【技术实现步骤摘要】
本专利技术涉及人工智能，具体而言，涉及神经网络的训练方法、电子设备及可读存储介质。
技术介绍
1、小脑模型神经网络(cerebellar model articulation controller，cmac)的学习与回想算法能够视为一连串的映射，其映射的算法为cmac所具有的特性，该算法可概括为将输入向量彼此间的距离映射转换成重叠的程度，然后分散储存，将函数值存于内存中。cmac能够使得相似的输入产生泛化，并产生相似的输出，如果为不相似的输入，则可产生成独立的输出。
2、但是上述算法不仅增加了系统的复杂程度，当受控体本身为极度非线性系统时，将要求cmac具有高度解析能力才能使其输出更符合相对应的非线性系统的反函数，更为导致内存使用量过多超载的问题，即cmac的算法在面临变量(维度)增加时，容易导致内存呈指数增加，以及存储单元的浪费，同时也会显着降低数据的处理效率。
技术实现思路
1、本专利技术提供神经网络的训练方法、电子设备及可读存储介质，以解决训练神经网络时存储单元需求过多的技术问题。
2、本专利技术的实施例是这样实现的：
3、第一方面，本专利技术提供一种神经网络的训练方法，包括：训练第一神经网络至其收敛；获取所述第一神经网络的学习误差；根据所述学习误差与学习误差阈值的比较结果，增加所述第一神经网络的网络层数，以得到第二神经网络；训练所述第二神经网络至其收敛；利用重新收敛的第二神经网络对预设数据进行处理。
4、在一种可能的实施方式中
5、在一种可能的实施方式中：所述训练第一神经网络至其收敛之后，所述方法还包括：获取所述第一神经网络中的待重新量化的输入空间；对所述待重新量化的输入空间进行重新量化操作，以得到重新量化的输入空间；根据所述重新量化的输入空间对所述第一神经网络进行训练至其收敛，以得到自适应调整的第三神经网络。
6、在一种可能的实施方式中：所述根据所述重新量化的输入空间对所述第一神经网络进行训练至其收敛，以得到自适应调整的第三神经网络之后，所述方法还包括：将所述第三神经网络用作所述第一神经网络，以执行所述获取所述第一神经网络的学习误差的步骤。
7、在一种可能的实施方式中：所述对所述待重新量化的输入空间进行重新量化操作，以得到重新量化的输入空间，包括：在所述待重新量化的输入空间对应的区间中增加一个新的节点，以形成所述重新量化的输入空间。
8、在一种可能的实施方式中：所述训练第一神经网络至其收敛，包括：利用预设样本对所述第一神经网络进行训练直至收敛。
9、在一种可能的实施方式中：所述获取所述第一神经网络中的待重新量化的输入空间之前，所述方法还包括：获取所述第一神经网络的所有输入空间，所述第一神经网络的网络层数和相关误差阈值；利用预设样本训练所述第一神经网络直至收敛；计算所有的所述输入空间的相对误差百分比；判断是否有至少一个所述输入空间的所述相对误差百分比大于所述相关误差阈值，若是，获取所述第一神经网络中的待重新量化的输入空间，其中所述待重新量化的输入空间为相对误差百分比大于所述相关误差阈值的所述输入空间。
10、在一种可能的实施方式中：还包括：若否，则停止对所述第一神经网络进行训练。
11、第二方面，本专利技术提供一种电子设备，所述电子设备包括处理器及存储器，所述存储器用于存储指令，所述处理器用于调用所述存储器中的指令，使得所述电子设备执行如前文所述的神经网络的训练方法。
12、第三方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行如前文所述的神经网络的训练方法。
13、上述神经网络的训练方法，可以通过自适应层数渐增的方式增加神经网络的网络层数，并同时动态调整神经网络内的所有输入空间的非均匀式量化宽度，以简历权重内存神经网络，从而在神经网络的自适应学习过程中，自动去除部分不重要的重新量化后的输入空间，既减少了存储单元的需求量，也无须通过人工手动调整参数优化，还保证了神经网络具有较低的运算误差。此外，相对传统的小脑模型神经网络须以人工手动调整参数优化的演算模式，本专利技术实施例的神经网络的训练方法无须手动调整即可实现自动重新量化，提高了训练效率。
本文档来自技高网...【技术保护点】
1.一种神经网络的训练方法，其特征在于，包括：
2.根据权利要求1所述的神经网络的训练方法，其特征在于，所述神经网络包括小脑模型神经网络。
3.根据权利要求1所述的神经网络的训练方法，其特征在于，所述训练第一神经网络至其收敛之后，所述方法还包括：获取所述第一神经网络中的待重新量化的输入空间；
4.根据权利要求3所述的神经网络的训练方法，其特征在于，所述根据所述重新量化的输入空间对所述第一神经网络进行训练至其收敛，以得到自适应调整的第三神经网络之后，所述方法还包括：
5.根据权利要求3所述的神经网络的训练方法，其特征在于，所述对所述待重新量化的输入空间进行重新量化操作，以得到重新量化的输入空间，包括：
6.根据权利要求3所述的神经网络的训练方法，其特征在于，所述获取所述第一神经网络中的待重新量化的输入空间之前，所述方法还包括：
7.根据权利要求3所述的神经网络的训练方法，其特征在于，所述训练第一神经网络至其收敛，包括：利用预设样本对所述第一神经网络进行训练直至收敛。
8.根据权利要求6所述的神经网络
9.一种电子设备，所述电子设备包括处理器及存储器，其特征在于，所述存储器用于存储指令，所述处理器用于调用所述存储器中的指令，使得所述电子设备执行如权利要求1-8中任一项所述的神经网络的训练方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行如权利要求1-8中任一项所述的神经网络的训练方法。
...【技术特征摘要】
1.一种神经网络的训练方法，其特征在于，包括：
2.根据权利要求1所述的神经网络的训练方法，其特征在于，所述神经网络包括小脑模型神经网络。
3.根据权利要求1所述的神经网络的训练方法，其特征在于，所述训练第一神经网络至其收敛之后，所述方法还包括：获取所述第一神经网络中的待重新量化的输入空间；
4.根据权利要求3所述的神经网络的训练方法，其特征在于，所述根据所述重新量化的输入空间对所述第一神经网络进行训练至其收敛，以得到自适应调整的第三神经网络之后，所述方法还包括：
5.根据权利要求3所述的神经网络的训练方法，其特征在于，所述对所述待重新量化的输入空间进行重新量化操作，以得到重新量化的输入空间，包括：
6.根据权利要求3所述的神经网络的训练方法，其特征...
【专利技术属性】
技术研发人员：黄金龙，戴家豪，
申请(专利权)人：鸿富锦精密工业武汉有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。