[发明专利]训练集构建方法、装置、电子设备及计算机可读存储介质

权利要求书

1.一种训练集构建方法，其特征在于，所述方法包括：

依次构建多个训练集，每构建一个训练集，计算与当前训练集对应的用于表征所述当前训练集与前一个训练集之间的差异度的转移矩阵以及用于表征总训练集中的各个样本相对于所述当前训练集所确定的概率分布情况的状态序列；

判断是否满足迭代停止条件；

在满足时，从已构建的训练集中确定出最优训练集；

在不满足时，在所述当前训练集的基础上构建下一个训练集；

其中，第一个训练集及第二个训练集从所述总训练集中随机采样得到，其余训练集基于前一个训练集的状态序列及所述前一个训练集的转移矩阵采用蒙特卡洛采样法从所述总训练集中采样得到。

2.根据权利要求1所述的方法，其特征在于，所述计算与当前训练集对应的用于表征所述当前训练集与前一个训练集之间的差异度的转移矩阵以及用于表征总训练集中的各个样本相对于所述当前训练集所确定的概率分布情况的状态序列，包括：

计算所述总训练集中的每个样本在已收敛的神经网络模型中的反向传播过程中的梯度值，所述已收敛的神经网络模型由所述当前训练集训练至收敛；

将所述总训练集中的每个样本的梯度值离散化，得到所述总训练集中的样本对应于所述当前训练集的状态序列；

根据所述总训练集中的样本相对于所述当前训练集的状态序列及所述总训练集中的样本相对于前一个训练集的状态序列，确定所述当前训练集的转移矩阵。

3.根据权利要求2所述的方法，其特征在于，所述将所述总训练集中的每个样本的梯度值离散化，得到所述总训练集中的样本对应于所述当前训练集的状态序列，包括：

将区间[0,1]等分为K个子区间，每个子区间为一个状态；

确定出所述总训练集中的每个样本的梯度值所属的状态；

得到所述总训练集中的样本对应于所述当前训练集的状态序列，状态序列用于描述所述总训练集中的每个样本的梯度值所属的状态；

其中，当某个样本的梯度值属于k状态时，该样本的梯度值的大小属于子区间1≤k≤K。

4.根据权利要求2所述的方法，其特征在于，所述根据所述总训练集中的样本相对于所述当前训练集的状态序列及所述总训练集中的样本相对于前一个训练集的状态序列，确定所述当前训练集的转移矩阵，包括：

比较相对于所述当前训练集的状态序列与相对于前一个训练集的状态序列两者之间的差异度；

根据所述差异度构建转移矩阵其中，a_ij(i,j∈{1,2,…,K})用于表征总训练集中的各个样本相对于所述前一个训练集的状态序列中第i个状态的样本集合与所述总训练集中的各个样本相对于当前训练集的状态序列中第j个状态的样本集合之间的转移概率。

5.根据权利要求2所述的方法，其特征在于，所述从已构建的训练集中确定出最优训练集，包括：

采用预设的性能评价指标评价每个收敛的神经网络模型，得到多个性能值；

将所述性能值最大时对应的收敛的神经网络模型所对应的训练集确定为所述最优训练集。

6.根据权利要求2所述的方法，其特征在于，所述计算所述总训练集中的每个样本在已收敛的神经网络模型中的反向传播过程中的梯度值，包括：

针对每个样本，根据所述已收敛的神经网络模型的激活函数，计算该样本被预测为正样本的概率值、被预测为负样本的概率值；

针对每个样本，根据其被预测为正样本的概率值、其被预测为负样本的概率值确定该样本在所述已收敛的神经网络模型中的反向传播过程中的梯度值。