[发明专利]一种基于演化算法的深度神经网络训练与优化算法在审
| 申请号： | 201711426103.4 | 申请日： | 2017-12-25 |
| 公开（公告）号： | CN108229657A | 公开（公告）日： | 2018-06-29 |
| 发明（设计）人： | 谢玮宜;程国华;季红丽 | 申请（专利权）人： | 杭州健培科技有限公司 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08;G06N3/00;G06K9/62 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 310018 浙江省杭*** | 国省代码： | 浙江;33 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 网络结构 神经网络结构 神经网络训练 演化算法 优化算法 编码表 搜索 复杂度变化 粒子群算法 疾病分类 经验设计 训练样本 样本数据 迭代 粒子 写入 种群 | ||
【权利要求书】：
1.一种基于演化算法的深度神经网络训练与优化算法，其特征在于，包括：
1）编码：根据给定问题设定初始化全连接神经网络，并在预先设定模型复杂度的范围内进行复杂度增加迭代编码和复杂度降低迭代编码，得到神经网络的模型编码表；
2）演化：设定种群大小和粒子在空间内和空间之间的移动范围，和移动速度变化范围，利用超粒子群算法在模型编码表对应的超搜索空间找寻适合给定问题的最优神经网络模型编码。
2.根据权利要求1所述的方法，其特征在于，步骤1）所述的根据具体应用设定全连接神经网络作为编码迭代步骤初始化神经网络； 所述的复杂度增加迭代是利用从输入层到输出层神经元每次迭代隔层增加一条连接并计算增加连接后的神经网络模型复杂度， 当复杂度大于既定复杂度最大值时停止迭代；所述的复杂度减少迭代是从隐藏层开始，减少从最低隐藏层到输出层每个神经元到较高层神经元的连接，当神经元没有向高层的连接时在网络模型中删除该神经元。
3.根据权利要求1所述的方法，其特征在于，步骤2）所述的超粒子群演化算法。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于杭州健培科技有限公司，未经杭州健培科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201711426103.4/1.html，转载请声明来源钻瓜专利网。
- 上一篇：神经网络运算装置及方法
- 下一篇：基于有限样本的物体检测器的实现方法及装置
