一种储备池数据处理方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术实施例提供了一种储备池数据处理方法、装置、电子设备和存储介质。所述储备池数据处理方法包括：在测试验证阶段，获取输入层数据；基于储备池的随机权重，对所述输入层数据进行时间演变计算，生成输出层数据；对所述输入层数据进行岭回归得到输入拟合值，对所述输出层数据进行所述岭回归得到输出拟合值；依据所述输入拟合值和所述输出拟合值确定拟合差值；当所述拟合差值大于预设过拟合阈值时，确定所述储备池过拟合，调整所述随机权重，直至所述拟合差值不大于所述过拟合阈值。通过本发明专利技术实施例可以对储备池的输出层进行优化，提高储备池的运行效率。高储备池的运行效率。高储备池的运行效率。

【技术实现步骤摘要】
一种储备池数据处理方法、装置、电子设备和存储介质


[0001]本专利技术涉及人工智能
，特别是涉及一种储备池数据处理方法、一种储备池数据处理装置、一种电子设备和一种存储介质。

技术介绍

[0002]随着人工智能(ArtificialInteligence，AI)的热潮席卷各行各业，作为人工智能核心的“AI芯片”变得炙手可热，它是所有智能设备必不可少的核心器件，专门用于处理AI相关的计算任务。AI芯片领域不光是半导体芯片公司竞争的舞台，连互联网公司、云计算公司都纷纷发布推出芯片的计划。
[0003]AI芯片包含两个领域的内容：一个是计算机科学领域，简单地说就是软件，即研究如何设计出高效率的智能算法；另一个是半导体芯片领域，简单地说就是硬件，即研究如何把这些算法有效地在硅片上实现，变成能与配套软件相结合的最终产品。其中，采用储备池已经发展成为一种AI芯片中使用动态系统对时间序列数据进行处理的方案。但是，现有的储备池输出层过拟合确定方式复杂，导致储备池输出层的误差较大，储备池需要重复运行处理，使得储备池的运行效率低下。

技术实现思路

[0004]鉴于上述问题，提出了本专利技术实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种储备池数据处理方法、一种储备池数据处理装置、一种电子设备和一种存储介质。
[0005]在本专利技术的第一个方面，本专利技术实施例公开了一种储备池数据处理方法，包括：
[0006]在测试验证阶段，获取输入层数据；
[0007]基于储备池的随机权重，对所述输入层数据进行时间演变计算，生成输出层数据；
[0008]对所述输入层数据进行岭回归得到输入拟合值，对所述输出层数据进行所述岭回归得到输出拟合值；
[0009]依据所述输入拟合值和所述输出拟合值确定拟合差值；
[0010]当所述拟合差值大于预设过拟合阈值时，确定所述储备池过拟合，调整所述随机权重，直至所述拟合差值不大于所述过拟合阈值。
[0011]可选地，所述储备池的随机权重包括输入连通性权重矩阵、储备池连通性权重矩阵和输出权重矩阵；所述基于储备池的随机权重，对所述输入层数据进行时间演变计算，生成输出层数据的步骤包括：
[0012]获取输入时间矢量；
[0013]确定所述时间矢量与所述输入连通性权重矩阵的第一乘积值；
[0014]确定所述输入层数据与所述储备池连通性权重矩阵的第二乘积值；
[0015]基于所述第一乘积值和所述第一乘积值，确定储备池状态矢量；
[0016]依据所述储备池状态矢量与所述输出权重矩阵，生成所述输出层数据。
[0017]可选地，所述依据所述储备池状态矢量与所述输出权重矩阵，生成所述输出层数据的步骤包括：
[0018]计算所述储备池状态矢量与所述输出权重矩阵的第三乘积值；
[0019]确定所述第三乘积值为所述输出层数据。
[0020]可选地，所述对所述输入层数据进行岭回归得到输入拟合值的步骤包括：
[0021]将所述输入层数据进行正则化，得到输入正则值；
[0022]计算所述输入正则值与预设第一正则化项的和值，并确定所述输入正则值与所述预设第一正则化项的和值为所述输入拟合值。
[0023]可选地，所述对所述输出层数据进行所述岭回归得到输出拟合值的步骤包括：
[0024]将所述输出层数据进行正则化，得到输出正则值；
[0025]计算所述输出正则值与预设第二正则化项的和值，并确定所述输出正则值与所述预设第二正则化项的和值为所述输出拟合值。
[0026]可选地，所述依据所述输入拟合值和所述输出拟合值确定拟合差值的步骤包括：
[0027]计算所述输入拟合值和所述输出拟合值的第一差值；
[0028]确定所述第一差值的绝对值为所述拟合差值。
[0029]可选地，所述方法还包括：
[0030]当所述拟合差值不大于所述过拟合阈值时，确定所述储备池验证成功。
[0031]在本专利技术的第二个方面，本专利技术实施例还公开了一种储备池数据处理装置，包括：
[0032]获取模块，用于在测试验证阶段，获取输入层数据；
[0033]演变模块，用于基于储备池的随机权重，对所述输入层数据进行时间演变计算，生成输出层数据；
[0034]拟合模块，用于对所述输入层数据进行岭回归得到输入拟合值，对所述输出层数据进行所述岭回归得到输出拟合值；
[0035]差值模块，用于依据所述输入拟合值和所述输出拟合值确定拟合差值；
[0036]过拟合确定模块，用于当所述拟合差值大于预设过拟合阈值时，确定所述储备池过拟合，调整所述随机权重，直至所述拟合差值不大于所述过拟合阈值。
[0037]在本专利技术的第三个方面，本专利技术实施例公开了一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的储备池数据处理方法的步骤。
[0038]在本专利技术的第四个方面，本专利技术实施例公开了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的储备池数据处理方法的步骤。
[0039]本专利技术实施例包括以下优点：
[0040]本专利技术实施例通过在测试验证阶段，获取输入层数据；基于储备池的随机权重，对所述输入层数据进行时间演变计算，生成输出层数据；对所述输入层数据进行岭回归得到输入拟合值，对所述输出层数据进行所述岭回归得到输出拟合值；依据所述输入拟合值和所述输出拟合值确定拟合差值；当所述拟合差值大于预设过拟合阈值时，确定所述储备池过拟合，调整所述随机权重，直至所述拟合差值不大于所述过拟合阈值。通过在测试验证阶段利用储备池的时间演变计算出输出层数据，再将输入层数据和输出层数据基于岭回归确
定出过拟合值，在拟合值过高时对储备池的随机权重进行调整，使得储备池的输出层得到优化，提高储备池的运行效率。
附图说明
[0041]图1是本专利技术的一种储备池数据处理方法实施例的步骤流程图；
[0042]图2是本专利技术的另一种储备池数据处理方法实施例的步骤流程图；
[0043]图3是本专利技术的一种储备池数据处理方法示例的执行示意图；
[0044]图4是本专利技术的一种储备池数据处理装置实施例的结构框图。
具体实施方式
[0045]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0046]储备池就是随机生成的、大规模的、稀疏连接(通常保持1％
‑
5％连接)的递归结构，最初被定义为训练循环神经网络(RNN)的一种轻量级方法，但现在已经发展成为一种使用动态系统对时间序列数据进行计算的方法。读出层通常是储备池状态的线性组合。使用监督学习技术确定读出权重，其中网络由教师样例输入驱动，并将其输出与相应的教师数据输出进行比本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种储备池数据处理方法，其特征在于，包括：在测试验证阶段，获取输入层数据；基于储备池的随机权重，对所述输入层数据进行时间演变计算，生成输出层数据；对所述输入层数据进行岭回归得到输入拟合值，对所述输出层数据进行所述岭回归得到输出拟合值；依据所述输入拟合值和所述输出拟合值确定拟合差值；当所述拟合差值大于预设过拟合阈值时，确定所述储备池过拟合，调整所述随机权重，直至所述拟合差值不大于所述过拟合阈值。2.根据权利要求1所述的方法，其特征在于，所述储备池的随机权重包括输入连通性权重矩阵、储备池连通性权重矩阵和输出权重矩阵；所述基于储备池的随机权重，对所述输入层数据进行时间演变计算，生成输出层数据的步骤包括：获取输入时间矢量；确定所述时间矢量与所述输入连通性权重矩阵的第一乘积值；确定所述输入层数据与所述储备池连通性权重矩阵的第二乘积值；基于所述第一乘积值和所述第一乘积值，确定储备池状态矢量；依据所述储备池状态矢量与所述输出权重矩阵，生成所述输出层数据。3.根据权利要求2所述的方法，其特征在于，所述依据所述储备池状态矢量与所述输出权重矩阵，生成所述输出层数据的步骤包括：计算所述储备池状态矢量与所述输出权重矩阵的第三乘积值；确定所述第三乘积值为所述输出层数据。4.根据权利要求1所述的方法，其特征在于，所述对所述输入层数据进行岭回归得到输入拟合值的步骤包括：将所述输入层数据进行正则化，得到输入正则值；计算所述输入正则值与预设第一正则化项的和值，并确定所述输入正则值与所述预设第一正则化项的和值为所述输入拟合值。5.根据权利要求4所述的方法，其特征在于，所述对所述输出层数...

【专利技术属性】
技术研发人员：臧艳芳，王健，付迎鑫，徐锐，王红波，杨传信，张健，曹芯蕊，焉域政，张强，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：