一种目标测试模型的训练方法和装置
文献发布时间:2023-06-19 10:11:51
技术领域
本申请涉及神经网络技术领域,尤其涉及一种目标测试模型的训练方法和装置。
背景技术
气动压力扫描测试是传感器技术和电子技术相结合的产物,主要面向风洞试验、航空发动机试验、汽车测试等科技领域。其通过测量待测对象表面的压力分布,为结构强度计算提供载荷,为研究待测对象的气动特性提供设计依据,同时也是验证数值计算方法是否准确的一个重要手段。通过多点压力分布测量可以确定待测表面上最小压力点位置、激波位置、气流是否分离等特征,为气动分析提供依据;还可通过压力分布测量,获得对象的升力、压差阻力和压力中心位置等重要参数。目前气动压力扫描装备中压力传感器易受温度的影响,会影响设备精度。
发明内容
本申请实施例的目的在于提供一种目标测试模型的训练方法和装置,以解决设备受温度影响的问题。具体技术方案如下:
第一方面,提供了一种目标测试模型的训练方法,所述方法包括:
将样本温度值和样本压力值的归一化数值输入初始测试模型,并得到所述初始测试模型输出的测试压力值;
确定所述初始测试模型的当前群组中的个体的当前适应度值,其中,所述个体为所述初始测试模型的当前权值和当前阈值,在所述当前权值和所述当前阈值下所述测试压力值与预设压力值之间的误差值与所述当前适应度值成反比;
若所述当前适应度值不满足终止条件,则对所述初始测试模型的个体进行迭代遗传操作,直至所述个体的当前适应度值满足所述终止条件,得到目标权值和目标阈值;
将含有所述目标权值和所述目标阈值的初始测试模型作为目标测试模型。
可选地,所述若所述当前适应度值不满足终止条件,则对所述初始测试模型的个体进行迭代遗传操作包括:
若所述当前适应度值不满足终止条件,则通过适应度函数选取当前种群中的待选个体,其中,所述当前种群中包括多个个体,所述待选个体为当前适应度值高于预设适应度值的个体;
对所述待选个体进行交叉、变异和复制的遗传操作,得到目标个体;
将多个所述目标个体构成子种群,并将所述子种群作为所述当前种群。
可选地,在通过适应度函数选取当前种群中的待选个体之后,所述方法还包括:对所述待选个体进行编码操作,得到编码后的待选个体;
所述确定所述初始测试模型的当前群组中个体的当前适应度值之前,所述方法还包括:对所述当前群组进行解码操作。
可选地,在将样本温度值和样本压力值的归一化数值输入初始测试模型之前,所述方法还包括:
获取目标传感器发送的多个样本温度值和多个样本压力值;
确定所述目标传感器的最大输出标定值、最小输出标定值和当前样本的输入输出标定值;
确定所述输入输出标定值与所述最小输出标定值的第一差值、所述最大输出标定值与所述最小输出标定值的第二差值;
将所述第一差值与所述第二差值的比值作为所述当前样本输入输出的归一化数值。
可选地,在将所述第一差值与所述第二差值的比值作为所述当前样本输入输出的归一化数值之后,所述方法还包括:
确定所述归一化数值以及原始测试模型中输入层和隐含层之间的第一权值、第一阈值和第一传递函数,并根据所述归一化数值、所述第一权值、所述第一阈值和所述第一传递函数,确定所述隐含层的第一输出值;
确定所述原始测试模型中隐含层和输出层之前的第二权值、第二阈值和第二传递函数,并根据所述第一输出值、所述第二权值、所述第二阈值和第二传递函数,确定所述输出层的第二输出值;
根据所述归一化数值和所述第二输出值,构建所述初始测试模型。
可选地,对所述初始测试模型的个体进行迭代遗传操作之后,所述方法还包括:
在原有迭代次数的基础上加一,得到当前迭代次数;
若所述当前迭代次数满足所述终止条件,则停止对所述初始测试模型的个体进行迭代遗传操作;
将当前迭代次数的权重和阈值作为目标权值和目标阈值。
可选地,所述确定所述初始测试模型的当前群组中个体的当前适应度值包括:
确定所有所述个体的拟合残差的和值、所述当前群组中的个体数量;
将所述和值与所述个体数量的比值作为所述当前适应度值。
可选地,在将含有所述目标权值和所述目标阈值的初始测试模型作为目标测试模型之后,所述方法还包括:
将目标温度值和目标压力值的归一化数值输入所述目标测试模型,并得到所述目标测试模型输出的第一压力值;
将所述第一压力值进行反归一化,得到温度补偿后的最终压力值。
第二方面,提供了一种目标测试模型的训练装置,所述装置包括:
输入输出模块,用于将样本温度值和样本压力值的归一化数值输入初始测试模型,并得到所述初始测试模型输出的测试压力值;
确定模块,用于确定所述初始测试模型的当前群组中的个体的当前适应度值,其中,所述个体为所述初始测试模型的当前权值和当前阈值,在所述当前权值和所述当前阈值下所述测试压力值与预设压力值之间的误差值与所述当前适应度值成反比;
迭代模块,用于若所述当前适应度值不满足终止条件,则对所述初始测试模型的个体进行迭代遗传操作,直至所述个体的当前适应度值满足所述终止条件,得到目标权值和目标阈值;
作为模块,用于将含有所述目标权值和所述目标阈值的初始测试模型作为目标测试模型。
可选地,所述迭代模块包括:
选取单元,用于若所述当前适应度值不满足终止条件,则通过适应度函数选取当前种群中的待选个体,其中,所述当前种群中包括多个个体,所述待选个体为当前适应度值高于预设适应度值的个体;
操作单元,用于对所述待选个体进行交叉、变异和复制的遗传操作,得到目标个体;
构成单元,用于将多个所述目标个体构成子种群,并将所述子种群作为所述当前种群。本申请实施例有益效果:
在本申请中,通过对初始测试模型的个体进行迭代遗传操作,选取最优的个体,因此能够减少温度对压力的影响,提高压力测量的精度。
当然,实施本申请的任一产品或方法并不一定需要同时达到以上的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种目标测试模型的训练方法硬件环境示意图;
图2为本申请实施例提供的一种目标测试模型的训练的方法流程图;
图3为本申请实施例提供的迭代遗传操作的方法流程图;
图4为本申请实施例提供的迭代遗传操作的流程图
图5为本申请实施例提供的目标测试模型的示意图;
图6-1为本申请实施例提供的BP神经网络的处理时长示意图;
图6-2为本申请实施例提供的遗传算法优化BP神经网络的处理时长示意图;
图7-1为本申请实施例提供的标定压力40kPa输出压力值的示意图;
图7-2为本申请实施例提供的标定压力80kPa输出压力值的示意图;
图8-1为本申请实施例提供的各通道下的压力值平均绝对误差的示意图;
图8-2为本申请实施例提供的各通道下的压力值最大绝对误差的示意图
图9为本申请实施例提供的一种目标测试模型的训练装置的结构示意图;
图10为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明,其本身并没有特定的意义。因此,“模块”与“部件”可以混合地使用。
为了解决背景技术中提及的问题,根据本申请实施例的一方面,提供了一种目标测试模型的训练方法的实施例。
可选地,在本申请实施例中,上述目标测试模型的训练方法可以应用于如图1所示的由终端101和服务器103所构成的硬件环境中。如图1所示,服务器103通过网络与终端101进行连接,可用于为终端或终端上安装的客户端提供服务,可在服务器上或独立于服务器设置数据库105,用于为服务器103提供数据存储服务,上述网络包括但不限于:广域网、城域网或局域网,终端101包括但不限于PC、手机、平板电脑等。
本申请实施例中的一种目标测试模型的训练方法可以由服务器103来执行,还可以是由服务器103和终端101共同执行。
本申请实施例提供了一种目标测试模型的训练方法,可以应用于服务器,用于构建目标测试模型。
下面将结合具体实施方式,对本申请实施例提供的一种目标测试模型的训练方法进行详细的说明,如图2所示,具体步骤如下:
步骤201:将样本温度值和样本压力值的归一化数值输入初始测试模型,并得到初始测试模型输出的测试压力值。
服务器获取样本温度值和样本压力值的归一化数值,然后将该归一化数值输入初始测试模型,得到初始测试模型输出的测试压力值。其中,初始测试模型可以为BP(BackPropagation,一种按误差逆传播算法训练的多层前馈网络)神经网络。
示例性地,服务使用高低温箱控制温度的变化,设置28℃、35℃、45℃、52℃、61℃的温度环境,在这5个不同的温度环境下使用标准气压源为测量装置提供0kPa、20kPa、40kPa、60kPa、80kPa标准气压,一共可以得到25组在不同温度及不同标准气压下的输出结果,作为样本温度值和样本压力值。
步骤202:确定初始测试模型的当前群组中的个体的当前适应度值。
其中,个体为初始测试模型的当前权值和当前阈值,在当前权值和当前阈值下测试压力值与预设压力值之间的误差值与当前适应度值成反比。
初始测试模型包括输入层、隐含层和输出层,其中,隐含层的数量为至少一个。输入层和隐含层之间具有权值和阈值,隐含层和输出层之间具有权值和阈值,不同模型层之间的权值和阈值是不同的,权值和阈值也是可以变化的,不同的权值和阈值对应不同的测试压力值。
服务器确定初始测试模型中各模型层的当前权值和当前阈值,并将当前权值和当前阈值作为个体,然后针对该个体确定其当前适应度值,初始测试模型在当前权值和当前阈值下输出测试压力值,服务器确定测试压力值与预设压力值之间的误差值,误差值越小,表明初始测试模型的输出值约接近预设压力值,则个体的当前适应度值越高。
其中,误差值的计算公式为:
e=y
根据误差值重新调整当前权值的公式为:
根据误差值重新调整当前阈值的公式为:
步骤203:若当前适应度值不满足终止条件,则对初始测试模型的个体进行迭代遗传操作,直至个体的当前适应度值满足终止条件,得到目标权值和目标阈值。
服务器判断当前适应度值是否满足终止条件,若服务器判定当前适应度值不满足终止条件,表明在当前权值和当前阈值下,测试压力值与预设压力值之间的误差值不小于目标误差值,则需要对初始测试模型的个体进行迭代遗传操作,以提高个体的适应度值,直至个体的当前适应度值满足终止条件,得到目标权值和目标阈值。
若服务器判定当前适应度值满足终止条件,表明在当前权值和当前阈值下,测试压力值与预设压力值之间的误差值小于目标误差值,则停止对初始测试模型的个体进行迭代遗传操作。
步骤204:将含有目标权值和目标阈值的初始测试模型作为目标测试模型。
在目标权值和目标阈值下,个体的当前适应度值满足终止条件,因此将含有目标权值和目标阈值的初始测试模型作为目标测试模型。
在本申请中,通过对初始测试模型的个体进行迭代遗传操作,选取最优的个体,因此能够减少温度对压力的影响,提高压力测量的精度,解决了高密度阵列式风洞气压测量装置气压测量过程中所产生的温度漂移问题。
作为一种可选的实施方式,如图3所示,若当前适应度值不满足终止条件,则对初始测试模型的个体进行迭代遗传操作包括:
步骤301:若当前适应度值不满足终止条件,则通过适应度函数选取当前种群中的待选个体。其中,当前种群中包括多个个体,待选个体为当前适应度值高于预设适应度值的个体。
服务器若判定当前适应度值不满足终止条件,则通过适应度函数计算当前种群中的所有个体的当前适应度值,并将当前适应度值高于预设适应度值的个体为待选个体。
其中,确定当前群组中个体的当前适应度值包括:确定所有个体的拟合残差的和值、当前群组中的个体数量;将和值与个体数量的比值作为当前适应度值。
计算适应度值的公式为:
其中,f
步骤302:对待选个体进行交叉、变异和复制的遗传操作,得到目标个体。
服务器从待选个体中选取两个个体进行交叉操作,得到交叉后的个体,然后对该个体进行变异,有利于算法寻找到全局最优个体,为了保留最优个体,可以将最优个体进行复制遗传给下一代,得到目标个体。示例性地,可以采用轮盘赌方法进行复制。
步骤303:将多个目标个体构成子种群,并将子种群作为当前种群。
服务器根据多个目标个体构成子种群,并将子种群作为当前种群。服务器继续对当前种群中的个体进行当前适应度值计算,直至当前适应度值满足终止条件。
在本申请中,服务器通过适应度函数计算所有个体的当前适应度值,然后确定当前适应度值高于预设适应度值的待选个体,对待选个体进行交叉、变异和复制的遗传操作,这样不断的迭代,可以得到适应度值最优的个体。基于遗传算法优化BP神经网络,能有效的减少温度对装置测量的影响,提高测量装置的精度,算法更具有鲁棒性。
作为一种可选的实施方式,在通过适应度函数选取当前种群中的待选个体之后,方法还包括:对待选个体进行编码操作,得到编码后的待选个体;确定初始测试模型的当前群组中个体的当前适应度值之前,方法还包括:对当前群组进行解码操作。
服务器待选个体进行编码操作,得到编译型的子种群,然后对子种群进行解码,便于计算子种群中当前个体的当前适应度值。
作为一种可选的实施方式,对初始测试模型的个体进行迭代遗传操作之后,方法还包括:在原有迭代次数的基础上加一,得到当前迭代次数;若当前迭代次数满足终止条件,则停止对初始测试模型的个体进行迭代遗传操作;将当前迭代次数的权重和阈值作为目标权值和目标阈值。
服务器构成一次子种群后,即完成一次迭代,则在原有迭代次数的基础上加一,得到当前迭代次数,服务器若判定当前迭代次数满足终止条件,表明迭代次数足够多,当前权重和当前阈值可以作为目标权值和目标阈值。
图4为迭代遗传操作的流程图。如图4所示,确定BP神经网络的初始权值和初始阈值,对初始权值和初始阈值进行编码,得到初始个体,基于所有初始个体构建初始种群,对初始种群解码后,对所有初始个体进行适应度值计算,并判断当前适应度值是否满足终止条件,若服务器确定当前适应度值满足终止条件,则基于目标权值和目标阈值构建目标测试模型。若服务器确定当前适应度值不满足终止条件,则选取初始个体中适应度值高于预设适应度值的待选个体,对待选个体进行交叉、变异和复制的遗传操作,得到的目标个体构成了子种群,这样完成了一次迭代。服务器继续对子种群中的当前个体进行适应度值计算,直至当前适应度值或迭代次数满足终止条件。其中,终止条件包括当前适应度值达到目标适应度值或当前迭代次数达到目标次数。
作为一种可选地实施方式,在将样本温度值和样本压力值的归一化数值输入初始测试模型之前,方法还包括:获取目标传感器发送的多个样本温度值和多个样本压力值;确定目标传感器的最大输出标定值、最小输出标定值和当前样本的输入输出标定值;确定输入输出标定值与最小输出标定值的第一差值、最大输出标定值与最小输出标定值的第二差值;将第一差值与第二差值的比值作为当前样本输入输出的归一化数值。
对高密度阵列式风洞气压测量装置进行压力测试实验过程中,通过多个传感器检测温度和压力,服务器获取目标传感器发送的多个样本温度值和多个样本压力值,其中,目标传感器为多个传感器中的一个传感器,目标传感器针对多个样本温度值和多个样本压力值进行检测。服务器确定目标传感器发送的最大输出标定值和最小输出标定值,以及目标传感器发送的其中一个样本的输入输出标定值。服务器确定输入输出标定值与最小输出标定值的第一差值、最大输出标定值与最小输出标定值的第二差值;将第一差值与第二差值的比值作为当前样本输入输出的归一化数值。
输入输出的归一化数值的计算公式为:
其中,
作为一种可选地实施方式,在将第一差值与第二差值的比值作为当前样本输入输出的归一化数值之后,方法还包括:确定归一化数值以及原始测试模型中输入层和隐含层之间的第一权值、第一阈值和第一传递函数,并根据归一化数值、第一权值、第一阈值和第一传递函数,确定隐含层的第一输出值;确定原始测试模型中隐含层和输出层之前的第二权值、第二阈值和第二传递函数,并根据第一输出值、第二权值、第二阈值和第二传递函数,确定输出层的第二输出值;根据归一化数值和第二输出值,构建初始测试模型。
BP神经网络模型的每个模型层可以包括至少一个节点,示例性地,输入层为2个节点,隐含层为5个节点,输出层为1个节点。输入层和隐含层之间、隐含层和输出层之间都具有传递函数,示例性地,传递函数为tansig函数。图5为目标测试模型的示意图。
隐含层的第一输出值的计算公式为:
其中,Z
输出层的第二输出值的计算公式为:
其中,y
作为一种可选地实施方式,在将含有目标权值和目标阈值的初始测试模型作为目标测试模型之后,方法还包括:将目标温度值和目标压力值的归一化数值输入目标测试模型,并得到目标测试模型输出的第一压力值;将第一压力值进行反归一化,得到温度补偿后的最终压力值。
服务器将目标测试模型嵌入到高密度阵列式风洞气压测量装置上位机的软件中,然后将高密度阵列式风洞气压测量装置输出的目标温度值和目标压力值的归一化数值输入目标测试模型,目标测试模型运算后输出第一压力值,服务器将第一压力值进行反归一化,得到温度补偿后的最终压力值。
本申请使用软件补偿的方法对高密度阵列式风洞气压测量装置进行温度补偿,可以降低装置硬件的复杂性及成本。
图6-1为BP神经网络的处理时长示意图。图6-2为遗传算法优化BP神经网络的处理时长示意图。由图可知,遗传算法优化BP神经网络收敛速度更快,且数据融合精度更高。
图7-1为标定压力40kPa输出压力值的示意图。图7-2为标定压力80kPa输出压力值的示意图。由图可知,在两种压力下,本申请可以有效抑制温度对测量装置的影响。
图8-1为各通道下的压力值平均绝对误差的示意图。图8-2为各通道下的压力值最大绝对误差的示意图。由图可知,温度补偿后测量装置的输出精度均有所提高。
基于相同的技术构思,本申请实施例还提供了一种目标测试模型的训练装置,如图9所示,该装置包括:
输入输出模块901,用于将样本温度值和样本压力值的归一化数值输入初始测试模型,并得到初始测试模型输出的测试压力值;
第一确定模块902,用于确定初始测试模型的当前群组中的个体的当前适应度值,其中,个体为初始测试模型的当前权值和当前阈值,在当前权值和当前阈值下测试压力值与预设压力值之间的误差值与当前适应度值成反比;
迭代模块903,用于若当前适应度值不满足终止条件,则对初始测试模型的个体进行迭代遗传操作,直至个体的当前适应度值满足终止条件,得到目标权值和目标阈值;
第一作为模块904,用于将含有目标权值和目标阈值的初始测试模型作为目标测试模型。
可选地,迭代模块903包括:
选取单元,用于若当前适应度值不满足终止条件,则通过适应度函数选取当前种群中的待选个体,其中,当前种群中包括多个个体,待选个体为当前适应度值高于预设适应度值的个体;
操作单元,用于对待选个体进行交叉、变异和复制的遗传操作,得到目标个体;
构成单元,用于将多个目标个体构成子种群,并将子种群作为当前种群。
可选地,装置还包括:
编码模块,用于对待选个体进行编码操作,得到编码后的待选个体;
解码模块,用于对当前群组进行解码操作。
可选地,装置还包括:
获取模块,用于获取目标传感器发送的多个样本温度值和多个样本压力值;
第二确定模块,用于确定目标传感器的最大输出标定值、最小输出标定值和当前样本的输入输出标定值;
第三确定模块,用于确定输入输出标定值与最小输出标定值的第一差值、最大输出标定值与最小输出标定值的第二差值;
第二作为模块,用于将第一差值与第二差值的比值作为当前样本输入输出的归一化数值。
可选地,装置还包括:
第四确定模块,用于确定归一化数值以及原始测试模型中输入层和隐含层之间的第一权值、第一阈值和第一传递函数,并根据归一化数值、第一权值、第一阈值和第一传递函数,确定隐含层的第一输出值;
第五确定模块,用于确定原始测试模型中隐含层和输出层之前的第二权值、第二阈值和第二传递函数,并根据第一输出值、第二权值、第二阈值和第二传递函数,确定输出层的第二输出值;
构建模块,用于根据归一化数值和第二输出值,构建初始测试模型。
可选地,装置还包括:
增加模块,用于在原有迭代次数的基础上加一,得到当前迭代次数;
停止模块,用于若当前迭代次数满足终止条件,则停止对初始测试模型的个体进行迭代遗传操作;
第三作为模块,用于将当前迭代次数的权重和阈值作为目标权值和目标阈值。
可选地,第一确定模块902包括:
确定单元,用于确定所有个体的拟合残差的和值、当前群组中的个体数量;
作为单元,用于将和值与个体数量的比值作为当前适应度值。
可选地,装置还包括:
输入模块,用于将目标温度值和目标压力值的归一化数值输入目标测试模型,并得到目标测试模型输出的第一压力值;
反归一化模块,用于将第一压力值进行反归一化,得到温度补偿后的最终压力值。
根据本申请实施例的另一方面,本申请提供了一种电子设备,如图6所示,包括存储器1003、处理器1001、通信接口1002及通信总线1004,存储器1003中存储有可在处理器1001上运行的计算机程序,存储器1003、处理器1001通过通信接口1002和通信总线1004进行通信,处理器1001执行计算机程序时实现上述方法的步骤。
上述电子设备中的存储器、处理器通过通信总线和通信接口进行通信。所述通信总线可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
根据本申请实施例的又一方面还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本申请实施例在具体实现时,可以参阅上述各个实施例,具有相应的技术效果。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits,ASIC)、数字信号处理器(Digital Signal Processing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(Programmable LogicDevice,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
- 一种目标测试模型的训练方法和装置
- 一种运动目标识别训练方法、运动目标识别方法及装置