一种面向智能制造业的自进化神经网络模型的构建方法技术

本发明专利技术公开一种面向智能制造业的自进化神经网络模型的构建方法。该方法包括：利用数据维度计算模块调整各种子网络架构的输入层和全连接层之间传递的数据维度，进行网络模型的初步定型；将历史数据并行传送到内部的种子网络架构进行预训练，各种子网络架构同时独立运行，通过预训练，演算出当前各种子网络架构下合适的网络参数，获得对应的局部最优参数集；子进化单元根据对应的局部最优参数集通过网络层数和特征数的增减演算适合的子网络层数和特征数，生成对应的最优子网络模型；对各最优子网络模型正式训练，并根据设定的性能指标排序，得到全局最优网络和权重模型。本发明专利技术能够自适应数据维度的变化并且能够自动进化为最合适的网络架构模型。为最合适的网络架构模型。为最合适的网络架构模型。

【技术实现步骤摘要】
一种面向智能制造业的自进化神经网络模型的构建方法


[0001]本专利技术涉及智能制造
，更具体地，涉及一种面向智能制造业的自进化神经网络模型的构建方法。

技术介绍

[0002]由于计算机硬件的飞速发展，以深度学习为代表的人工智能得到广泛的应用和发展。各行各业都在积极拥抱人工智能算法，但由于各行业的数据类型或者说数据的维度大相径庭，所以在图像处理领域的广泛应用的模型如LeNet，AlexNet和ResNet等并不能很好的发挥作用。例如，当输入数据的维度发生变化的时候，AI工程师需要重新调整神经网络参数包括卷积层间的数据维度、激活函数、损失函数、优化函数和优化步长等，或者用不同的网络架构来分别测试手头的数据，最终通过效果比较来选择适合自己行业和自己手头的数据的网络架构和参数，这种方式费时费力。并且如果数据的维度稍微发生了变化，例如工厂的生产线添加了一台或几台设备，那么原来的网络架构就不再适用，输入层和全连接层需要更改，所采用的网络参数如激活函数、损失函数、优化函数和优化步长等，也要重新选择和调试，所消耗的时间完全依赖于资深专业人士的经验，导致本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向智能制造业的自进化神经网络模型的构建方法，该自进化神经网络模型包括数据维度计算模块、多个种子网络架构、多个预训练单元、多个子进化单元，该方法包括以下步骤：利用数据维度计算模块自动调整各种子网络架构的输入层和全连接层之间传递的数据维度，进行网络模型的初步定型；将历史数据并行传送到内部的种子网络架构进行预训练，各种子网络架构同时独立运行，通过循环反复预训练，演算出当前各种子网络架构下合适的网络参数，获得对应的局部最优参数集；子进化单元根据对应的局部最优参数集通过网络层数和特征数的增减演算出适合的子网络层数和特征数，从而生成对应的最优子网络模型；对各最优子网络模型进行正式训练，并根据设定的性能指标排序，进而得到全局最优网络和权重模型。2.根据权利要求1所述的方法，其特征在于，所述局部最优参数集包括激活函数、损失函数、优化函数和优化步长。3.根据权利要求1所述的方法，其特征在于，所述多个种子网络架构包括LeNet、AlexNet和ResNet的全部或部分组合。4.根据权利要求3所述的方法，其特征在于，所述自进化神经网络模型的构建过程表示为：y＝max{max[L
n1
(f
a
，f
l
，f
o
...

【专利技术属性】
技术研发人员：渠元菊，楚湘华，王阳鹏，侯增涛，
申请(专利权)人：深圳大学，
类型：发明
国别省市：