[发明专利]多维可视化的多源异构数据多层DRNN深度融合方法

说明书

本发明属于人工智能教育领域，特别涉及多维可视化的多源异构数据多层DRNN深度融合方法。该方法步骤包括：步骤一：建立DRNN神经网络；多源异构数据输入DRNN神经网络，形成DRNN训练模板；步骤三：建立DRNN网络的单层神经元个体的前向输出；其中单层网络作为激活的融合函数；步骤四：建立DRNN网络的权值重构及修正；其中修正作为融合函数存在；步骤五：在DRNN网络的数据融合层通过数据特征融合,获得特征输出。本发明提出一种融合架构，可以针对不同多源异构数据，进行特征级别融合。

技术领域：

本发明属于人工智能教育领域，特别涉及多维可视化的多源异构数据多层DRNN深度融合方法。

背景技术：

可视化(Visualization)是利用计算机图形学和图像处理技术，将数据转换成图形或图像在屏幕上显示出来，并进行交互处理的理论、方法和技术。它涉及到计算机图形学、图像处理、计算机视觉、计算机辅助设计等多个领域，成为研究数据表示、数据处理、决策分析等一系列问题的综合技术。目前正在飞速发展的虚拟现实技术也是以图形图像的可视化技术为依托的。

最近几年计算机图形学的发展使得三维表现技术得以形成，这些三维表现技术能够再现三维世界中的物体，能够用三维形体来表示复杂的信息，这种技术就是可视化技术。

可视化技术能够在三维图形世界中直接对具有形体的信息进行操作，和计算机直接交流。这种技术已经把人和机器的力量以一种直觉而自然的方式加以统一，这种革命性的变化无疑将极大地提高人们的工作效率。可视化技术赋予人们一种仿真的、三维的并且具有实时交互的能力，这样人们可以在三维图形世界中用以前不可想象的手段来获取信息或发挥自己创造性的思维。但是目前针对异构信息的可视化技术并无法保证异构数据的直接展示。

发明内容：

发明目的：

本发明的目的在于克服现有技术存在的问题，提供了多维可视化的多源异构数据多层DRNN深度融合方法。

技术方案：

多维可视化的多源异构数据多层DRNN深度融合方法，其特征在于：该方法步骤包括：

步骤一：建立DRNN神经网络；

步骤二：多源异构数据输入DRNN神经网络，形成DRNN训练模板；

步骤三：建立DRNN网络的单层神经元个体的前向输出；其中单层网络作为激活的融合函数；

步骤四：建立DRNN网络的权值重构及修正；其中修正作为融合函数存在；

步骤五：在DRNN网络的数据融合层通过数据特征融合,获得特征输出。

进一步的，建立DRNN神经网络的具体步骤是：针对多源异构数据，建立基于深度经网络循环递归自学习网络；建立深度学习模型，在每层形成递归网络，该递归网络采用深度自学习，生成DRNN网络；

在靠近底层数据，建立DRNN网络的有向图模型，层中节点之间没有链接，而在最远离部分使用模糊融合判决，通过前向自编码，增加隐藏层的层数，获得相应的生成模型。

进一步的，建立基于深度经网络循环递归自学习网络的具体方法是：采用分层架构，每层根据目标的特征自适应建立不同的层结构；而且每个层结构可以分配不同的融合节点；通过时间序列的融合节点完成递归；经过层结构的递归循环，完成多源数据的特征融合。

进一步的，生成模型即是节点权值模型，

h_i＝argminφ(U∑x_i+Wh_i-1) (1)

h_i是i时刻的隐层单元，h_i-1是i-1时刻的隐层单元，W、U是不同神经网络层的权重叠加权值，φ为激活函数：