一种自动机器学习的构成方法技术

本发明专利技术涉及信息处理领域中的一种自动机器学习的构成方法，其特征在于：基于一种最佳化的尺度，或最大信息量的尺度，或最大概率的尺度，经过迭代可产生一个最佳化，或最大信息量，最大密度，或最大概率的空间。在上述的空间中，由另一个函数逼近模型依赖于这一空间进行函数逼近。由上述反复循环；复数次迭代达到目标函数的最佳逼近，由此所构成一种自动机器学习。本发明专利技术实施效果是：具有比传统的机器学习更大的算力，无需训练数据就可以达到最佳的函数逼近效果，同时计算效率高，无黑箱问题，可以组成新型的神经网络，具有无限深入的处理能力，计算复杂度低，可以适于各种工业化的应用。

A construction method of automatic machine learning

【技术实现步骤摘要】
一种自动机器学习的构成方法
本专利技术属于人工智能领域中的一种自动机器学习的构成方法。
技术介绍
自动驾驶汽车是人工智能的主战场，但是遗憾的是针对自动驾驶汽车的控制问题应用的专用的机器学习的研究成果甚少，至今仍没有引起广泛的注意。日本著名的丰田公司发表了“驾驶指向推定装置”的专利(专利文献1)，该专利提出根据汽车自动驾驶过程中，针对突发的情况，即使驾驶员没有反映的情况下，通过人工智能的逆传递神经网络的机器学习算法，自动的选择驾驶状态，以避免行车事故的发生等。2016年10月9日日本NHK由解说委员室山哲也所讲解的“如何跨越自动驾驶的壁垒”(非专利文献1)。在这个专题上，室山哲也提出了在自动驾驶系统中目前还解决不了的几个问题：人机判断冲突疑难：今年2月在谷歌进行自动驾驶的实验，当谷歌车右拐时，前面有一沙堆的障碍物，谷歌车急向右车道闪去，正好这时右车道后面来了一辆大巴，大巴的驾驶员认为谷歌车会迅速刹车，没想到会往右车道躲闪，因此出现了撞车的严重事故。车距选择的人机感觉融合的疑难：按某公司的调查，路上遇到自动驾驶汽车时，有41％的驾驶员是认为离这辆自动驾驶汽车越远越好，但是也有人认为跟着固定距离比较好，或认为接近一点好，还有人抱有好奇心要追上前面的自动驾驶汽车。这是作为自动驾驶汽车如何解决人机感觉融合问题，以及如何选择最接近于人的驾驶问题，这成为了复杂的自动控制疑难。人机权限转让问题：在人机操作的转换阶段，人机之间的意识是不能传递的。例如在紧急情况下，需由自动驾驶马上切换到人工驾驶的瞬间，自动驾驶当时所选的应急方案与人工驾驶不同，容易造成事故，或贻误时机。Trolley问题：在遇到紧急时刻，如何使牺牲者的数量降至最少？这是有名的Trolley问题，既涉及复杂的伦理疑难，也是技术难点。在机器学习的自动驾驶理论中，目前尚没有人提出过有价值的解决方案。2018年3月Uber自动驾驶汽车出现了撞人事件，暴露了在自动驾驶汽车的开发中如何解决安全行使与舒适行使的矛盾，以及解决判定障碍物时的阀值设定问题。(非专利文献2)路侧里程已经绕地球一圈，被寄望于颠覆世界，即将投入商业运营的Google无人车，现在(2018年8月)在家门口又暴露连转弯都有问题。(非专利文献3)由日立大岛弘安发表的“用模糊预测控制实现列车自动驾驶”的论文(非专利文献4)，该论文提出通过模糊推论的规则库可以实现列车的自动驾驶。由筑波大学安信诚二发表的“采用预测模糊控制的列车自动驾驶系统”(非专利文献5)，提出传统的PID调节虽然可以准确的控制列车自动驾驶的走行，但圆滑的行走是自动驾驶的关键，也是乘者感到舒适的关键。以及自动驾驶的核心问题是一个需要考虑安全性，走行速度，车站间的走行时间，舒适感，消耗电力，以及停止精度的多目的控制问题。【专利文献】【专利文献1】(特开2008-225923)【非专利文献1】http：//www.nhk.or.jp/kaisetsu-blog/100/255089.html【非专利文献2】http：//www.sohu.com/a/225962192_100083734【非专利文献3】https：//baijiahao.baidu.com/s？id＝1610113338436012375&wfr＝spider&for＝pc【非专利文献4】https：//www.jstage.jst.go.jp/article/ieejeiss1987/109/5/109_5_337/_pdf【非专利文献5】http：//ttt.akiba.coocan.jp/yasunobu/edu/intconthtms/text/Sic07a_trainATO.pdf#search＝％27予見ファヅィ一制御列車自動運転システ厶％27上述(专利文献1)，采用人工智能的神经网络算法，但是，神经网络算法中主要是通过“训练”将目标函数的信息承载在海量的加权值和阀值的数据集上，加权值W，与阀值T在学习的过程中，要想得到最佳的解，需要采用穷举法将所有的状态都要进行测试，所要组合的总次数是{(W×T)n}×P，这里n为一层的神经网络的节点数，P为神经网络的层数，如此高指数的计算复杂度使计算量庞大，所需要的硬件开销巨大，属于大模型解决小任务的问题。再有作为补救的措施深度学习所采用的针对学习效果的损失函数所引用的概率梯度下降法简称SGD，所得到的训练值也只是一个局部最佳解，因此不可避免的会出现“黑箱”问题，再有神经网络的模型中的阀值属于人为定义，同人的大脑的神经网络的机理毫无关系，脑神经的刺激信号的机理丝毫不能在传统的神经网络模型中体现，人的头脑根据神经元的神经信号所产生的兴奋程度不同进行不同的判断的机理在目前的神经网络的模型中也不能体现等等，传统的神经网络模型不能普遍的推广应用。如今进入深度学习的阶段，同传统的神经网络相比只增加了隐藏层的数量，这更加使计算的复杂度加大，传统神经网络的致命的黑箱问题得不到解决，应用于自动驾驶汽车中一定会存在着安全隐患，应用的前景很难期待。上述(非专利文献1)所提出的“人机判断冲突疑难”，“车距选择的人机感觉融合的疑难”，“人机权限转让问题”以及“Trolley问题”应该成为人工智能自动驾驶汽车中必须要解决的问题，应成为人工智能的核心问题，然而目前却没有引起广泛的重视。上述(非专利文献2)与(非专利文献3)暴露了Google以及大多数的国际著名车厂采用传统的控制方法，在将近10年的自动驾驶汽车的开发中，始终停滞不前，这里面由于自动驾驶汽车的复杂度非常高以致出现了控制领域的NP问题。如果不绕开这个NP问题，自动驾驶汽车永远也不会有进展。上述(非专利文献4)主要解决的是列车的自动驾驶问题，所提出的利用模糊推论的规则库实现列车的自动驾驶，庞大的知识库的建立需要投入大规模的人工构建规则库的作业，而且只能解决两三个以内的目标函数，在汽车自动驾驶中的应用比较困难。上述(非专利文献5)虽然提出了多目的的模糊控制，也是因为所采用的模糊控制在对应较多的目标函数的控制上比较勉强，因此仍然停留在针对每一个具体的目标函数的单独控制。特别是在自动驾驶汽车中的人机感觉的融合及安全性、节能、舒适等目标函数，多目标的同时控制，由于不同的目标函数不在同一空间，无法找到一个共同的最佳化的控制点，即使映射到同一空间，不同的目标函数用传统的方法不可能得到一个共同的最佳交点，为此，必须寻找多目的最佳控制之间的冗余，真正实现多目的的最佳的控制，因此，需要解决多目的控制的机器学习模型的建立。
技术实现思路
本专利技术的第一个目的是：提出一个复合模型的更加强大的自动机器学习模型，提高机器学习的算力，从而实现无训练也可实现机器学习的图像逼近。本专利技术的第二个目的是：让自动驾驶汽车可以向优良驾驶员学习人的高超的驾驶技巧，提高自动驾驶汽车的控制水平，可降低自动驾驶汽车控制的复杂度，绕开传统的自动驾本文档来自技高网...

【技术保护点】
1.一种自动机器学习的构成方法，其特征在于：/n(1)基于一种最佳化的尺度，或最大信息量的尺度，或最大概率的尺度；经过迭代可产生一个最佳化，或最大信息量，最大密度，或最大概率的空间；/n(2)在上述的最佳化，或最大信息量，或最大概率的空间中，由另一个函数逼近模型依赖于这一空间进行函数逼近；/n(3)由上述(1)与(2)的反复循环；复数次迭代达到目标函数的最佳逼近；由此所构成一种自动机器学习。/n

【技术特征摘要】
1.一种自动机器学习的构成方法，其特征在于：
(1)基于一种最佳化的尺度，或最大信息量的尺度，或最大概率的尺度；经过迭代可产生一个最佳化，或最大信息量，最大密度，或最大概率的空间；
(2)在上述的最佳化，或最大信息量，或最大概率的空间中，由另一个函数逼近模型依赖于这一空间进行函数逼近；
(3)由上述(1)与(2)的反复循环；复数次迭代达到目标函数的最佳逼近；由此所构成一种自动机器学习。


2.根据权利要求1所述的一种自动机器学习的构成方法，其特征在于：所述一种最佳化的尺度是指：包括分形；或者是模拟生物在自然环境下的遗传和进化的遗传操作；或者是最大模糊值；或者是最大密度值；或者是最大近似值；或者是最大类似关系值中的一种；
或者是针对非概率空间也可引伸到欧几里德空间的距离(EuclideanDistance)尺度、或者是曼哈顿距离(ManhattanDistance)尺度、或者是切比雪夫距离(ChebyshevDistance)尺度、或者是闵可夫斯基(MinkowskiDistance)尺度、或者是马氏距离(MahalanobisDistance)尺度、或者是夹角余弦(Cosine)尺度、或者是统一欧几里的空间与概率空间的距离尺度、或者是统一欧几里的空间与概率空间的模糊事件概率测度中的一种；
或者是也可引伸...

【专利技术属性】
技术研发人员：顾泽苍，
申请(专利权)人：顾泽苍，
类型：发明
国别省市：天津;12