面向神经网络的无监督聚类算法、装置及其电子设备制造方法及图纸

本发明专利技术公开了一种面向神经网络的无监督聚类算法、装置及其电子设备，涉及网络技术领域，包括：获取多个神经网络，并从中选取基准网络；获取基准网络和除基准网络之外的神经网络的隐含元素相似度；基于基准网络的隐含元素相似度和除基准网络之外的神经网络的隐含元素相似度，逐层进行最大二分权匹配，得到匹配结果；按照匹配结果，调整除基准网络之外的神经网络的各层的权重连接顺序。本申请大幅提高聚类准确度和聚合后的模型性能。类准确度和聚合后的模型性能。类准确度和聚合后的模型性能。

【技术实现步骤摘要】
面向神经网络的无监督聚类算法、装置及其电子设备


[0001]本专利技术属于网络
，具体涉及一种面向神经网络的无监督聚类算法及其装置。

技术介绍

[0002]随着物联网的不断发展，移动电话、可穿戴设备和自主车辆等均使用分布式网络；其中，分布式网络中的设备会产生大量数据，并产生了多种任务处理的需求，对设备的计算能力提出挑战。
[0003]现有技术中，由多个客户端参与的协同学习随之兴起，使得设备计算能力不断提升，使得设备在本地存储数据并完成计算成为可能；其中，协同学习作为可以在产生数据的设备上进行大规模训练的学习框架得到广泛的应用；但分布式网络中的设备会产生大量数据，将本地的大量数据通过神经网络进行及时处理是目前亟需解决的问题，使用协同学习不能有效利用各客户端之间的联系，不能得到较高的聚类精度。

技术实现思路

[0004]为了解决现有技术中存在的上述问题，本专利技术提供了一种面向神经网络的无监督聚类算法及其装置。本专利技术要解决的技术问题通过以下技术方案实现：
[0005]第一方面，本申请提供一种面向神经网络的无本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向神经网络的无监督聚类算法，其特征在于，包括：获取多个神经网络，并从中选取基准网络；获取所述基准网络和除所述基准网络之外的神经网络的隐含元素相似度；基于所述基准网络的隐含元素相似度和除所述基准网络之外的神经网络的隐含元素相似度，逐层进行最大二分权匹配，得到匹配结果；按照所述匹配结果，调整除所述基准网络之外的所述神经网络的各层的权重连接顺序。2.根据权利要求1所述的面向神经网络的无监督聚类算法，其特征在于，所述获取多个神经网络，并从中选取基准网络，包括两种方式，分别为：通过模型性能选取和通过区分度选取；通过模型性能选取的过程包括：分别采用不同的神经网络对同一测试数据进行分类，将分类准确度最高的神经网络作为基准网络；通过区分度选取的过程包括：分别获取多个神经网络的方差，根据神经网络的方差选取基准网络。3.根据权利要求1所述的面向神经网络的无监督聚类算法，其特征在于，基于所述基准网络的隐含元素相似度和除所述基准网络之外的神经网络的隐含元素相似度，逐层进行最大二分权匹配，得到匹配结果的过程包括：选取所述基准网络和除所述基准网络之外的神经网络的对应层，构建多个二分图；利用匈牙利算法获取构建的所有二分图...

【专利技术属性】
技术研发人员：公茂果，林一鸣，张斯佳，高原，王善峰，范晓龙，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：