[发明专利]一种基于SDL模型的仿真深度学习的构建方法

权利要求书

1.一种基于SDL模型的仿真深度学习的构建方法，至少具备如下一个特征：

(1)将所有的包括特征向量值，或者特征向量值的高斯分布在内的至少一种形式的信息，通过映射函数映射到数据集层；

(2)将各个特征向量的高斯分布的结果，即最大概率值，最大概率尺度值通过映射函数，映射到数据集层作为输出结果；

(3)将所有的特征向量通过映射函数映射到数据集层，再在数据集层中，将高斯分布的结果，即最表示最大概率空间的大概率值，最大概率尺度值作为输出结果的一种方法。

2.根据权利要求1所述的一种基于SDL模型的仿真深度学习的构建方法，其特征在于：所述函数映射是与高斯分布模型的融合的；通过概率尺度自组织，概率空间距离对特征向量进行最佳聚类的；直接给出特征值的各个概率空间的结果的聚类的；在函数映射特性与高斯分布特性之间获得最佳解的聚类算法。

3.根据权利要求1所述的一种基于SDL模型的仿真深度学习的构建方法，其特征在于：所述映射函数是指：包括线性函数，也可以是非线性的函数，还可以是随机函数，多种混合的映射函数中至少一种；或者是SDL模型的聚类算法。

4.根据权利要求1所述的一种基于SDL模型的仿真深度学习的构建方法，其特征在于：所述映射函数是指：不只是经典的线性函数，经典的非线性的函数，经典的随机函数，特别是按照深度学习的SDG求解出的解的特点，考虑了深度学习对模式识别的精度的提高的作用，结合人为介入的手法，综合的构造出来的映射函数；映射函数中有包括数理运算形式的成分，有隶属函数的成分，有规则构建成分在内，还有SDL模型的聚类成分的至少一种，或多种成分的混合。

5.根据权利要求1所述的一种基于SDL模型的仿真深度学习的构建方法，其特征在于：所述最大几率的概率空间，是通过概率尺度自组织算法得到的。

6.一种基于SDL模型的仿真深度学习的构建方法，其特征在于是通过如下步骤实现的：

(1)信息处理对象的特征值，输入到输入层的各个节点上；

(2)输入到输入层的各个节点上特征值，通过映射函数，映射到数据集层；或者将复数个特征值的训练数据输入到输入层，通过输入层与高斯层中间，搭载着的概率尺度自组织的模组，进行SDL模型的聚类算法的训练，所得出的可以表示最大几率高斯分布的最大几率训练值；或最大几率尺度值；将高斯分布的结果映射到数据集层中；或将映射到数据集层的复数个特征值的训练数据，再通过数据集层与高斯层之间搭载着的SDL模型的模组训练出，可以表示最大几率空间的高斯分布的最大几率训练值，或最大几率尺度值，将这个结果输出。

7.根据权利要求6所述的一种基于SDL模型的仿真深度学习的构建方法，其特征在于：所述SDL模型的聚类算法是函数映射模型与高斯分布模型的融合的；通过概率尺度自组织，概率空间距离对特征向量进行最佳聚类的；直接给出特征值的各个概率空间的结果的聚类的；在函数映射特性与高斯分布特性之间获得最佳解的聚类算法。

8.根据权利要求6所述的一种基于SDL模型的仿真深度学习的构建方法，其特征在于：所述映射函数是指：包括线性函数，也可以是非线性的函数，还可以是随机函数中至少一种或多种混合的映射函数。

9.根据权利要求6所述的一种基于SDL模型的仿真深度学习的构建方法，其特征在于：所述映射函数是指：不只是经典的线性函数，经典的非线性的函数，经典的随机函数，特别是按照深度学习的SDG求解出的解的特点，考虑了深度学习对模式识别的精度的提高的作用，结合人为介入的手法，综合的构造出来的映射函数；映射函数中有包括数理运算形式的成分，有隶属函数的成分，有规则构建成分在内的至少一种或多种混合成分。

10.根据权利要求6所述的一种基于SDL模型的仿真深度学习的构建方法，其特征在于：所述最大几率的概率空间，是通过自律机器学习SDL聚类得到的。