[发明专利]一种基于SDL模型的仿真深度学习的构建方法

说明书

本发明涉及信息处理领域中的一种基于SDL模型的仿真深度学习的构建方法，其特征在于：将被识别对象的所有训练数据的特征值通过映射函数映射到数据集层，或者将高斯分布的结果通过映射函数，映射到数据集层。本方法的特点是：针对识别对象的数据训练，不需要通过组合的方法，仅仅通过映射函数的算法就可以达到深度学习函数映射模型的训练效果，没有黑箱问题，不需要大的硬件支持，函数映射模型可以实现深度学习的高精度识别能力，再加上高斯分布模型可以获得超越深度学习的泛化能力，不需要大数据的标注，因此性能高，导入成本低，便于大量普及。

【技术领域】

本发明属于人工智能领域中的一种基于SDL模型的仿真深度学习的构建方法。

【背景技术】

加拿大多伦多大学教授Hinton团队提出的“深度学习”(非专利文献1)在IMAGENET的图像分类的测试数据集中获得了优异的成绩，引起世界的关注，因此掀起了本次人工智能的高潮。很多的研究人员力图用“深度学习”模型进行自动驾驶汽车的控制。代表的手法有“一天学会开车”(非专利文献2)。

作为“深度学习”的发明人Hinton在2017年9月在接受Axios网站采访时宣告：“我的观点是把它(反向传播)全部丢下，重起炉灶”，这是Hinton的玻尔兹曼机的梦想破灭，“深度学习”的黑箱问题不可解决，因此不适于广泛的普及最终要终结。

因此人们迫切的需要寻找替代”深度学习“的新一代人工智能模型，希望得到一个没有黑箱问题的，小数据的，概率的，迭代的机器学习模型。然而， Hinton预言的Capsule理论(非专利文献3)并没有得到预期的效果。

在深度学习被发明人否定之后，算法学派大崛起，一个题为：“一种人工智能新型神经网络的构建方法”(CN108510052A)的新一代人工智能自律学习SDL 模型被发表了。

【非专利文献1】

A.Krizhevsky，I.Sutskever，Geoffrey E.Hinton：“ImageNet Classification with Deep Convolutional Neural Networks”，Advances in Neural InformationProcessing Systems 25：pp1097-1105(2012).

【非专利文献2】

A.Kendall，J.Hawke：″Learning to Drive in Day″， arXiv：1807.00412v2.[cs.LG]11Sep.(2018).

【非专利文献3】

S.Sabour，N.Frosst，Geoffrey E.Hinton：″Dynamic Routing BetweenCapsules″，arXiv：1710.09829v2.[cs.CV]7Nov.(2017).

【专利文献1】

(CN108510052A)

上述(非专利文献1)的深度学习模型，在求解数据集时，需要穷举才能得到全局最佳，在这样大的组合空间里这是一个NPC问题。再有，通过概率梯度下降法SGD只能获得局域最佳解，很难达到全局最佳解。而且，SGD所获得局域最佳解，对深度学习的应用效果是随机性的，不能保证每一个SGD的解都是应用效果最好的解。由于全局最佳解不可能得到，SGD的局域最佳解是很不稳定的，只要数据有一点波动就会得到截然不同的解，这就是黑箱问题出现的原因。

再有，在穷举的计算上消耗了庞大的硬件开销，处理效率极低，硬件成本非常高，是大模型解决小任务的原因。深度学习由于是函数映射模型，在实际应用中，一位深度学习算法人员要配100位标注人员，这完全是“人工的智能”，致使应用成本很高。再有就是深度学习受应用场景的限制，仅可以在图像识别，声音识别上发挥作用，不能应用于工业控制，自动驾驶汽车的控制等。