【技术实现步骤摘要】
【】本专利技术涉及一种人工智能，尤其是涉及一种神经网络模型的训练方法和训练系统。
技术介绍
0、
技术介绍
1、计算器学习是实施人工智能的主要方法之一。特别是以类神经网络(n e ur al ne two rk)组织的算法进行计算器学习与训练，是近年来实施人工智能的主流。
2、人工智能的主流应用之一为图像处理与辨识。先利用一些已知分类的影像对某一类神经网络模型进行训练，再利用已经训练完成的该类神经网络模型对未知的影像进行分类。然而，如何让类神经网络模型对影像的某些特征更敏感，能够检测出具有这些细微特征的影像，是亟待解决的问题。
3、在2022年4月12日提出的编号为202210378982.2，名称「神经网络模型训练方法与系统」的中国专利技术申请案，以及2023年2月16日提出的编号为202310125389.1，名称为「神经网络模型的训练方法和训练系统」的中国专利技术申请案中，分别提出了混合式神经网络，通过线性卷积计算以及非线性卷算的结合，提高深度学习网络的效能。此外另提出新的组合层，以更有效结合卷积计算及非线性卷算的运算结果。然而前述技術的內容仅限于应用在影像数据的特征撷取上，无益于分类层的应用。
技术实现思路
0、
技术实现思路
1、本专利技术提供一种神经网络模型的训练方法和训练系统。
2、本专利技术的神经网络模型的训练方法，其特征在于，包括：(a)接收影像数据；(b)利用所述影像数据进行特征运算，以取得所述影像
3、本专利技术的神经网络模型的训练系统，其特征在于，包括：记忆体以及处理器，所述记忆体用于储存所述神经网络模型和多个指令，所述处理器用于执行所述多个指令，以便实现前述的神经网络模型的训练方法，从而训练所述神经网络模型
4、本专利技术的神经网络模型的训练方法和训练系统具有以下有益的效果：
5、利用特征数据分别进行线性分类运算及非线性分类运算，然后将线性及非线性分类运算的结果进行组合运算，可以进一步提升训练方法和训练系统的效能，经过训练后的神经网络模型能够具有更高的效率以及特征敏感度，提升了神经网络模型进行分类的分辨率及准确度，更有益于多样的影像分类运算应用。
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.如权利要求1所述的训练方法，其特征在于：所述步骤(c)执行G次，其中第g次的所述线性分类运算是利用第g-1次的所述线性分类运算的结果作为所述特征数据来进行，其中G≧2，G≧g≧2。
3.如权利要求2所述的训练方法，其特征在于：所述步骤(e)中是利用第G次所述线性分类运算的结果和所述非线性分类运算的结果进行所述组合运算。
4.如权利要求3所述的训练方法，其特征在于：所述步骤(b)包括线性特征计算，所述特征数据包括线性特征数据。
5.如权利要求4所述的训练方法，其特征在于，所述步骤(c)包括：
6.如权利要求1所述的训练方法，其特征在于：所述步骤(d)执行H次，其中第h次的所述非线性分类运算是利用第h-1次的所述非线性分类运算的结果作为所述特征数据来进行，其中H≧2，H≧h≧2。
7.如权利要求6所述的训练方法，其特征在于：所述步骤(e)中是利用所述线性分类运算的结果和第H次所述非线性分类运算的结果进行所述组合运算。
8.如权利要求7所述的训练方
9.如权利要求8所述的训练方法，其特征在于，所述步骤(d)包括：
10.一种神经网络模型的训练系统，其特征在于，包括：记忆体以及处理器，所述记忆体用于储存所述神经网络模型和多个指令，所述处理器用于执行所述多个指令，以便实现权利要求1
...【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.如权利要求1所述的训练方法，其特征在于：所述步骤(c)执行g次，其中第g次的所述线性分类运算是利用第g-1次的所述线性分类运算的结果作为所述特征数据来进行，其中g≧2，g≧g≧2。
3.如权利要求2所述的训练方法，其特征在于：所述步骤(e)中是利用第g次所述线性分类运算的结果和所述非线性分类运算的结果进行所述组合运算。
4.如权利要求3所述的训练方法，其特征在于：所述步骤(b)包括线性特征计算，所述特征数据包括线性特征数据。
5.如权利要求4所述的训练方法，其特征在于，所述步骤(c)包括：
6.如权利要求1所述的训练方法，其特征在于：所述步骤(d...
【专利技术属性】
技术研发人员：吴易达，王成龙，萧光廷，张富杰，
申请(专利权)人：瑞泰生医科技香港有限公司，
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。