[发明专利]降低贝叶斯深度神经网络计算复杂度的方法和装置

权利要求书

1.一种降低贝叶斯深度神经网络计算复杂度的方法，其特征在于，包括：

获取目标贝叶斯深度神经网络模型的一层网络结构中的高斯分布参数对应的第一目标参数矩阵和第二目标参数矩阵，其中，所述目标贝叶斯深度神经网络模型为利用样本数据对初始化的贝叶斯深度神经网络模型进行训练，得到的完成训练的神经网络模型；

获取待识别的目标对象与所述第一目标参数矩阵进行运算得到的特征矩阵，及所述目标对象与所述第二目标参数矩阵进行运算得到的特征向量；

利用所述特征矩阵和所述特征向量，与多个待确定矩阵中的每个待确定矩阵分别进行组合运算，得到多个识别子向量，其中，所述多个待确定矩阵为对参考曲线进行采样后得到；

根据所述多个识别子向量确定与所述目标对象对应的识别结果。

2.根据权利要求1所述的方法，其特征在于，所述获取待识别的目标对象与所述第一目标参数矩阵进行运算得到的特征矩阵，及所述目标对象与所述第二目标参数矩阵进行运算得到的特征向量包括：

对所述目标对象与所述第一目标参数矩阵进行叉乘运算，得到所述特征矩阵；

对所述目标对象与所述第二目标参数矩阵进行点乘运算，得到所述特征向量。

3.根据权利要求1所述的方法，其特征在于，所述利用所述特征矩阵和所述特征向量，与多个待确定矩阵中的每个待确定矩阵分别进行组合运算，得到多个识别子向量包括：

重复执行以下步骤，直至遍历所述多个待确定矩阵：

从所述多个待确定矩阵中获取当前待确定矩阵；

对所述当前待确定矩阵与所述特征矩阵进行逐行内积运算，得到当前对象向量；

对所述当前对象向量与所述特征向量进行叠加运算，得到与所述当前待确定矩阵相匹配的当前识别子向量；

获取下一个待确定矩阵作为所述当前待确定矩阵。

4.根据权利要求1所述的方法，其特征在于，所述根据所述多个识别子向量确定与所述目标对象对应的识别结果包括：

对所述多个识别子向量进行加权平均处理，得到处理结果；

将所述处理结果作为与所述目标对象匹配的所述识别结果。

5.根据权利要求1所述的方法，其特征在于，在所述将所述处理结果作为与所述目标对象匹配的所述识别结果之后，还包括：

在所述一层网络结构并非所述目标贝叶斯深度神经网络模型中的最后一层网络结构的情况下，从所述目标贝叶斯深度神经网络模型中，获取位于所述一层网络结构之后的下一层网络结构中的高斯分布参数对应的第一目标参数矩阵和第二目标参数矩阵；

将所述识别结果作为所述下一层网络结构的待识别的目标对象，以确定与所述下一层网络结构的所述目标对象对应的识别结果。

6.根据权利要求1所述的方法，其特征在于，在所述将所述处理结果作为与所述目标对象匹配的所述识别结果之后，还包括：

在所述一层网络结构为所述目标贝叶斯深度神经网络模型中的最后一层网络结构的情况下，将所述识别结果作为所述目标贝叶斯深度神经网络模型的输出结果。

7.根据权利要求1至6中任一项所述的方法，其特征在于，所述获取目标贝叶斯深度神经网络模型的一层网络结构中的高斯分布参数对应的第一目标参数矩阵和第二目标参数矩阵包括：

利用所述样本数据对所述初始化的贝叶斯深度神经网络模型进行训练，以得到用于进行降低贝叶斯深度神经网络计算复杂度的所述目标贝叶斯深度神经网络模型；

确定所述目标贝叶斯深度神经网络模型的网络模型架构，其中，所述网络模型架构中包括多层网络结构，第l层网络结构为所述目标贝叶斯深度神经网络模型中第l层输入神经元与第l层输出神经元之间的结构，所述l为正整数；

从所述网络模型架构中获取所述第l层网络结构中的所述高斯分布参数，其中，所述高斯分布参数包括标准差参数和均值参数；

根据所述均值参数确定所述第l层网络结构的均值参数矩阵，并根据所述标准差参数确定所述第l层网络结构的标准差参数矩阵，其中，所述第一目标参数矩阵包括所述标准差参数矩阵，所述第二目标参数矩阵包括所述均值参数矩阵。