[发明专利]一种面向智能制造业的自进化神经网络模型的构建方法

权利要求书

1.一种面向智能制造业的自进化神经网络模型的构建方法，该自进化神经网络模型包括数据维度计算模块、多个种子网络架构、多个预训练单元、多个子进化单元，该方法包括以下步骤：

利用数据维度计算模块自动调整各种子网络架构的输入层和全连接层之间传递的数据维度，进行网络模型的初步定型；

将历史数据并行传送到内部的种子网络架构进行预训练，各种子网络架构同时独立运行，通过循环反复预训练，演算出当前各种子网络架构下合适的网络参数，获得对应的局部最优参数集；

子进化单元根据对应的局部最优参数集通过网络层数和特征数的增减演算出适合的子网络层数和特征数，从而生成对应的最优子网络模型；

对各最优子网络模型进行正式训练，并根据设定的性能指标排序，进而得到全局最优网络和权重模型。

2.根据权利要求1所述的方法，其特征在于，所述局部最优参数集包括激活函数、损失函数、优化函数和优化步长。

3.根据权利要求1所述的方法，其特征在于，所述多个种子网络架构包括LeNet、AlexNet和ResNet的全部或部分组合。

4.根据权利要求3所述的方法，其特征在于，所述自进化神经网络模型的构建过程表示为：

y＝max{max[L_n1(f_a，f_l，f_o，γ；x)]|max[A_n2(f_a，f_l，f_o，γ；x)]|max[R_n3(f_a，f_l，f_o，γ；x)]}

其中，y是分类输出，f_a代表激活函数，f_l代表损失函数，f_o代表优化函数，γ代表优化步长，x是多维的输入数据，n1、n2、n3分别代表LeNet、AlexNet、ResNet的训练次数。

5.根据权利要求1所述的方法，其特征在于，所述子进化单元根据各自的网络局部最优参数集进行自进化，通过增减子网络架构上的层数和特征值，演算出各自框架下的最优子网络模型，然后进行正式训练。

6.根据权利要求1所述的方法，其特征在于，所述数据维度计算模块根据数据类型自动调整各种子网络架构的输入层和全连接层之间传递的数据维度。

7.一种生产数据处理方法，包括：

对于生产场景的数据，根据数据库中的数据集自动测算数据维度，并以此维度输入根据权利要求1至6任一项所述方法获得的全局最优网络，输出数据分类结果或预测结果。