[发明专利]一种基于噪声遮蔽的发散式人工智能记忆模型系统

说明书

本发明公开了一种基于噪声遮蔽的发散式人工智能记忆模型，将噪声发生器noiser与自编码器AE的组合成降噪模块，n个降噪模块依次串联起来构成自编码器系统AEs，自编码器系统AEs的噪声发生器noiser与自编码器AE的组合，信息首输入噪声发生器noiser，经过噪声叠加之后，依次递给下一个降噪模块多阶、逐阶降噪，AE的降噪实际上就是把信息中的噪声去除，可以看做信息量的增加。是AE拥有能够实现降噪，会恢复被一定的噪声掩盖的信息；噪声将分阶段加载串联的AE上面构成AEs，噪声按照AEs的阶数，分成不同功率的子噪声，将这些噪声子逐个加载到对应的AE上，模型就完全记忆了图像的特征，实现了信息的完备记忆。

技术领域

本发明涉及一种基于噪声遮蔽的发散式人工智能记忆模型系统。

背景技术

人工智能的机器学习通过基于线性网络、卷积网络、循环卷积网络等构成的 模型和提供的数据集合，通过反复计算和训练，最终获得一定精确度的智能模型。 噪声拟合技术和真噪声技术，提供作为样本散度的噪声系统和驱动引擎，借此进 行特征的模糊提取和通过噪声激励下的信息合成技术。

人工智能机器学习自编码器AE具有降噪功能，可以过滤信息中的轻微噪声， 但是降噪幅度非常有限，随着噪声的加大，AE的降噪能力就会下降，当噪声足 够大时，AE就无法降噪了。而噪声是针对信息而言的，噪声越大，有效的信息 越少，纯粹的噪声可以认为是无任何信息。不断地向信息中加入噪声，就能不断 减少信息。同样，AE的降噪实际上就是把信息中的噪声去除，可以看做信息量 的增加。而单纯的噪声输入AE无任何有效输出。

发明内容

本发明为解决现有技术在使用中存在的问题，提供一种可有效增加信息，遮 蔽噪声的发散式人工智能记忆模型系统。

本发明解决现有问题的技术方案是：一种基于噪声遮蔽的发散式人工智能记 忆模型，包括自编码器AE，按照降噪的阶数n，预制n+1个自编码器AE和n 个噪声发生器noiser，所述的n≥1，将噪声发生器noiser与自编码器AE的逐一 组合成阶降噪模块，串联n阶降噪模块的n个自编码器AE构成n阶降噪，再将 第n+1个自编码器AE串联在n阶降噪模块的自编码器AE的头部，构成自编码 器系统AEs，所述的自编码器系统AEs的噪声发生器noiser与自编码器AE的组 合，信息首先输入每阶的噪声发生器noiser，经过噪声叠加之后，传递给相应的 自编码器AE，后经过噪声叠加依次递给下一个降噪模块的自编码器AE构成逐 阶降噪；所述的自编码器系统AEs及逐阶进行降噪构成一个记忆体。

上述的n个自编码器AE和噪声发生器noiser的输入输出的shape完全一致， 所述的自编码器AE使用线性自编码器，每个噪声发生器noiser对应的噪声功率 不同。

作为进一步改进，所述的n＝1,自编码器系统AEs为一阶降噪，所述的一阶降 噪噪声设置使用高斯白噪声，设信息的信息熵为h，白噪声的功率等同于h，记 为n。

作为进一步改进，所述的AEs降噪包括将自编码器AE记为降噪编码器，使 用噪声功率为n的白噪声Noise；使用noise激励，生成形状与Input相同的噪声 向量Noise，Input_n＝Input+Noise，将Input_n作为输入进入AE，Output与Input 做差值生成Lost，Lost参与全局优化，直到Lost的均值低于lost_a。

其中，上述的自编码器AE输入均作为浮点数进行输入，输出均为浮点数。 自编码器AE的优化包括将Lost将全局优化隐藏层hidden，反向传播算法使用 Adam和交叉熵算法。

作为进一步改进，每个记忆体的每一个阶段AE都将抽象信息的一个特征。

作为进一步改进，还包括使用记忆创建信息，所述的使用记忆创建信息包括， 全噪声激励，使用纯白噪声作为激励，作用在AEs上；

半噪声激励，使用白噪声和信息片段叠加作为激励，作用在AEs上面。