【技术实现步骤摘要】
本专利技术涉及助听器，特别涉及一种神经网络的数字助听器智能验配方法和系统。
技术介绍
1、目前传统的助听器还是比较昂贵，助听器生产商的每一个助听器硬件的生产均需要购买昂贵的验配软件，从而导致助听器成本居高不下。而助听器验配技术水平无法完全满足听障人群的高质量的验配需求。另外传统的验配方法需要大量专业的听力验配师参与，而专业验配师需要花费大量的时间学习培养，使得专业验配师具有很高的成本，从而间接地提高了传统助听器的验配成本。
技术实现思路
1、本专利技术其中一个专利技术目的在于提供一种神经网络的数字助听器智能验配方法和系统，所述方法和系统获取现有的验配大数据后，通过所述验配大数据对所述深度神经网络训练，得到第一验配模型，由于该第一验配模型是根据未经处理的验配大数据得到的验配模型，而验配大数据中因为验配师的水平不一，因此存在较多的杂质验配数据，这些杂质验配数据将大幅影响第一验配模型的验配效果，因此本专利技术进一步对所述第一验配模型进行强化学习，利用强化学习提高基于深度学习模型的验配效果。
2、本专利技术另一个专利技术目的在于提供一种神经网络的数字助听器智能验配方法和系统，所述方法和系统利用策略梯度方法构建强化学习模型，在基础验配模型构建后，获取基础验配模型的权重参数、学习率和权重衰减系数等超参数作为强化学习策略，通过计算基础验配模型在不同策略的动作后基础验配模型预测值作为不同状态，并根据所述不同状态误差设置奖惩值，根据所述奖惩值调整所述基础验配模型的权重参数等超参数，从而实
3、本专利技术另一个专利技术目的在于提供一种神经网络的数字助听器智能验配方法和系统，所述方法和系统在强化学习过程中，通过计算特征资格和资格迹用于神经网络内部的权重参数等超参数进行更新，本专利技术采用随机梯度上升法对基础模型的输入策略的概率分布预测输出验配特征，并根据输出验配特征进行奖惩计算，通过所述概率分布得到输出特征符合要求的期望超参数。
4、本专利技术另一个专利技术目的在于提供一种神经网络的数字助听器智能验配方法和系统，所述方法和系统利用现有现有验配大数据得到的基础验配模型和小批量的优质标注验配数据进行强化训练，从而可以有效地降低神经网络模型的训练成本。
5、为了实现至少一个上述专利技术目的，本专利技术进一步提供一种神经网络的数字助听器智能验配方法，所述方法包括：
6、采集验配大数据，将所述验配大数据输入到深度神经网络模型中训练得到基础验配模型；
7、获取基础验配模型包括不同层网络的权重参数，学习率和权重衰减系数作为强化学习策略；
8、随机配置一种概率分布的强化学习策略输入到当前基础验配模型，输出对应的强化学习预测值，计算所述预测值和实际值之间误差；
9、配置所述强化学习奖惩规则，计算当前强化学习的特征资格和资格迹，根据所述预测值和实际值的误差和奖惩规则、特征资格和资格迹计算对应的更新策略，根据该更新策略执行下一强化学习动作直到当前策略满足约束条件。
10、根据本专利技术其中一个较佳实施例，所述深度神经网络模型包括全连接前馈神经网络，所述验配大数据包括随机获取的听力损失参数、声音插入增益参数、脉冲降噪参数和反馈抑制参数，将上述听力损失参数、声音插入增益参数、脉冲降噪参数和反馈抑制参数转化为二进制基础验配参数，将所述二进制基础验配参数输入到所述全连接前馈神经网络中作为输入特征进行训练，训练好后得到所述基础验配模型的权重参数、学习率和权重衰减系数。
11、根据本专利技术另一个较佳实施例，所述基础验配模型的权重参数获取方法包括：配置所述深度神经网络模型隐藏层个数和每个隐藏层的节点数，进一步配置输入层节点数和输出层节点数，当输入层的输入数据在输出层的输出数据满足当前基础配验模型的约束条件后，计算每个隐藏层的权重参数：
12、
13、其中定义上述公式为输入层第i个节点输入在第n层输出，其中表示第n层隐藏层具有k个节点，h为输出矩阵值，对应n层的上一层具有j个节点，wjk是加权矩阵中的权值，σ是激活函数。
14、根据本专利技术另一个较佳实施例，得到上述每一隐藏层的权重参数w，以及获得输入层和输入层的权重参数win和输出层权重参数wout后，进一步采用随机梯度下降法，对上述每一层网络层的权重参数进行更新，所述更新方法包括：
15、
16、wt为第t批数据更新的权重，b为本批次训练数据的数量，xi，yi分别为本批次中第i个数据的输入向量和输出向量，j(wt；x1，x2，…，xb，y1，y2，…，yb)则是根据当前批次样本数据估计出的梯度向量，η为学习率，当所述全连接前馈神经网络损失函数收敛后，记录最终的基础验配模型的权重参数wn。
17、根据本专利技术另一个较佳实施例，本专利技术获取训练好的所述基础验配模型的权重参数wn、学习率ηn和权重衰减系数un后组建策略s＝[wn,ηn,un]，计算所述每组策略的随机概率分布，得到每个超参数的概率；随机配置其中一个概率分布的策略si＝[wni,ηni,uni]，将该策略作为当前基础验配模型的更新超参数，输入预先配置的优质验配数据到更新超参数的基础验配模型作为动作输出第一预测值，将所述预先配置的验配数据中的实际验配值作为当前环境值，计算所述实际验配值和所述第一预测值的误差，将不同误差作为当前基础验配模型的不同状态，根据不同状态分别配置不同奖惩值，根据所述奖惩值直线所述超参数的强化学习更新。
18、根据本专利技术另一个较佳实施例，基于优质标注的验配数据对所述训练好的基础验配模型的奖惩值计算方法包括：
19、从训练集中观察一组输入优质标注的验配特征向量x(t)；
20、根据概率分布预测一组输出向量其中wn是当前网络权重矩阵；
21、
22、其中为验配预测值，y(t+1)为验配实际值，r，ε均为非负的评估常数。
23、根据本专利技术另一个较佳实施例，所述特征资格ei(t)和资格迹的计算方法包括：
24、
25、
26、其中，γ(0≤γ<1)为折扣因子，wi表示第i个内部变量的权重参数；
27、在完成上述特征资格和资格迹计算后，进一步计算强化学习的权重参数更新值：
28、
29、b为强化基线。
30、根据本专利技术另一个较佳实施例，在完成上述强化学习的权重参数更新后，再次输入优质标注的验配特征向量x(t+1)，并输出新的为验配预测值，y(t+2)为验配实际值，再次计算误差判断当前基础验配模型误差是否满足约束条件，若满足则完成强化学习固定对应的超参数，否则再次迭代计算使得满足约束条件。
31、为了实现至少一个上述专利技术目，本专利技术进一步提供一种神经网络的数字助听器智能验配系统，所述系统执行上述一种神经网络的数字助听器智能验配方法。
32、本专利技术进一步提供一种计算机可读存储介质，所述计算机可本文档来自技高网...
【技术保护点】
1.一种神经网络的数字助听器智能验配方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种神经网络的数字助听器智能验配方法，其特征在于，所述深度神经网络模型包括全连接前馈神经网络，所述验配大数据包括随机获取的听力损失参数、声音插入增益参数、脉冲降噪参数和反馈抑制参数，将上述听力损失参数、声音插入增益参数、脉冲降噪参数和反馈抑制参数转化为二进制基础验配参数，将所述二进制基础验配参数输入到所述全连接前馈神经网络中作为输入特征进行训练，训练好后得到所述基础验配模型的权重参数、学习率和权重衰减系数。
3.根据权利要求1所述的一种神经网络的数字助听器智能验配方法，其特征在于，所述基础验配模型的权重参数获取方法包括：配置所述深度神经网络模型隐藏层个数和每个隐藏层的节点数，进一步配置输入层节点数和输出层节点数，当输入层的输入数据在输出层的输出数据满足当前基础配验模型的约束条件后，计算每个隐藏层的权重参数：
4.根据权利要求3所述的一种神经网络的数字助听器智能验配方法，其特征在于，得到上述每一隐藏层的权重参数w，以及获输入层的权重参数win和输出层权重
5.根据权利要求4所述的一种神经网络的数字助听器智能验配方法，其特征在于，本专利技术获取训练好的所述基础验配模型的权重参数wn、学习率ηn和权重衰减系数un后组建策略S＝[wn,ηn,un]，计算所述每组策略的随机概率分布，得到每个超参数的概率；随机配置其中一个概率分布的策略Si＝[wni,ηni,uni]，将该策略作为当前基础验配模型的更新超参数，输入预先配置的优质验配数据到更新超参数的基础验配模型作为动作输出第一预测值，将所述预先配置的验配数据中的实际验配值作为当前环境值，计算所述实际验配值和所述第一预测值的误差，将不同误差作为当前基础验配模型的不同状态，根据不同状态分别配置不同奖惩值，根据所述奖惩值直线所述超参数的强化学习更新。
6.根据权利要求1所述的一种神经网络的数字助听器智能验配方法，其特征在于，基于优质标注的验配数据对所述训练好的基础验配模型的奖惩值计算方法包括：
7.根据权利要求6所述的一种神经网络的数字助听器智能验配方法，其特征在于，所述特征资格ei(t)和资格迹的计算方法包括：
8.根据权利要求7所述的一种神经网络的数字助听器智能验配方法，其特征在于，在完成上述强化学习的权重参数更新后，再次输入优质标注的验配特征向量x(t+1)，并输出新的为验配预测值，y(t+2)为验配实际值，再次计算误差判断当前基础验配模型误差是否满足约束条件，若满足则完成强化学习固定对应的超参数，否则再次迭代计算使得满足约束条件。
9.供一种神经网络的数字助听器智能验配系统，其特征在于，所述系统执行上述权利要求1-8中任意一项所述的一种神经网络的数字助听器智能验配方法。
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有计算机程序，所述计算机程序被处理器执行以实现上述权利要求1-8中任意一项所述的一种神经网络的数字助听器智能验配方法。
...【技术特征摘要】
1.一种神经网络的数字助听器智能验配方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种神经网络的数字助听器智能验配方法，其特征在于，所述深度神经网络模型包括全连接前馈神经网络，所述验配大数据包括随机获取的听力损失参数、声音插入增益参数、脉冲降噪参数和反馈抑制参数，将上述听力损失参数、声音插入增益参数、脉冲降噪参数和反馈抑制参数转化为二进制基础验配参数，将所述二进制基础验配参数输入到所述全连接前馈神经网络中作为输入特征进行训练，训练好后得到所述基础验配模型的权重参数、学习率和权重衰减系数。
3.根据权利要求1所述的一种神经网络的数字助听器智能验配方法，其特征在于，所述基础验配模型的权重参数获取方法包括：配置所述深度神经网络模型隐藏层个数和每个隐藏层的节点数，进一步配置输入层节点数和输出层节点数，当输入层的输入数据在输出层的输出数据满足当前基础配验模型的约束条件后，计算每个隐藏层的权重参数：
4.根据权利要求3所述的一种神经网络的数字助听器智能验配方法，其特征在于，得到上述每一隐藏层的权重参数w，以及获输入层的权重参数win和输出层权重参数wout后，进一步采用随机梯度下降法，对上述每一层网络层的权重参数进行更新，所述更新方法包括：
5.根据权利要求4所述的一种神经网络的数字助听器智能验配方法，其特征在于，本发明获取训练好的所述基础验配模型的权重参数wn、学习率ηn和权重衰减系数un后组建策略s＝[wn,ηn,un]，计算所述每组策略的随机概率分布，得到每个超参数的概率；随机配置其中一个概率...
【专利技术属性】
技术研发人员：凃磊，周善晨，俞静，许弘毅，王远，
申请(专利权)人：杭州惠耳听力技术设备有限公司，
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。