[发明专利]基于可微神经结构搜索的大脑时-空网络分解方法及系统有效
申请号: | 202010804794.2 | 申请日: | 2020-08-12 |
公开(公告)号: | CN111882045B | 公开(公告)日: | 2023-10-17 |
发明(设计)人: | 邬霞;李晴 | 申请(专利权)人: | 北京师范大学 |
主分类号: | G06N3/044 | 分类号: | G06N3/044;G06N3/082;G06N3/00;G06N3/006 |
代理公司: | 北京高沃律师事务所 11569 | 代理人: | 张梦泽 |
地址: | 100875 北*** | 国省代码: | 北京;11 |
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 神经 结构 搜索 大脑 网络 分解 方法 系统 | ||
1.一种基于可微神经结构搜索的大脑时-空网络分解方法,其特征在于,所述方法包括:
步骤S1:基于HCP数据集的七个认知任务构建大脑原始数据矩阵;
步骤S2:根据所述大脑原始数据矩阵确定输入特征矩阵、输出层矩阵和目标输出矩阵;
步骤S3:根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵,对细胞结构进行最优搜索,获得最优细胞结构;
步骤S4:引入早停机制,根据所述最优细胞结构确定最终细胞结构;
步骤S5:根据所述最终细胞结构对大脑时-空网络进行分解,获得时间动态特征和空间网络特征。
2.根据权利要求1所述的基于可微神经结构搜索的大脑时-空网络分解方法,其特征在于,所述根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵,对细胞结构进行最优搜索,获得最优细胞结构,具体包括:
步骤S31:将所述输入特征矩阵输入嵌入层进行压缩,获得循环神经网络RNN层的维度;
步骤S32:将离散操作转变到可微的连续搜索空间中,对RNN层细胞结构中的内部节点间的操作进行更新搜索;
步骤S33:将连续空间搜索后的节点间操作进行离散化,获得离散域内的节点间操作,并根据离散域内的节点间操作确定细胞结构;
步骤S34:利用损失函数公式,根据所述输出层矩阵和所述目标输出矩阵确定损失函数值;
步骤S35:基于损失函数值进行迭代更新,获得最优细胞结构。
3.根据权利要求1所述的基于可微神经结构搜索的大脑时-空网络分解方法,其特征在于,所述引入早停机制,根据所述最优细胞结构确定最终细胞结构,具体包括:
步骤S41:判断当前的所述最优细胞结构中是否存在小于或等于3个“等于”操作;
步骤S42:如果当前的所述最优细胞结构中存在小于或等于3个“等于”操作,则将当前的所述最优细胞结构作为最终细胞结构;
步骤S43:如果当前的所述最优细胞结构中存在大于3个“等于”操作,则采用反推法回溯历史搜索细胞结构,对“等于”操作进行删减;
步骤S44:依次判断反推过程中的细胞结构中是否存在小于或等于2个“等于”操作,如果所述细胞结构中存在小于或等于2个“等于”操作,则将所述细胞结构作为最终细胞结构;否则将拥有最少“等于”操作的所述细胞结构作为最终细胞结构。
4.根据权利要求1所述的基于可微神经结构搜索的大脑时-空网络分解方法,其特征在于,所述根据所述最终细胞结构对大脑时-空网络进行分解,获得时间动态特征和空间网络特征,具体包括:
步骤S51:根据所述最终细胞结构确定大脑网络的时间动态特征;
步骤S52:根据弹性网络回归,利用所述时间动态特征对大脑网络的空间特征进行估计,获得空间网络特征。
5.一种基于可微神经结构搜索的大脑时-空网络分解系统,其特征在于,所述系统包括:
大脑原始数据矩阵构建模块,用于根据HCP数据集的七个认知任务构建大脑原始数据矩阵;
矩阵参数确定模块,用于根据所述大脑原始数据矩阵确定输入特征矩阵、输出层矩阵和目标输出矩阵;
最优搜索模块,用于根据所述输入特征矩阵、所述输出层矩阵和所述目标输出矩阵,对细胞结构进行最优搜索,获得最优细胞结构;
早停机制引入模块,用于引入早停机制,根据所述最优细胞结构确定最终细胞结构;
分解模块,用于根据所述最终细胞结构对大脑时-空网络进行分解,获得时间动态特征和空间网络特征。
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北京师范大学,未经北京师范大学许可,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/202010804794.2/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种高效环剥促进冬枣提质稳产的方法
- 下一篇:一种畜禽养殖的无抗饲料