[发明专利]神经网络的训练方法、装置及计算机存储介质

权利要求书

1.一种神经网络的训练方法，其特征在于，所述训练方法包括如下步骤：

获取所述神经网络的每一节点与上一层连接的各个节点间的权重值；

使用演化式计算整合所述权重值和对应的每一节点的输入值，动态生成所述每一节点的输出值，其中，所述神经网络的后一层的节点的输入值取自前一层的节点的输出值；

修正所述神经网络的所述节点间的所述权重值；

根据修正后的所述权重值结合所述节点的输出值迭代得到后一层所述节点的输出值；

输出训练后的神经网络。

2.如权利要求1所述的神经网络的训练方法，其特征在于：

所述演化式计算整合采用的函数为其中，所述神经网络设有N个节点互连，j＝1,2,3…N-1，i＝j+1，a_j表示所述前一层节点产生值，ω_ji表示前一个节点j对后一个节点i的权重值，a_i表示所述后一层节点产生值。

3.如权利要求1所述的神经网络的训练方法，其特征在于：

所述演化式计算整合至少经过两次迭代计算，若迭代次数满足条件或结果达到收敛条件，得到所述训练后的神经网络；若未达到收敛条件，进入下一轮的迭代。

4.如权利要求1所述的神经网络的训练方法，其特征在于：所述修正所述神经网络的所述节点间的所述权重值步骤包括：综合各个节点的输出值获得所述节点间的修正后的权重值。

5.如权利要求4所述的神经网络的训练方法，其特征在于：

所述综合各个节点的输出值获得所述节点间的修正后的权重值包括：

使用梯度下降法修正所述权重值；

根据修正后的权重值的调整量决定是否进行再次迭代。

6.一种神经网络的训练装置，其特征在于，所述训练装置包括：

显示单元，用于显示所述神经网络结构；

处理单元；以及

存储单元，所述存储单元中存储有多个程序模块，所述多个程序模块由所述处理单元运行并执行如下步骤：

获取所述神经网络的每一节点与上一层连接的各个节点间的权重值；

使用演化式计算整合所述权重值和对应的每一节点的输入值，动态生成所述每一节点的输出值，其中，所述神经网络的后一层的节点的输入值取自前一层的节点的输出值；

修正所述神经网络的所述节点间的所述权重值；

根据修正后的所述权重值结合所述节点的输出值迭代得到后一层所述节点的输出值；

输出训练后的神经网络。

7.如权利要求6所述的神经网络的训练装置，其特征在于：

所述存储单元内预存有所述演化式计算整合采用的函数；

所述函数为其中，所述神经网络设有N个节点互连，j＝1,2,3…N-1，i＝j+1，a_j表示所述前一层节点产生值，ω_ji表示前一个节点j对后一个节点i的权重值，a_i表示所述后一层节点产生值。

8.如权利要求6所述的神经网络的训练装置，其特征在于：所述演化式计算整合至少经过两次迭代计算，若迭代次数满足条件或结果达到收敛条件，得到所述训练后的神经网络；若未达到收敛条件，进入下一轮的迭代。

9.如权利要求6所述的神经网络的训练装置，其特征在于：所述多个程序模块由所述处理单元运行还执行如下步骤：

综合各个节点的输出值获得所述节点间的修正后的权重值；

使用梯度下降法修正所述权重值；

根据修正后的权重值的调整量决定是否进行再次迭代。

10.一种计算机存储介质，所述计算机存储介质存储有计算机程序代码，其特征在于：当所述计算机程序代码在计算设备上运行时，导致所述计算设备执行权利要求1-5任一项所述的神经网络训练方法。