一种识别网络分类节点自增方法
文献发布时间:2023-06-19 12:13:22
技术领域
本发明涉及电数字数据处理领域,具体涉及一种识别网络分类节点自增方法。
背景技术
本次人工浪潮之下,无人驾驶、工业机器人、服务机器人、智能机器人等智能应用并没有达到预期的效果,究其原因,是因为监督学习有各方面的限制。比如标注数据的限制、人工采集和标注的数据是高离散型数据,训练完成后的网络是静态的,不能动态增加分类节点。这是与人类智能的差异最大的一点。
现有的无监督学习算法,算法效果与现有的监督学习算法效果无法相提并论。新提出的半监督学习算法和自监督学习算法,本质上是对训练数据的变化方法,虽然在一定程度上提升了算法效果,但是并没有达到质变的程度。
现需一种识别网络分类节点自增方法,可以实现分类节点的自生成、自动标注,使得识别网络可以随时开启训练模式,解决上述问题。
发明内容
本发明为了解决现有技术中基于深度神经网络的识别网络深度学习识别网络分类节点是通过批次训练而成的,训练完成后,无法即时增加新的分类节点的问题,提供了一种识别网络分类节点自增方法,实现了分类节点的自生成、自动标注,使得识别网络可以随时开启训练模式,增加新的分类节点并且不需要使用人工标注的数据。识别网络成为了动态的成长型网络,解决了上述问题。
本发明提供一种识别网络分类节点自增方法,包括以下步骤:
S1、将输入的数据流根据传感器属性,分割为若干数据流;
S2、分割后的数据流进行数据预处理;
S3、T0清零并开始计时;
S4、T1清零并开始计时;
S5、数据流输入对应的识别网络,并判断是否有分类节点相应,若是则清空无节点相应输入累计值n并进行步骤S10,否则无节点相应输入次数累计值n的数值增加1,并运行步骤S6;
S6、判断输入累计值是否大于等于阈值a,若是则进行步骤S5,否则进行步骤S7;
S7、识别网络进入训练增点模式,预设分类节点,并对所述分类节点进行快速过拟合训练后进行步骤S5;
S8、识别网络进入识别连接模式,根据单次输入的所述数据流,将识别出的分类节点设置为响应状态,并根据各所述分类节点的响应状态情况赋予各所述分类节点连接强度;
S9、判断T0是否大于等于阈值Tb,若是则进行步骤S12,否则进行步骤S10;
S10、判断T1是否大于等于Ta,若是则进行步骤S11,若不是则进行步骤S5;
S11、识别网络进入睡眠遗忘模式,统计各分类节点各自的总连接强度值,根据各分类节点各自的总连按强度值判断分类该分类节点是否有效,进行步骤S4;
S12、结束。
同时性规则:将条件反射原理和深度学习技术相结合,判别有效分类节点和无效分类节点,实现自动标注。
本发明所述的一种识别网络分类节点自增方法,作为一种优选方式,所述步骤S7具体包括:
S71、识别网络进入训练增点模式,预设新增的分类节点序号,预设末来b次输入为该分类节点的训练数据;
S72、设置训练时间长度M,若训陈时间长度M内损失函数达到阈值,或达到训练时间长度M,停止训练;
73、对完全不拟合分类节点进行删除,进行步骤S5。
本发明所述的一种识别网络分类节点自增方法,作为一种优选方式,所述步骤S8具体包括:
S81、识别网络进入识别连接模式,当分类节点响应,则该分类节点进入响应状态,响应时间长度为t;
S82、识别连接模式:取消超出时间t的处于响应状态的分类节点的响应状态;
S83、识别连接模式:统计各分类节点状态,所有处于响应状态的分类节点之间的连接强度统计值增加1。
本发明所述的一种识别网络分类节点自增方法,作为一种优选方式,所述步骤S11具体包括:
S111、识别网络进入睡眠遗忘模式,统计各分类节点各自的总连接强度值;
S112、根据各分类节点各自的总连按强度值判断分类该分类节点是否有效,有效的分类节点保留,无效的分类节点删除,进行步骤S4。
本发明所述的一种识别网络分类节点自增方法,作为一种优选方式,步骤S73具体中分类节点是否有效的具体判定方法为各分类节点的连接强度与强度阈值进行比较,大于等于强度阈值为有效节点,小于等于强度阈值为无效节点,强度阈值为定值。
本发明所述的一种识别网络分类节点自增方法,作为一种优选方式,步骤S73具体中分类节点是否有效的具体判定方法为根据连接强度对各分类节点进行顺序排列,由低数值开始,属于强度阈值范围内的分类节点为无效节点,强度阈值为百分数。
类比人类智能在连续一段时间见到的都是不认识的东西的时候,开始新增概念点;识别网络在连续一段时间无法识别到现有的分类节点,开始进入训练模式,预设一个分类节点,预设未来输入的n个输入数据作为训练数据,训练预定的一段时间。
可以预见的是,这样训练完成的分类节点,分为以下几种:
第一,完全不拟合的分类节点,由于输入数据的选择,训练时间过短等因素,导致分类节点完全不拟合,对于这类节点,很容易识别出来,直接删除;
第二,过拟合的分类节点。过拟合的结果对于本算法是可接受的。因为不能泛化的部分,我们可以创建新的分类节点归类,然后利用同时性规则标注。分类节点自增算法不怕过拟合,相反需要尽量的过拟合。因此分类节点自增算法在训练时就是尽量过拟合。
第三,没有完全拟合的分类节点,这种分类节点非常难以区分,这就需要利用同时性规则来将其分类有效分类节点和无效分类节点。
同时性联结记忆规则:将在同一时间段内识别的不同事物、不同的分类节点之间建立连接,每次这两个事物在同一时间段出现,都会强化两个响应事物、响应的分类节点之间的连接强度。
本发明有益效果如下:
(1)通过识别连接模式、训练增点模式、睡眠遗忘模式的自动切换,实现了识别网络中的分类节点的自动增加和自动标注;
(2)本技术方案不使用标注数据,实现了分类节点的自动生成和自动标注,是创新的无监督学习方法。
附图说明
图1是一种识别网络分类节点自增方法示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例1
如图1所示,一种识别网络分类节点自增方法,包括以下步骤:包括以下步骤:
S1、将输入的数据流根据传感器属性,分割为若干数据流;
S2、分割后的数据流进行数据预处理;
S3、T0清零并开始计时;
S4、T1清零并开始计时;
S5、数据流输入对应的识别网络,并判断是否有分类节点相应,若是则清空无节点相应输入累计值n并进行步骤S10,否则无节点相应输入次数累计值n的数值增加1,并运行步骤S6;
S6、判断输入累计值是否大于等于阈值a,若是则进行步骤S5,否则进行步骤S7;
S7、识别网络进入训练增点模式,预设新增的分类节点序号,预设末来b次输入为该分类节点的训练数据;
S8、训练增点模式:设置训练时间长度M,若训陈时间长度M内损失函数达到阈值,或达到训练时间长度M,停止训练;
S9、训练增点模式:对完全不拟合分类节点进行删除,进行步骤S5;
S10、识别网络进入识别连接模式,当分类节点响应,则该分类节点进入响应状态,响应时间长度为t;
S11、识别连接模式:取消超出时间t的处于响应状态的分类节点的响应状态;
S12、识别连接模式:统计各分类节点状态,所有处于响应状态的分类节点之间的连接强度统计值增加1;
S13、判断T0是否大于等于阈值Tb,若是则S17,否则进行步骤S14;
S14、判断T1是否大于等于Ta,若是则进行步骤S15,若不是则进行步骤S5;
S15、识别网络进入睡眠遗忘模式,统计各分类节点各自的总连接强度值;
S16、睡眠遗忘模式:根据各分类节点各自的总连按强度值判断分类该分类节点是否有效,有效的分类节点保留,无效的分类节点删除,进行步骤S4;
S17、结束。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
- 一种识别网络分类节点自增方法
- 一种适用于网络节点分类方法评估的仿真网络生成方法