐藏层作为所述最终POP的第二隐藏层;生成所述第二GOPmin的学习性能统计;检查利用所述第二GOPmin是否达到目标性能,如果没有达到,则重复:以相同的顺序形成、检查并插入第三、第四和附加的GOPmin, ...
【技术特征摘要】
【国外来华专利技术】1.一种方法,包括:在输入层的输入神经节点接收数据,所接收的数据对应于要完成的学习目标;通过将所述输入层指定为最大POP配置(POPmax)的输入层来初始化最终POP;通过使用POPmax的输入层、第一隐藏层和输出层的配置,来形成3层单隐藏层多层渐进操作感知器(第一GOPmin);插入所形成的第一GOPmin的隐藏层作为所述最终POP的第一隐藏层;生成所述第一GOPmin的学习性能统计;确定利用所述第一GOPmin是否能够达到所述学习目标;如果达到所述学习目标,则终止形成过程;如果使用第一GOPmin无法达到所述学习目标,则通过前向传播训练数据、使用先前隐藏层的输出作为输入层、使用所述POPmax的第二隐藏层作为隐藏层并且使用所述POPmax的输出层作为输出层的配置来形成第二3层单隐藏层多层渐进操作感知器(第二GOPmin);形成所述第二GOPmin,并插入所形成的第二GOPmin的隐藏层作为所述最终POP的第二隐藏层;生成所述第二GOPmin的学习性能统计;检查利用所述第二GOPmin是否达到目标性能,如果没有达到,则重复:以相同的顺序形成、检查并插入第三、第四和附加的GOPmin,直到达到所述目标性能或形成POPmax的所有隐藏层;以及形成所述最终POP的输出层作为形成的最后GOPmin的输出层。2.根据权利要求1所述的方法,其中,所述第一隐藏层和附加隐藏层以及输出层的形成包括确定包含在其中的神经节点的最优运算符和参数。3.根据权利要求1所述的方法,其中,当确定能够利用所述第一隐藏层实现所述学习目标时,所述方法还包括将所述第一隐藏层附加到最终的多层渐进操作感知器作为其第一隐藏层。4.根据权利要求1所述的方法,其中,通过贪婪迭代搜索来执行所述第一隐藏层和附加隐藏层的形成。5.根据权利要求4所述的方法,其中,所述贪婪迭代搜索包括通过顺序地将一个运算符集分配给所述第一隐藏层和所述附加隐藏层的所有神经节点来执行分层评估。6.一种装置,包括:至少一个存储器,包括计算机程序代码;和至少一个处理器;其中,所述至少一个存储器和所述计算机程序代码与所述至少一个处理器一起配置,以使所述装置至少:在输入层的输入神经节点接收数据,所接收的数据对应于要完成的学习目标;使用最大POP配置(POPmax)的第一隐藏层和的输出层形成3层单隐藏层多层渐进操作感知器(第一GOPmin);确定利用所述第一隐藏层是否能够达到所述学习目标;如果使用所述第一隐藏层无法达到所述学习目标,则使用先前隐藏层的输出作为输入层、使用POPmax的第二隐藏层作为唯一隐藏层和POPmax的输出层形成第二...
【专利技术属性】
技术研发人员:塞尔坎·基兰亚兹,特克尔·因斯,蒙塞夫·格波布杰,亚历山德罗斯·约瑟菲迪斯,
申请(专利权)人:卡塔尔大学,
类型:发明
国别省市:卡塔尔,QA
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。