改进多模型机制的神经网络输出后处理方法技术

本发明专利技术公开了一种改进多模型机制的神经网络输出后处理方法，通过设置多模型层神经网络，使用训练后的多模型层神经网络对输入数据进行辨识或预测，获得最终的辨识或预测结果，多模型层神经网络，包括神经网络模块和多模型层模块，多模型层模块设置在神经网络模块的隐含层与输出层之间，在多模型层模块中具有模型，所述模型中含有多个单元，每个单元将隐含层的输出结果作为输入，多个单元的输出结果合并回归后作为模型的输出传递至输出层。本发明专利技术公开的方法，降低了神经网络训练初始损失函数值，训练过程中损失函数下降快，可以减少训练次数，降低训练时间。降低训练时间。降低训练时间。

【技术实现步骤摘要】
改进多模型机制的神经网络输出后处理方法


[0001]本专利技术涉及一种神经网络后处理方法，具体涉及一种改进多模型机制的神经网络输出后处理方法，属于人工智能


技术介绍

[0002]随着计算机计算能力和储存能力的发展，能够对大量数据进行分析的神经网络在各个方面得到了广泛应用。
[0003]神经网络的输出受到初始化方法、模型结构等多种因素的影响，其输出范围在训练开始时随机性较大。因此神经网络在处理回归问题时，训练过程中需要首先将神经网络的输出训练到所需范围内，而后再对其进行更细致的调整。
[0004]传统的神经网络训练方法拖慢了神经网络的训练速度，浪费了大量的计算量和时间，不利于神经网络输出精度的提升。因此，有必要研究一种能够提升神经网络在回归问题中训练速度的方法。

技术实现思路

[0005]为了克服上述问题，本专利技术人进行了深入研究，提出了一种改进多模型机制的神经网络输出后处理方法，通过设置多模型层神经网络，使用训练后的多模型层神经网络对输入数据进行辨识或预测，获得最终的辨识或预测结果，
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进多模型机制的神经网络输出后处理方法，其特征在于，通过设置多模型层神经网络，使用训练后的多模型层神经网络对输入数据进行辨识或预测，获得最终的辨识或预测结果，所述多模型层神经网络，包括神经网络模块和多模型层模块，所述神经网络模块包括输入层、隐含层和输出层，所述多模型层模块设置在神经网络模块的隐含层与输出层之间，在多模型层模块中具有模型，所述模型中含有多个单元，每个单元将隐含层的输出结果作为输入，多个单元的输出结果合并回归后作为模型的输出传递至输出层。2.根据权利要求1所述的一种改进多模型机制的神经网络输出后处理方法，其特征在于，所述输出层神经元的个数为多个，以输出不同类别的结果。3.根据权利要求2所述的一种改进多模型机制的神经网络输出后处理方法，其特征在于，所述模型的数量与输出层中神经元的数量相同，使得每组模型对应一个神经元，且该模型的输出仅传递至与其对应的神经元中。4.根据权利要求1所述的一种改进多模型机制的神经网络输出后处理方法，其特征在于，所述多个单元设置为2～10个。5.根据权利要求1所述的一种改进多模型机制的神经网络输出后处理方法，其特征在于，所述模型的输出设置为：其中，O
i
表示第i组模型的回归值，Λ
i
表示第i组模型的状态向量，所述状态向量为该模型中不同单元状态值的集合，G
i
表示第i组模型的权重向量，所述权重向量为该模型中不同单元具有的权重。6.根据权利要求5所述的一种改进多模型机制的神经网络输出后处理方法，其特征在于，在训练多模型层神经网络前预先设置模型中不同单元状态值，在训练过程中单元状态值保持不变。7.根据权利要求5所述的一种改进多模型机制的神经网络输出后处理方法，其特征在于，模型的状态向量设置...

【专利技术属性】
技术研发人员：王江，王因翰，范世鹏，侯淼，王鹏，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：