[发明专利]一种识别网络分类节点自增方法

说明书

本发明涉及一种识别网络分类节点自增方法，基于深度神经网络的识别网络增加以下三种模式：识别连接模式、训练增点模式、睡眠遗忘模式。在数据流不断地输入识别网络的过程中，通过三种模式的自动切换，实现了识别网络中的分类节点的自动增加和自动标注。

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次数累计值n并进行步骤S8，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、判断输入次数累计值是否大于等于阈值a，若是则进行步骤S7，否则进行步骤S5；

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是否大于等于阈值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；