[发明专利]基于新型小波激励函数的深度学习训练和优化方法及系统在审
| 申请号： | 202010450014.9 | 申请日： | 2020-05-25 |
| 公开（公告）号： | CN111680783A | 公开（公告）日： | 2020-09-18 |
| 发明（设计）人： | 罗高涌;曹海涛;甘华国;胡宇鹏 | 申请（专利权）人： | 江门市华恩电子研究院有限公司 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08 |
| 代理公司： | 广州嘉权专利商标事务所有限公司 44205 | 代理人： | 孙浩 |
| 地址： | 529400 广东省江门市恩平*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 基于 新型 激励 函数 深度 学习 训练 优化 方法 系统 | ||
1.基于新型小波激励函数的深度学习训练和优化方法，其特征在于，包括以下步骤：
将训练数据输入至深度神经网络进行训练；
将待处理数据输入至已训练的所述深度神经网络处理，输出处理结果；
其中，所述深度神经网络包括输入层、隐藏层和输出层，所述深度神经网络的激励函数采用紧框架高斯小波函数。
2.根据权利要求1所述的基于新型小波激励函数的深度学习训练和优化方法，其特征在于，所述紧框架高斯小波函数具体为具有紧框架的墨西哥帽高斯小波。
3.根据权利要求2所述的基于新型小波激励函数的深度学习训练和优化方法，其特征在于，在前向传播过程中，所述紧框架高斯小波函数的式子具体为：
4.根据权利要求2所述的基于新型小波激励函数的深度学习训练和优化方法，其特征在于，在反向传播过程中，所述紧框架高斯小波函数的式子具体为：
5.基于新型小波激励函数的深度学习训练和优化系统，其特征在于，包括：
训练模块，用于将训练数据输入至深度神经网络进行训练；
处理模块，用于将待处理数据输入至已训练的所述深度神经网络处理，输出处理结果；
其中，所述深度神经网络包括输入层、隐藏层和输出层，所述深度神经网络的激励函数采用紧框架高斯小波函数。
6.根据权利要求5所述的基于新型小波激励函数的深度学习训练和优化系统，其特征在于，所述紧框架高斯小波函数具体为具有紧框架的墨西哥帽高斯小波。
7.根据权利要求6所述的基于新型小波激励函数的深度学习训练和优化系统，其特征在于，在前向传播过程中，所述紧框架高斯小波函数的式子具体为：
8.根据权利要求6所述的基于新型小波激励函数的深度学习训练和优化系统，其特征在于，在反向传播过程中，所述紧框架高斯小波函数的式子具体为：
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于江门市华恩电子研究院有限公司，未经江门市华恩电子研究院有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202010450014.9/1.html，转载请声明来源钻瓜专利网。
