[发明专利]一种基于区间算法的神经网络池化层设计方法

说明书

技术领域

本发明公开一种神经网络池化层设计方法，涉及人工智能领域，具体地说是一种基于区间算法的神经网络池化层设计方法。

背景技术

卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(alternating convolutional layer)和池化层(pooling layer)。

卷积神经网络中卷积层主要利用局部感受野以及共享权重技术输出数据，池化层将卷积层输出数据作为输入数据进行特征提取并输出数据，大幅减少卷积神经网络中参数个数，防止卷积神经网络过拟合，并且使卷积神经网络更容易训练，同时能够大大提高模式识别的准确率。

但现实生活中存在很多不能被准确数值描述的数据，同时某些精确数值也不可能被机器精确地表述，需要用一定的区间数值来表示，因此存在区间数据。本发明提供一种基于区间算法的神经网络池化层设计方法，利用区间算法，将池化层的输入值以及输出值，定义成区间数据类型，从而形成区间池化层，该区间池化层能够处理不确定的有一定范围的输入值，即区间数据类型，并输出可靠的区间值，通过该区间池化层以及相应的区间神经网络技术搭建区间神经网络，可以弥补神经网络无法处理区间数据的不足，使区间数据也能够利用卷积神经网络的技术解决实际问题，应用于实际的场景中。

发明内容

本发明提供一种基于区间算法的神经网络池化层设计方法，使区间数据也能够利用卷积神经网络的技术解决实际问题，应用于实际的场景中。

本发明提出的具体方案是：

一种基于区间算法的神经网络池化层设计方法：

将利用区间算法获取的卷积层的区间输出特征作为池化层的区间输入特征，针对池化层的区间输入特征选取对应池化区域，应用区间池化策略，为该池化区域内的区间输出特征的所有元素确定上界及下界，获得区间输出特征，

移动池化区域，直到遍历所有区间输入特征，得到区间池化后所有区间输出特征，结合神经网络其他技术对输出特征数据进行处理。

所述的方法，针对池化层的输入特征选取对应池化区域，应用平均值池化或者最大值池化策略，为该池化区域内的区间输出特征的所有元素确定上界及下界，获得区间输出特征。

所述的方法，针对池化层的输入特征选取对应池化区域，应用最大值池化策略，选取对应池化区域内的所有区间元素上界中的最大值，作为区间输出特征的区间元素的上界，选取对应池化区域内的所有区间元素下界中的最大值，作为区间输出特征的区间元素的下界，获得区间输出特征。

所述的方法采用一般池化或者重叠池化，移动池化区域，直到遍历所有区间输入特征。

所述的方法中池化区域的大小根据实际应用场景进行自定义。

一种基于区间算法的神经网络池化层，包括区间输入特征和区间输出特征，其中将利用区间算法获取的卷积层的区间输出特征作为池化层的区间输入特征，

针对池化层的区间输入特征选取对应池化区域，应用区间池化策略，为该池化区域内的区间输出特征的所有元素确定上界及下界，获得区间输出特征。

卷积层包括区间输入数据、卷积核参数、区间输出数据，数据类型均为区间数据类型，可通过数据重新排列方法将卷积层的区间输入数据及卷积核参数转换为区间输入矩阵和区间卷积核参数矩阵，再通过区间输入矩阵和区间卷积核参数矩阵的相乘运算获得区间输出矩阵，而区间输出矩阵即包含所有区间输出特征。可以使用im2col方法将卷积层输入数据及卷积核参数转换为区间输入矩阵和区间卷积核参数矩阵，并通过通用矩阵相乘GeMM将区间输入矩阵和区间卷积核参数矩阵进行相乘运算获得区间输出矩阵。

本发明的有益之处是：

本发明提供一种基于区间算法的神经网络池化层设计方法，利用区间算法，将池化层的输入值以及输出值，定义成区间数据类型，从而形成区间池化层，该区间池化层能够处理不确定的有一定范围的输入值，即区间数据类型，避免了有些高精度浮点数值无法被计算机精确表达的问题，并输出可靠的区间值，提高可靠性，通过该区间池化层以及相应的区间神经网络技术搭建区间神经网络，可以弥补神经网络无法处理区间数据的不足，使区间数据也能够利用卷积神经网络的技术解决实际问题，应用于实际的场景中。

附图说明

图1本发明神经网络池化层运算示例图；

图2本发明方法流程示意图。

具体实施方式

本发明提供一种基于区间算法的神经网络池化层设计方法：