[发明专利]多维可视化的多源异构数据多层DRNN深度融合方法

权利要求书

1.多维可视化的多源异构数据多层DRNN深度融合方法，其特征在于：该方法步骤包括：

步骤一：建立DRNN神经网络；

步骤二：多源异构数据输入DRNN神经网络，形成DRNN训练模板；

步骤三：建立DRNN网络的单层神经元个体的前向输出；其中单层网络作为激活的融合函数；

步骤四：建立DRNN网络的权值重构及修正；其中修正作为融合函数的存在；

步骤五：在DRNN网络的数据融合层通过数据特征融合,获得特征输出；

所述多源异构数据输入的具体步骤是：

x是多源异构输入，h是隐层单元，h_i是i时刻的隐层单元，h_i-1是i-1时刻的隐层单元，W作为自学习隐含层的权值；U作为融合层的权值，也就是DRNN网络的不同神经网络层的权重叠加权值；其中φ为激活函数：

h_i＝φ(Ux+Wh_i-1+b) (2)；

建立权值重构及修正的具体步骤是：

首先重建隐单元；将初始特征向量值传递给隐单元；然后特征向量由隐层单元重建；这些特征向量再次映射给隐单元，这样就获取新的隐单元；

再通过增加进DRNN神经网络的层数会改变训练数据的概率，以获得海量数据特征的真实表达；

其中，O为个体的前向输出；U作为融合层的权值；W_t和U_t表示不同层间的最优梯度方向。

2.根据权利要求1所述的多维可视化的多源异构数据多层DRNN深度融合方法，其特征在于：建立DRNN神经网络的具体步骤是：针对多源异构数据，建立基于深度经网络循环递归自学习网络；建立深度学习模型，在每层形成递归网络，该递归网络采用深度自学习，生成DRNN网络；

在靠近底层数据，建立DRNN网络的有向图模型，层中节点之间没有链接，而在最远离部分使用模糊融合判决，通过前向自编码，增加隐藏层的层数，获得相应的生成模型。

3.根据权利要求2所述的多维可视化的多源异构数据多层DRNN深度融合方法，其特征在于：建立基于深度经网络循环递归自学习网络的具体方法是：

采用分层架构，每层根据目标的特征自适应建立不同的层结构；而且每个层结构可以分配不同的融合节点；通过时间序列的融合节点完成递归；经过层结构的递归循环，完成多源数据的特征融合。

4.根据权利要求2所述的多维可视化的多源异构数据多层DRNN深度融合方法，其特征在于：生成模型即是节点权值模型，

h_i＝arg minφ(U∑x_i+Wh_i-1) (1)

h_i是i时刻的隐层单元，h_i-1是i-1时刻的隐层单元，W、U是不同神经网络层的权重叠加权值，W作为自学习隐含层的权值；U作为融合层的权值，φ为激活函数：

生成模型是建立一个多源异构数据和评测指标的联合分布，联合分布通过针对目标的多源数据结构特征完成自学习评估，而且这些自学习分层网络被“限制”，这个限制条件分别为一个数据层和一个隐层，层间存在连接，但层内的单元间不存在连接；隐层单元被训练去捕捉在数据层表现出来的高阶数据的相关性，通过概率转移双向刻画数据特征；

DRNN神经网络通过非监督贪婪逐层方法预训练获得生成模型的权值，获得异构多源数据的关联特征。

5.根据权利要求1所述的多维可视化的多源异构数据多层DRNN深度融合方法，其特征在于：通过前端多源传感器采集的多源数据，将多源获取的数据进行有效目标标注，得到多源异构数据。

6.根据权利要求1所述的多维可视化的多源异构数据多层DRNN深度融合方法，其特征在于：建立个体的前向输出，其单层的多源异构数据形成模型为，公式如下：

O_t＝Vh_t+c (3)

其中，O为个体的前向输出，V作为数据层的权值，c表示单层偏移量；通过单层的训练模型，形成多维异构数据的层间递进。