[发明专利]一种穿越欧几里德空间与概率空间的距离的获得方法

说明书

本发明涉及信息处理领域中的一种穿越欧几里德空间与概率空间的距离的获得方法，其特征在于：在欧几里德空间中至少存在着一个概率空间，在穿越概率空间的一个区域时，该区间的概率距离与所经过的区域的概率值有关。本发明实施效果是：提出了可穿越欧几里德空间与概率空间的距离的严格定义，为严格得到不同概率分布之间的远近关系提供了理论依据，还揭示了概率空间是在欧几里德空间中存在的，而且在一个欧几里德空间里可以存在无限个概率空间以及揭示了概率空间距离一定具有不对称性的特点。为提高模式识别的精度，为提高机器学习结果的数据精度，以及提高机器学习的效率提供了理论依据。

【技术领域】

本发明属于人工智能领域中的一种穿越欧几里德空间与概率空间的距离的获得方法。

【背景技术】

随着谷歌投资开发的AlphaGo战胜所有人类棋手的辉煌战绩又一次掀起了全世界追捧深度学习的热潮。在过去的一年里有关人工智能的专利申请数量也几乎超出过去所有年份有关人工智能的专利总的数目。

在这方面日本著名古河机电公司发表了“图像处理方法和图像处理装置”(专利文献1)的专利申请，该专利提出通过人工智能的神经网络的算法选取图像的处理阀值，从而高精度的将图像的轮廓抽出。

在汽车自动驾驶的应用中日本著名的丰田公司发表了“驾驶指向推定装置”的专利(专利文献2)，该专利提出根据汽车自动驾驶过程中，针对突发的情况，即使驾驶员没有反映的情况下，通过人工智能的逆传递神经网络的机器学习算法，自动的选择驾驶状态，以避免行车事故的发生等。

在图像分析方面的应用日本法政大学发表了“植物病诊断系统，植物病诊断方法，以及植物病诊断程序”的专利(专利文献3)，该专利提出导入深度学习的CNN模型，对植物叶子的图像进行识别与分析，从而诊断植物的病变。

作为世界复印机最大制造商之一的日本的富士施乐从防伪识别的角度申请了“使用微小防伪标记的防伪装置及方法”的专利(专利文献4)，该专利力图使用人工智能算法构造可以记录信息的微小防伪标记，以达到解决商品防伪识别的目的。

【专利文献】

【专利文献1】(特开2013-109762)

【专利文献2】(特开2008-225923)

【专利文献3】(特开2016-168046)

【专利文献4】(特开2012-124957)

上述(专利文献1)，(专利文献2)和(专利文献3)都提到采用人工智能的神经网络算法，但是，神经网络算法中主要是通过“训练”将目标函数的信息承载在海量的加权值的参数上，加权值W，与阀值T在学习的过程中，要想得到最佳的解，需要将所有的状态都要进行测试，所要组合的总次数是{(W×T)ⁿ}×P，这里n为一层的神经网络的节点数，P为神经网络的层数，如此高指数的计算复杂度使计算量庞大，所需要的硬件开销巨大，深度学习的学习效果的损失函数所采用的概率梯度下降法简称SGD，所得到的训练值是一个局部最佳解，因此不可避免的会出现“黑箱”问题，再有神经网络的模型中的阀值属于人为定义，同人的大脑的神经网络的机理相差甚大，脑神经的刺激信号的原理不能在传统的神经网络模型中充分体现，人的头脑根据神经元的神经信号所产生的兴奋程度不同进行不同的判断的机理在目前的神经网络的模型中也不能体现等等，目前的神经网络模型只能是学术上的，代表一种方向性的理论，同达到实际应用的水平差距甚大。如今进入深度学习的阶段，同传统的神经网络相比只增加了隐藏层的数量，这更加使计算的复杂度加大，虽然在学习中导入了一些优化算法，但是并没脱离原来的神经网络的基础，传统神经网络的致命问题得不到解决，广泛应用的前景很难期待。