基于神经集群的数据处理方法及装置、存储介质、处理器制造方法及图纸

本发明专利技术公开了一种基于神经集群的数据处理方法及装置、存储介质、处理器。其中，该方法包括：获取原始数据，将原始数据进行共空间模式变换获得变换数据；基于变换数据得到包含第一矩阵的第一目标函数，其中，第一目标函数为原始数据的神经集群网络模型的目标函数，第一矩阵为神经集群网络模型的目标函数的权重参数；基于预设的梯度下降更新规则对第一矩阵进行更新，获得第二矩阵；根据第二矩阵更新第一目标函数。本发明专利技术解决了现有技术中监督学习模型训练效率低及鲁棒性差的技术问题。型训练效率低及鲁棒性差的技术问题。型训练效率低及鲁棒性差的技术问题。

【技术实现步骤摘要】
基于神经集群的数据处理方法及装置、存储介质、处理器


[0001]本专利技术涉及机器学习领域，具体而言，涉及一种基于神经集群的数据处理方法及装置、存储介质、处理器。

技术介绍

[0002]机器学习已广泛的应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别等多个领域。机器学习的关键是发现数据中的未知结构，从观测数据中学习一个好的特征表示，这种特征表示能有助于揭示数据的底层结构。目前，机器学习主要包括监督学习和无监督学习两类方法。其中监督学习是从标记的训练数据来推断一个功能的机器学习任务，训练数据包括一套训练示例。在监督学习中，每个示例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成，监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。
[0003]目前有监督表征学习主要应用有适合浅层模型的支撑矢量机(SVM)、适合深度学习模型的反向传播(BP)算法等。目前SVM仅适用于浅层模型以及小样本的情况，难于扩展到深度模型；BP算法是目前深度学习的主要基础算法，但要想取得好的效果必须要有大量的训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经集群的数据处理方法，其特征在于，获取原始数据，将所述原始数据进行共空间模式变换获得变换数据；基于所述变换数据得到包含第一矩阵的第一目标函数，其中，所述第一目标函数为神经集群网络模型的目标函数，所述第一矩阵为所述神经集群网络模型的目标函数的权重参数；基于预设的梯度下降更新规则对所述第一矩阵进行更新，获得第二矩阵；根据所述第二矩阵更新所述第一目标函数。2.根据权利要求1所述的方法，其特征在于，所述获取原始数据，将所述原始数据进行共空间模式变换获得变换数据，包括：获取表示原始数据的输入向量以及神经元输出向量；根据所述原始数据的输入向量以及所述神经元输出向量确定交互信息公式；确定包含协方差矩阵和变换矩阵的第二目标函数；根据所述交互信息公式和所述第二目标函数获得所述变换矩阵；根据所述变换矩阵将所述原始数据变换为所述变换数据。3.根据权利要求2所述的方法，其特征在于，在所述神经元输出向量的个数大于所述原始数据的向量维度的条件下，根据所述交互信息公式和所述第二目标函数获得所述变换矩阵，包括：获得所述交互信息公式的高度逼近公式；根据所述高度逼近公式和所述第二目标函数获得所述变换矩阵。4.根据权利要求1所述的方法，其特征在于，所述基于预设的梯度下降更新规则对所述第一矩阵进行更新，获得第二矩阵，包括：基于预设的梯度下降更新规则对所述第一矩阵进行更新，得到第三矩阵；确定迭代次数，其中，所述迭代次数用于表示基于预设的梯度下降更新规则对所述第一矩阵进行更新的次数；判断所述迭代次数是否达到预设次数，如果是，将所述第三矩阵作为所述第二矩阵且输出，如果否，则将所述第三...

【专利技术属性】
技术研发人员：黄文涛，葛建军，袁森，
申请(专利权)人：中国电子科技集团公司信息科学研究院，
类型：发明
国别省市：