[发明专利]一种分类方法及装置、计算机可读存储介质

权利要求书

1.一种分类方法，其特征在于，包括：

将特征数据输入预先建立的深度置信神经网络模型；

通过多线程并行吉布斯抽样，根据抽样结果并行计算隐层与显层之间相互被激活的概率，并行更新每个神经元之间的权重以及偏置值；

将更新后的每个神经元之间的权重以及偏置值作为初始化训练参数，对深度置信神经网络模型进行有监督训练；

利用训练好的深度置信神经网络模型进行分类识别。

2.根据权利要求1所述的分类方法，其特征在于，所述通过多线程并行吉布斯抽样，根据抽样结果并行计算隐层与显层之间相互被激活的概率，并行更新每个神经元之间的权重以及偏置值，包括：

并行吉布斯抽样，同时抽取显层上每个神经元的值，计算每个隐层神经元被显层神经元激活的概率值：

其中i∈[0,M],j∈[0,N]，v为显层数据值，h为隐层数据值，M为显层神经元个数，N为隐层神经元个数；W为权重，b为显层偏置值，c为隐层偏置值；

通过隐层h⁽⁰⁾重构显层v⁽¹⁾，再次并行吉布斯抽样，计算显层神经元被隐层神经元激活的概率值：

通过显层v⁽¹⁾重构隐层h⁽¹⁾，再次并行吉布斯抽样，计算隐层神经元被显层神经元激活的概率值：

并行更新每个神经元之间的权重以及偏置值：

其中，η为预设的学习率。

3.根据权利要求1所述的分类方法，其特征在于，所述将更新后的每个神经元之间的权重以及偏置值作为初始化训练参数，对深度置信神经网络模型进行有监督训练，包括：

根据反向传播算法，对所述深度置信神经网络模型中的深度BP神经网络进行有监督调优训练；

采用梯度下降算法迭代更新各层的权重及偏置值，直到各层的权重及偏置值达到最优化。

4.根据权利要求1所述的分类方法，其特征在于，所述方法之前还包括：

获取传感器采集的数据，对获取的数据经过信号处理得到特征数据。

5.根据权利要求4所述的分类方法，其特征在于，所述对获取的数据经过信号处理得到特征数据，包括：

将获取的数据按时序加窗划分为多个数据块；

通过多线程对划分出的多个数据块进行并行特征提取，并将各个线程提取的特征按类别进行合并，得到合并后的特征数据。

6.根据权利要求5所述的分类方法，其特征在于，当通过多个多处理器(MP)执行所述多线程时，相同MP内部的多线程之间通过共享内存进行数据通信；不同MP之间通过全局内存进行数据通信。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至6中任一项所述的分类方法的步骤。

8.一种分类装置，其特征在于，包括输入单元、训练单元和分类单元，其中：

输入单元，用于将特征数据输入预先建立的深度置信神经网络模型；

训练单元，用于通过多线程并行吉布斯抽样，根据抽样结果并行计算隐层与显层之间相互被激活的概率，并行更新每个神经元之间的权重以及偏置值；将更新后的每个神经元之间的权重以及偏置值作为初始化训练参数，对深度置信神经网络模型进行有监督训练；

分类单元，用于利用训练好的深度置信神经网络模型进行分类识别。