[发明专利]一种深度神经网络冗余可靠性度量方法、介质及设备

权利要求书

1.一种深度神经网络冗余可靠性度量方法，其特征在于：所述方法对深度神经网络的层节点基于权重信息进行聚类，利用几何中心理论标识深度神经网络的每个层的几何中心，构建基于故障注入策略的网络可靠性计算模型，基于自适应收敛策略提取网络的冗余可靠性。

2.根据权利要求1所述的一种深度神经网络冗余可靠性度量方法，其特征在于：所述方法包括以下步骤：

步骤1：读取深度神经网络模型M，提取关联参数；

步骤2：对深度神经网络M中每一层节点的权重进行聚类；

步骤3：标记深度神经网络M中每一层的冗余节点；

步骤4：构建基于故障注入策略的网络可靠性计算模型，计算深度神经网络M的冗余可靠性。

3.根据权利要求2所述的一种深度神经网络冗余可靠性度量方法，其特征在于：所述关联参数包括深度神经网络M的层数L、层节点的权重集合W、节点故障概率P、M在P下的可靠性R^M、样本数据集V，最大样本随机抽取次数E_max，模型的冗余度S；

其中，W＝{W₁,W₂,..,W_L}，以W_l为第l层的节点权重向量，l为1至L的正整数。

4.根据权利要求2所述的一种深度神经网络冗余可靠性度量方法，其特征在于：所述步骤2包括以下步骤：

步骤2.1：基于层节点权重的概率分布，采用高斯核函数，得到第l层节点W_l的聚类数k；

步骤2.1：利用K-means算法将第l层节点的W_l聚类为k个簇，并记为W_l,1,W_l,2,..,W_l,k。

5.根据权利要求4所述的一种深度神经网络冗余可靠性度量方法，其特征在于：所述步骤3包括以下步骤：

步骤3.1：初始化循环变量j＝1；

步骤3.2：以式(1)标识W_l,j的几何中心，并记为W^GM，

函数argmin返回距离W_l,j中n个元素欧几里得距离之和最小的元素，其中，为W_l,j中的第i个元素，d为的维度，R^d为d维实数，n为W_l,j中元素的个数，||*||₂指2范数；

步骤3.3：以式(2)得到最先找到的距离W^GM欧几里得距离最小的元素

以此标识W_l,j所对应的冗余网络节点；

步骤3.4：根据事先设定的冗余度S，利用式(2)标记W_l,j中的S×len(W_l,j)个与冗余节点相对应的权重，并置入集合W_{l,j-redundance}，以W_{l,j-redundance}为第l层第j个分类中冗余节点所对应的权重集合；

步骤3.5：若jk，则j＝j+1，并返回步骤3.2，否则，进行下一步；

步骤3.6：将第l层冗余节点所对应的权重集合W_l-redundance中所有元素的值置为0，W_l-redundance＝{0}；

步骤3.7：以式(3)标记第l层非冗余节点所对应的权重，并将它们置入集合W_l-key；

W_l-key＝W_l-W_l-redundance (3)

步骤3.8：将M更新后的模型记为M_updated。