[发明专利]基于概念稳定特征及其差异化网络的概念学习方法

权利要求书

1.一种基于稳定特征和概念稳定特征之间差异化的概念学习网络模型SCDNet，其特征在于，包括训练过程和测试过程，训练过程包括以下步骤：

(1)使用MNIST手写数字识别数据库，1000张图片作为训练集，每个类别对应100张训练图片，10000张图片作为测试集；

(2)设置网络的超参数，网络迭代次数，卷积核的大小，约束条件的惩罚系数等；

(3)从每个类别对应的100张训练图片中，随机选取一张图片，经过两层卷积层提取特征，使用此特征作为该类别对应的稳定特征并以向量形式存储在知识空间内。

(4)选取一个未被学习的概念类别，使用全部100张训练图片，经过第一层卷积层提取特征；

(5)将第一层卷积层提取的特征送入该类别对应的编码器中，得到压缩编码；

(6)计算编码器输出的压缩编码与该类别对应稳定特征的相似度；

(7)在满足概念之间稳定特征差异性的约束条件下，最大化压缩编码与对应概念稳定特征的相似度；

(8)重复步骤4-7，顺序学习每一个概念类别。

测试过程包含以下步骤：

(1)对每一个测试图片，经过第一层卷积层提取得到初级特征；

(2)将初级特征送入全部的编码器中，得到压缩编码；

(3)计算每个编码器对应的压缩编码与对应的稳定特征之间的相似度，选取相似度最大的稳定特征作为图片对应的概念类别。

2.根据权利要求1所述的基于稳定特征的概念表示方法中，其特征在于：使用稳定特征表示概念，它比传统深度学习模型更加具有可解释性。每个概念的稳定特征是其内部结构关系的表现，这些内部结构关系包括自身的空间结构关系，颜色关系等。我们使用稳定特征表示每个概念，并将该特征存储在知识空间中。不同概念的稳定特征之间具有相似性，通过存储在知识空间的稳定特征，我们可以建模概念之间的逻辑关系，从而可以进一步进行知识推理。

3.根据权利要求1所述的基于概念稳定特征之间差异化的学习方法，其特征在于：独立的学习每个概念函数可能会导致概念混肴的发生，所以我们在学习时要注重稳定特征之间的差异性，即概念之间的抑制作用。为了达到上述目的，我们在最小化每个概念函数时，需要满足概念之间的约束条件。将每个稳定特征看作每个类别的中心，稳定特征的差异化就是实例通过某种度量方式与该中心距离更近，而与其它中心距离相对远。我们使用编码器作为每个概念的学习模块，对实例特征与稳定特征之间的关系，概念之间的差异关系同时进行建模，使得我们的小样本学习能力得到很大提升。