[发明专利]一种机器学习方法和机器学习装置

权利要求书

1.一种机器学习方法，其特征在于，包括：

根据获取的训练样本集构建原始输入矩阵和原始输出矩阵；

利用第一随机权重和第一随机数基于所述原始输入矩阵构建映射特征节点矩阵；

利用第二随机权重和第二随机数基于所述映射特征节点矩阵构建增强节点矩阵；

根据由所述映射特征节点矩阵和所述增强节点矩阵组成的增广矩阵以及所述原始输出矩阵来确定连接权重矩阵。

2.根据权利要求1的机器学习方法，其特征在于，所述利用第一随机权重和第一随机数基于所述原始输入矩阵构建映射特征节点矩阵，包括：

基于如下公式构建所述映射特征节点矩阵：Zⁱ＝[Z₁,…,Z_i]，

其中，映射特征节点Z_i＝Φ_i(XW_ei+β_ei)，W_ei为具有适当维度的所述第一随机权重，β_ei为第一随机数。

3.根据权利要求2的机器学习方法，其特征在于，所述利用第二随机权重和第二随机数基于所述映射特征节点矩阵构建增强节点矩阵，包括：

基于如下公式构建所述增强节点矩阵：Hⁱ＝[H₁,…,H_i]，

其中，增强节点H_i＝ξ_i(ZⁱW_hi+β_hi)，W_hi为具有适当维度的所述第二随机权重，β_hi为第二随机数。

4.根据权利要求1的机器学习方法，其特征在于，还包括：

利用所述第一随机权重和所述第一随机数基于所述原始输入矩阵构建增量映射特征节点矩阵；

利用岭回归近似法确定作为所述增量映射特征节点矩阵的伪逆的第一伪逆矩阵；

利用所述第一伪逆矩阵更新所述连接权重矩阵。

5.根据权利要求1的机器学习方法，其特征在于，还包括：

利用所述第二随机权重和所述第二随机数基于所述映射特征节点矩阵构建增量增强节点矩阵；

利用岭回归近似法确定作为所述增量增强节点矩阵的伪逆的第二伪逆矩阵；

利用所述第二伪逆矩阵更新所述连接权重矩阵。

6.根据权利要求1的机器学习方法，其特征在于，还包括：

根据新增训练样本构建增量原始输入矩阵和增量原始输出矩阵；

利用岭回归近似法确定作为所述增量原始输入矩阵的伪逆的第三伪逆矩阵；

根据所述第三伪逆矩阵和所述增量原始输出矩阵来更新所述连接权重矩阵。

7.根据权利要求1的机器学习方法，其特征在于，根据由所述映射特征节点矩阵和所述增强节点矩阵组成的增广矩阵以及所述原始输出矩阵来确定连接权重矩阵，包括：

利用岭回归近似法确定作为所述扩展增强矩阵的伪逆的第四伪逆矩阵；

将所述第四伪逆矩阵与所述原始输出矩阵相乘得到所述连接权重矩阵。

8.根据权利要求1的机器学习方法，其特征在于，还包括：

利用奇异值分解简化所述矩阵中的至少一个。

9.一种机器学习装置，其特征在于，包括：

第一构建模块，根据获取的训练样本集构建原始输入矩阵和原始输出矩阵；

第二构建模块，利用第一随机权重和第一随机数基于所述原始输入矩阵构建映射特征节点矩阵；

第三构建模块，利用第二随机权重和第二随机数基于所述映射特征节点矩阵构建增强节点矩阵；

确定模块，根据由所述映射特征节点矩阵和所述增强节点矩阵组成的增广矩阵以及所述原始输出矩阵来确定连接权重矩阵。

10.根据权利要求9所述的数据处理装置，其特征在于，所述第二构建模块具体被配置为：基于如下公式构建所述映射特征节点矩阵：Zⁱ＝[Z₁,…,Z_i]，其中，映射特征节点Z_i＝Φ_i(XW_ei+β_ei)，W_ei为具有适当维度的所述第一随机权重，β_ei为第一随机数；

所述第三构建模块具体被配置为：基于如下公式构建所述增强节点矩阵：Hⁱ＝[H₁,…,H_i]，其中，增强节点H_i＝ξ_i(ZⁱW_hi+β_hi)，W_hi为具有适当维度的所述第二随机权重，β_hi为第二随机数。