[发明专利]基于数据可视化的卷积神经网络优化方法及装置

权利要求书

1.一种基于数据可视化的卷积神经网络优化方法，其特征在于，所述方法包括：

获取待处理数据；利用软逻辑编码对所述待处理数据进行连续取值，得到一阶逻辑信息；

对所述一阶逻辑信息进行逻辑运算，得到逻辑规则数据；

利用初始神经网络的softmax层定义预测的条件概率，根据所述逻辑规则数据定义规则正则化的条件概率；

根据所述预测的条件概率和规则正则化的条件概率的KL散度设置为优化的卷积神经网络的目标函数；以及将所述逻辑规则数据设置为所述优化的卷积神经网络的约束条件；

根据所述约束条件和所述目标函数，建立优化的卷积神经网络的求解模型；

通过寻优算法对所述求解模型进行寻优，得到所述目标函数的最优解；所述目标函数的最优解为优化后的卷积神经网络。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述优化后的神经网络进行反池化-反激活-反卷积，得到可视化的卷积神经网络；从所述可视化的卷积神经网络中获取神经网络的运作方式。

3.根据权利要求1所述的方法，其特征在于，利用软逻辑编码对所述待处理数据进行连续取值，得到一阶逻辑信息，包括：

利用soft logic对所述待处理数据的单位矩阵之间进行连续取值，得到一阶逻辑信息。

4.根据权利要求1所述的方法，其特征在于，对所述一阶逻辑信息进行逻辑运算，得到逻辑规则数据，包括：

A₁∧…∧A_N＝∑_IA_i/N

其中，表示选择算子，∧表示平均算子，A和B表示一阶逻辑信息，∨表示，N表示一阶逻辑信息的个数，表示逻辑规则数据。

5.根据权利要求4所述的方法，其特征在于，根据所述约束条件和所述目标函数，建立优化的卷积神经网络的求解模型，包括：

根据所述约束条件和所述目标函数，建立优化的卷积神经网络的求解模型为

s.t.λ_l(1-E_q[r_l,gl(x,y)])≤ξ_l,gl

gl＝1,…,Gl,l＝1,…,L,

其中，q表示优化后的卷积神经网络中的教师网络，p表示优化后的卷积神经网络中的学生网络，ξ表示逻辑约束的松弛变量，C是正则化参数，(x,y)表示样本，gl表示针对损失函数设计的逻辑运算，r表示对样本进行逻辑运算后得到的逻辑规则数据，λ表示超参，l表示损失函数序号，L表示损失函数的个数，KL( )表示KL散度损失。

6.根据权利要求5所述的方法，其特征在于，所述E_q[r_l,gl(x,y)]＝1。

7.根据权利要求6所述的方法，其特征在于，所述目标函数的最优解为

8.一种基于数据可视化的卷积神经网络优化装置，其特征在于，所述装置包括：

软逻辑编码模块，用于获取待处理数据；利用软逻辑编码对所述待处理数据进行连续取值，得到一阶逻辑信息；对所述一阶逻辑信息进行逻辑运算，得到逻辑规则数据；

定义条件概率模块，用于利用初始神经网络的softmax层定义预测的条件概率，根据所述逻辑规则数据定义规则正则化的条件概率；

建立卷积神经网络求解模型模块，用于根据所述预测的条件概率和规则正则化的条件概率的KL散度设置为优化的卷积神经网络的目标函数；以及将所述逻辑规则数据设置为所述优化的卷积神经网络的约束条件；根据所述约束条件和所述目标函数，建立优化的卷积神经网络的求解模型；

求解模型寻优模块，用于通过寻优算法对所述求解模型进行寻优，得到所述目标函数的最优解；所述目标函数的最优解为优化后的卷积神经网络。