[发明专利]一种基于深度神经网络的信息处理系统

说明书

本发明公开了一种基于深度神经网络的信息处理系统，本发明属于大数据领域，涉及物联网技术，用于解决现有处理信息的神经网络输出的结果需要进行多次迭代才能达到真实结果，而迭代需要多次进行隐藏层计算，耗费时间的问题；通过信息收集模块收集特征信息，并将特征信息进行打包处理，发送至类神经处理模块，减轻了神经网的前期运算成本，提高神经网络的处理效能；通过建立5个单层网络，并且将2个单层网络组合为一个神经网络，使得神经网结构简洁，降低运算难度，同时通过设置不同迭代参数，进而得出不同的输出结果，通过两个输出结果进而得出迭代增加的系数，既正规化系数，加快神经网络的迭代速度。

技术领域

本发明属于大数据领域，涉及物联网技术，具体是一种基于深度神经网络的信息处理系统。

背景技术

2006年，加拿大多伦多大学教授GeoffreyHinton在《科学》上发表论文“ReducingtheDimensionalityofDatawithNeuralNetworks”，从此掀起了以深度神经网络为主的人工神经网络研究新浪潮。深度神经网络(DeepNeuralNetworks,DNN)有别于传统的人工神经网络，主要借鉴生物神经网络具有多层拓扑结构的特征，人为构建具有多个隐含层的人工神经网络。由于结合了“逐层预训练”这种贪婪无监督算法和全局调整算法，这种多层神经网络相对容易收敛。与浅层神经网络模型相比，深度神经网络具有突出的特征学习能力，学习得到的特征能够对数据进行更本质的表达，从而更有利于后端分类和识别处理。

因此，深度神经网络使得计算机在图像、视频、语音等信息处理应用方面的性能得到了极大地提高。虽然深度神经网络在性能上具有明显的优势，但在实际应中依然较难推广。主要原因在于现有的人工神经网络研究基本是在计算机软件中仿真实现的，其软件模型虽然是分布式和并行的，但现有处理信息的神经网络输出的结果需要进行多次迭代才能达到真实结果，而迭代需要多次进行隐藏层计算，耗费时间。

发明内容

本发明的目的在于提供一种基于深度神经网络的信息处理系统，用于解决现有处理信息的神经网络输出的结果需要进行多次迭代才能达到真实结果，而迭代需要多次进行隐藏层计算，耗费时间的问题。

本发明的目的可以通过以下技术方案实现：

一种基于深度神经网络的信息处理系统，所述信息处理系统包括类神经学习模块、类神经处理模块、信息收集模块、反馈回收模块；

其中，所述信息收集模块用于收集特征信息，并将特征信息进行打包处理，发送至类神经处理模块；

所述类神经处理模块用于对特征信息进行拟态学习，并得到拟态结果；

所述反馈回收模块用于收集正反馈与逆反馈信息；所述类神经学习模块用于拟态结果进行学习修正；所述类神经处理模块用于对特征信息进行拟态学习，并得到拟态结果，具体为：

对打包特征信息进行解包，并对解包后的特征信息进行初次分类；分类完成后，将同类特征信息作为输入值，并代入输入层；

输入层与隐藏层建立数据联系，通过矩阵算式进行数据转化传输；

其中，隐藏层包括5个单层网络，分别为初始层、模拟输出层、二次初始层、验证系数层以及输出层；

所述输入层先与初始层通过矩阵运算建立连接，初始层得出输出结果，并将输出结果进行激活，将激活后的输出结果发送至模拟输出层，再次通过矩阵计算得出模拟输出值，此时将模拟输出值输入二次初始层，二次初始层通过矩阵计算得出验证输出结果，并同时将输入层的输入值与二次初始层进行数据连接，二次初始层通过矩阵计算得出二次输出结果，将二次输出结果与验证输出结果发送至验证系数层进行验证，并得出正规化系数；

将正规化系数与模拟输出值发送至输出层，所述输出层对模拟输出值进行正规化处理，得到拟态结果。