System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及嵌入式,尤其涉及一种基于嵌入式平台训练神经网络的方法及装置。
技术介绍
1、目前神经网络的训练一般会在pc端进行训练,训练结束后在嵌入式平台引用pc端训练后的参数矩阵做前向计算。若在嵌入式平台进行训练,则要求嵌入式平台具备存放大量样本的能力,即要求flash大容量,而目前嵌入式平台(单片机平台)flash多数在32k/64k大小内,同时嵌入式平台还要存放应用场合所用的功能程序,难以存放神经网络训练的样本数据;导致现有的嵌入式平台无法实现独立训练神经网络的能力。
技术实现思路
1、本申请提供了一种基于嵌入式平台训练神经网络的方法及装置,能够不需大量占用flash空间,在嵌入式平台实现了神经网络的实时训练。
2、第一方面,本申请实施例提供了一种基于嵌入式平台训练神经网络的方法,包括:
3、获取预设数量的初始样本,并分别作为加权聚类中心;
4、接收步骤:接收新样本,计算新样本与各初始样本的距离;
5、根据与各初始样本的距离确定目标分类;
6、将新样本放入目标分类中;
7、计算新样本和目标分类中各个初始样本的第一配套距离;
8、基于各第一配套距离更新目标分类的加权聚类中心;
9、计算目标分类的学习率,和加权聚类中心输入预训练神经网络;
10、将新样本作为目标分类中的初始样本,并返回接收步骤。
11、进一步的,上述接收新样本,计算新样本与各初始样本的距离,包括:<
...【技术保护点】
1.一种基于嵌入式平台训练神经网络的方法,其特征在于,包括:
2.根据权利要求1所述的基于嵌入式平台训练神经网络的方法,其特征在于,所述接收新样本,计算所述新样本与各所述初始样本的距离,包括:
3.根据权利要求1所述的基于嵌入式平台训练神经网络的方法,其特征在于,所述根据与各所述初始样本的距离确定目标分类,包括:
4.根据权利要求1所述的基于嵌入式平台训练神经网络的方法,其特征在于,所述基于各所述第一配套距离更新所述目标分类的加权聚类中心,包括:
5.根据权利要求4所述的基于嵌入式平台训练神经网络的方法,其特征在于,所述基于各所述第二配套距离更新所述目标分类的所述加权聚类中心,包括:
6.根据权利要求1所述的基于嵌入式平台训练神经网络的方法,其特征在于,所述预训练神经网络为BP神经网络,所述预训练神经网络用于计算电池剩余电量或充放电剩余时间。
7.根据权利要求6所述的基于嵌入式平台训练神经网络的方法,其特征在于,所述初始样本和所述新样本为电池的实时电流值、实时电压值、电流变化值和电压变化值。
8.
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述基于嵌入式平台训练神经网络的方法的步骤。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述基于嵌入式平台训练神经网络的方法的步骤。
...【技术特征摘要】
1.一种基于嵌入式平台训练神经网络的方法,其特征在于,包括:
2.根据权利要求1所述的基于嵌入式平台训练神经网络的方法,其特征在于,所述接收新样本,计算所述新样本与各所述初始样本的距离,包括:
3.根据权利要求1所述的基于嵌入式平台训练神经网络的方法,其特征在于,所述根据与各所述初始样本的距离确定目标分类,包括:
4.根据权利要求1所述的基于嵌入式平台训练神经网络的方法,其特征在于,所述基于各所述第一配套距离更新所述目标分类的加权聚类中心,包括:
5.根据权利要求4所述的基于嵌入式平台训练神经网络的方法,其特征在于,所述基于各所述第二配套距离更新所述目标分类的所述加权聚类中心,包括:
6.根据权利要求1所述的基于嵌入式平台训练神经网络的方法,其特征在于...
【专利技术属性】
技术研发人员:王锐,周明宗,彭宏伟,
申请(专利权)人:广芯微电子广州股份有限公司,
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。