一种神经网络模型的数据处理方法、训练方法及相关设备技术

本发明专利技术提供一种神经网络模型的数据处理方法、训练方法及相关设备，涉及计算机技术领域，训练方法包括：对原始训练集数据进行预处理，得到训练集数据；设置模型结构参数的初值；使用训练集数据，通过前向传播和误差反向传播迭代交替进行模型训练，不断更新各模型结构参数，得到基于概率计算单元搭建的多层感知机神经网络模型；在误差反向传播的过程中对于激活函数利用sigmoid函数拟合sign函数；基于概率计算单元搭建的多层感知机神经网络模型包括输入层、至少一个隐含层及输出层；隐含层包括至少一个基于p‑bit模型的神经元节点。本发明专利技术能够提升神经网络模型的处理不确定性问题的计算能力。

【技术实现步骤摘要】

本专利技术涉及计算机，尤其涉及一种神经网络模型的数据处理方法、训练方法及相关设备。

技术介绍

1、在大数据应用背景下，机器学习(machine learning，ml)，尤其是深度学习，在机器视觉、自然语言处理(nature language process，nlp)、推荐系统及自动驾驶系统等领域带来了突破性革命。人工神经网络模型(artificial neural networks，ann)作为机器学习领域的重要研究方向之一，由于具有大量可用于训练网络的数据集，近年来神经网络模型相关技术快速发展，设计和构建出了各种不同的模型结构网络。由于神经网络模型具有对各类数据的有效而稳定的分析能力，在信息处理和模式识别领域得到了极大的关注和发展；例如，利用ann模型作为淘汰老龄化奶牛的有效工具之一，基于ann模型用于短期风速预测的多目标优化的新型组合预测模型，基于ann的树高预测模型可以提供更加准确的分析结果等。

2、传统的ann模型为在线处理，所建立的数据处理模型均基于现有的计算机平台，没有单独部署在独立的硬件系统上。基于传统的ann模型的分析处理流程本文档来自技高网...

【技术保护点】

1.一种神经网络模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的神经网络模型的训练方法，其特征在于，所述使用所述训练集数据，通过前向传播和误差反向传播迭代交替进行模型训练，不断更新各所述模型结构参数，得到所述基于概率计算单元搭建的多层感知机神经网络模型，包括：

3.根据权利要求2所述的神经网络模型的训练方法，其特征在于，所述确定各所述隐含层的实际输出和拟合输出，包括：

4.根据权利要求3所述的神经网络模型的训练方法，其特征在于，所述确定所述输出层的实际输出和拟合输出，包括：

5.根据权利要求4所述的神经网络模型的训练方法，其特征...

【技术特征摘要】

1.一种神经网络模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的神经网络模型的训练方法，其特征在于，所述使用所述训练集数据，通过前向传播和误差反向传播迭代交替进行模型训练，不断更新各所述模型结构参数，得到所述基于概率计算单元搭建的多层感知机神经网络模型，包括：

3.根据权利要求2所述的神经网络模型的训练方法，其特征在于，所述确定各所述隐含层的实际输出和拟合输出，包括：

4.根据权利要求3所述的神经网络模型的训练方法，其特征在于，所述确定所述输出层的实际输出和拟合输出，包括：

5.根据权利要求4所述的神经网络模型的训练方法，其特征在于，所述根据所述输出层的实际输出和拟合输出，确定模型实际误差，包括：

6.根据权利要求5所述的神经网络模型的训练方法，其特征...

【专利技术属性】
技术研发人员：崔旭泰，徐馥芳，汪杰，王源熙，曹辉，钟曜宇，罗玉昆，马明祥，
申请(专利权)人：中国人民解放军军事科学院国防科技创新研究院，
类型：发明
国别省市：