【技术实现步骤摘要】
本公开涉及人工智能，尤其涉及一种预测目标对象的目标描述符值的方法和系统。
技术介绍
1、在相关技术中，训练系统可以训练得到神经网络模型，预测系统可以基于该神经网络模型对目标对象的目标描述符值进行预测。
2、示例性的，在预测系统获取到输入信息的情况下，可以将输入信息输入至预先训练好的神经网络模型中，以经神经网络模型的输出与目标对象对应的目标描述符值。
3、然而，本公开的专利技术人发现，在预测系统采用上述方法预测得到目标描述符值的情况下，由于神经网络模型的推理性能欠佳，导致预测系统基于神经网络模型预测得到的目标描述符值的准确性偏低。
4、
技术介绍
部分的内容仅仅是专利技术人个人所知晓的信息，并不代表上述信息在本公开申请日之前已经进入公共领域，也不代表其可以成为本公开的现有技术。
技术实现思路
1、本公开提供一种预测目标对象的目标描述符值的方法和系统，用以提高预测的准确性。
2、第一方面，本公开提供一种预测目标对象的目标描述符值的方法，包括：
3、获得训练好的对抗神经网络的输入信息，所述输入信息为用于对目标对象进行描述的n个属性信息，所述n为大于1的整数；以及
4、运行所述对抗神经网络，得到所述目标对象的目标描述符对应的目标预测值；
5、其中，所述对抗神经网络为i层的对抗神经网络，每一层对抗神经网络包括依次连接的第一级回归神经网络和第二级回归神经网络，i为大于等于1的整数；
6、第一层对抗神经网
7、每一层对抗神经网络的第一级回归神经网络的输出为所述目标描述符对应的中间预测值；
8、第二层对抗神经网络的第一级回归神经网络至第i层对抗神经网络的第一级回归神经网络的输入分别为前一层对抗神经网络的第二级回归神经网络的输出；
9、第一层对抗神经网络的第二级归回神经网络的输入包括所述n个属性信息、以及第一层对抗神经网络的第一级归回神经网络输出的中间预测值；
10、第二层对抗神经网络的第二级归回神经网络至第i层对抗神经网络的第二级归回神经网络的输入分别包括相应层的第一级回归神经网络输出的中间预测值、以及前一层对抗神经网络的第二级回归神经网络的输出。
11、可选地，第一级回归神经网络和第二级回归神经网络为两不同的回归神经网络。
12、可选地，第一级回归神经网络为人工神经网络ann，第二级神经网络为卷积神经网络cnn；或者，
13、第一级回归神经网络为所述cnn，第二级回归神经网络为所述ann。
14、可选地，在第一级回归神经网络为所述ann，第二级回归神经网络为所述cnn的情况下：
15、所述ann包括k个神经元层，每一神经元层包括m个神经元，所述ann中相邻两个神经元层之间全连接；
16、所述cnn包括p个神经元层，每一神经元层包括q个神经元，所述cnn相邻的两个神经元层之间基于训练前或训练时的预设连接关系局部连接；
17、其中，所述k、所述m、所述p、所述q均为大于1的整数。
18、可选地，在所述第一层对抗神经网络的第一级回归神经网络为所述ann，所述第一层对抗神经网络的第二级回归神经网络为所述cnn的情况下：
19、所述第一层对抗神经网络的第一级回归神经网络的第一个神经元层中的每一神经元的输入为所述n个属性信息，所述ann的最后一个神经元层的输出为所述第一层对抗神经网络的第一级回归神经网络的中间预测值；
20、所述第一层对抗神经网络的第二级回归神经网络的第一个神经元层的输入为基于预设分组关系对所述第一层对抗神经网络的第一级回归神经网络的中间预测值、以及所述n个属性信息进行分组确定的。
21、可选地，基于所述预设分组关系得到的输入分组数量为q个，p个神经元层中的第一个神经元层中的一个神经元对应一个输入分组；
22、在q个输入分组中，所述cnn的第一个神经元层中的一个神经元的输入分组包括所述第一层对抗神经网络的第一级回归神经网络的中间预测值，所述n个属性信息中的每一属性信息在所述q个输入分组中出现的总次数相同。
23、可选地，所述n等于所述q；
24、所述q个输入分组的每一输入分组中的属性信息是从所述n个属性信息中随机获得的。
25、可选地，所述q个输入分组中的第一个输入分组包括所述第一层对抗神经网络的第一级回归神经网络的中间预测值、以及一个属性信息，所述第一个输入分组为所述p个神经元层的第一个神经元层中的第一个神经元的输入分组；
26、所述q个输入分组中除所述第一个输入分组之外的其他输入分组中的属性信息的数量为两个。
27、可选地，所述目标对象为目标材料，所述属性信息为描述符。
28、可选地，所述目标对象为目标材料、目标语音、目标文本、目标图像中的一种。
29、第二方面，本公开提供预测目标对象的目标描述符值的系统，包括：
30、至少一个存储介质，存储有至少一个指令集；以及
31、至少一个处理器，同所述至少一个存储介质通信连接，
32、其中，当所述预测目标对象的目标描述符值的系统运行时，所述至少一个处理器读取所述至少一个指令集，并且根据所述至少一个指令集的指示执行权利要求1-10中任一项所述的方法。
33、第三方面，本公开提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行如上第一方面或第二方面所述的方法。
34、第四方面，本公开提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的方法。
35、第五方面，本公开提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
36、所述存储器存储计算机执行指令；
37、所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面任一项所述的方法。
38、本公开提供了一种预测目标对象的目标描述符值的方法和系统，包括：获得训练好的对抗神经网络的输入信息，输入信息为用于对目标对象进行描述的n个属性信息，n为大于1的整数，运行对抗神经网络，得到目标对象的目标描述符对应的目标预测值，对抗神经网络为i层的对抗神经网络，每一层对抗神经网络包括依次连接的第一级回归神经网络和第二级回归神经网络，i为大于等于1的整数，第一层对抗神经网络的第一级回归神经网络的输入为n个属性信息，第i层对抗神经网络的第二级回归神经网络的输出为目标对象的目标描述符对应的目标预测值，每一层对抗神经网络的第一级回归神经网络的输出为目标描述符对应的中间预测值，第二层对抗神经网络的第一级回归神经网络至第i层对抗神经网络的第一级回归神经网络的输入分别本文档来自技高网...
【技术保护点】
1.一种预测目标对象的目标描述符值的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，第一级回归神经网络和第二级回归神经网络为两不同的回归神经网络。
3.根据权利要求2所述的方法，其特征在于，第一级回归神经网络为人工神经网络ANN，第二级神经网络为卷积神经网络CNN；或者，
4.根据权利要求3所述的方法，其特征在于，在第一级回归神经网络为所述ANN，第二级回归神经网络为所述CNN的情况下：
5.根据权利要求4所述的方法，其特征在于，在所述第一层对抗神经网络的第一级回归神经网络为所述ANN，所述第一层对抗神经网络的第二级回归神经网络为所述CNN的情况下：
6.根据权利要求5所述的方法，其特征在于，基于所述预设分组关系得到的输入分组数量为Q个，P个神经元层中的第一个神经元层中的一个神经元对应一个输入分组；
7.根据权利要求6所述的方法，其特征在于，所述N等于所述Q；
8.根据权利要求6所述的方法，其特征在于，所述Q个输入分组中的第一个输入分组包括所述第一层对抗神经网络的第一级
9.根据权利要求1所述的方法，其特征在于，所述目标对象为目标材料，所述属性信息为描述符。
10.根据权利要求1所述的方法，其特征在于，所述目标对象为目标材料、目标语音、目标文本、目标图像中的一种。
11.一种预测目标对象的目标描述符值的系统，其特征在于，包括：
...【技术特征摘要】
1.一种预测目标对象的目标描述符值的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，第一级回归神经网络和第二级回归神经网络为两不同的回归神经网络。
3.根据权利要求2所述的方法，其特征在于，第一级回归神经网络为人工神经网络ann，第二级神经网络为卷积神经网络cnn；或者，
4.根据权利要求3所述的方法，其特征在于，在第一级回归神经网络为所述ann，第二级回归神经网络为所述cnn的情况下：
5.根据权利要求4所述的方法，其特征在于，在所述第一层对抗神经网络的第一级回归神经网络为所述ann，所述第一层对抗神经网络的第二级回归神经网络为所述cnn的情况下：
6.根据权利要求5所述的方法，其特征在于，基于所述预设分组关系...
【专利技术属性】
技术研发人员：项晓东，许绍孟，
申请(专利权)人：瑞藕材数北京科技发展有限责任公司，
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。