[发明专利]动态增减方法及装置

权利要求书

1.一种动态增减方法，其特征在于，所述方法包括：

根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点，所述目标数据是用来进行神经网络训练的物品特征数据，所述根据预设分类规则对目标数据进行分类包括：根据物品的不同属性特征对所述目标数据进行分类，所述不同属性包括品牌、颜色、大小、形状和材料中的多项；

将多个数据节点建立网状关联关系；

对每个所述数据节点的目标数据进行卷积神经网络训练，得到特征模型，所述特征模型为所述物品的物品特征模型；

监测所述数据节点的目标数据是否发生变化；以及

如果监测到所述数据节点的目标数据发生了变化，则再次对所述数据节点的目标数据进行卷积神经网络训练，得到并更新所述特征模型；

所述根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点包括：对所述数据节点在设定周期内的使用次数进行统计，得到使用频率信息；根据所述数据节点的使用频率信息，对所述数据节点执行加权操作，得到实际权重数值；

所述将多个数据节点建立网状关联关系包括：根据所述数据节点的实际权重数值，更新图结构中的多个所述数据节点之间的关联关系。

2.根据权利要求1所述的动态增减方法，其特征在于，所述根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点包括：

根据所述目标数据的属性特征进行分类操作；

将分类后的每一类所述目标数据定义为一个数据节点并按照预设加权规则设置初始权重数值。

3.根据权利要求2所述的动态增减方法，其特征在于，所述将多个数据节点建立网状关联关系包括：

根据每个所述数据节点的所述初始权重数值，以图结构的形式构建多个所述数据节点之间的关联关系。

4.根据权利要求1所述的动态增减方法，其特征在于，所述对每个所述数据节点的目标数据进行卷积神经网络训练，得到特征模型包括：

对所述数据节点中的目标数据进行卷积神经网络训练，得到训练数据与真实数据的误差值；

对所述误差值进行纠正操作；

判断纠正后的当前所述误差值是否达到预设目标值；以及

如果判定纠正后的当前所述误差值达到预设目标值，则结束训练，得到所述特征模型。

5.一种动态增减装置，其特征在于，包括：

数据分类单元，用于根据预设分类规则对目标数据进行分类，并将每一类目标数据定义为一个数据节点，所述目标数据是用来进行神经网络训练的物品特征数据，所述根据预设分类规则对目标数据进行分类包括：根据物品的不同属性特征对所述目标数据进行分类，所述特征模型为所述物品的物品特征模型，所述不同属性包括品牌、颜色、大小、形状和材料中的多项；

关系建立单元，用于将所述数据分类单元定义的多个数据节点建立网状关联关系；

第一模型训练单元，用于对每个所述数据节点的目标数据进行卷积神经网络训练，得到特征模型，所述特征模型为所述物品的物品特征模型；

监测单元，用于监测所述数据节点的目标数据是否发生变化；以及

第二模型训练单元，用于如果监测到所述数据节点的目标数据发生了变化，则再次对所述数据节点的目标数据进行卷积神经网络训练，得到并更新所述特征模型；

所述数据分类单元进一步用于：对所述数据节点在设定周期内的使用次数进行统计，得到使用频率信息；根据所述数据节点的使用频率信息，对所述数据节点执行加权操作，得到实际权重数值；

所述关系建立单元进一步用于：根据所述数据节点的实际权重数值，更新图结构中的多个所述数据节点之间的关联关系。

6.根据权利要求5所述的动态增减装置，其特征在于，所述数据分类单元包括：

特征分类模块，用于根据所述目标数据的属性特征进行分类操作；

赋权模块，用于将分类后的每一类所述目标数据定义为一个数据节点并按照预设加权规则设置初始权重数值；

统计模块，用于对所述数据节点在设定周期内的使用次数进行统计，得到使用频率信息；以及

加权模块，用于根据所述数据节点的使用频率信息，对所述数据节点执行加权操作，得到实际权重数值。