[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

说明书

本申请涉及一种基于数据可视化的卷积神经网络优化方法、装置、计算机设备和存储介质。所述方法包括：利用初始神经网络的softmax层定义预测的条件概率，根据逻辑规则数据定义规则正则化的条件概率；根据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；以及将逻辑规则数据设置为优化的卷积神经网络的约束条件；根据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，得到目标函数的最优解；目标函数的最优解为优化后的卷积神经网络。采用本方法能够能够提高神经网络可解释性。

技术领域

本申请涉及数据处理技术领域，特别是涉及一种基于数据可视化的卷积神经网络优化方法、装置、计算机设备和存储介质。

背景技术

在现代信息环境下，可用于态势感知的传感器类型多、数据量大。这些传感器形成的数据(例如雷达频谱、目标点迹航迹、态势以及报文描述等)表现为多模态数据。利用深度学习多模态数据进行重大决策时，需要知道算法所给出决策的合理依据。较强的可解释性可以让我们了解到模型究竟从数据中学到了哪些知识(以人类可以理解的方式表达的)从而产生了最终的结果。数据可视化方法是一种非常重要的建模前可解释性方法。但是大多数时候，在真正要研究一个数据问题之前，通过一系列方方面面的可视化方法来建立对数据的直观理解是非常必要的，特别是当数据量非常大或者数据维度非常高的时候，比如一些时空高维数据，如何建立可解释性深度模型，并藉此分析典型目标的特征与活动规律是一个难点。

然而，传统深度学习架构在“端到端”模式下，通过标注数据来进行误差反向传播而优化参数的学习方法被比喻为一个“黑盒子”，解释性较弱。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高神经网络可解释性的基于数据可视化的卷积神经网络优化方法、装置、计算机设备和存储介质。

一种基于数据可视化的卷积神经网络优化方法，所述方法包括：

获取待处理数据；利用软逻辑编码对待处理数据进行连续取值，得到一阶逻辑信息；

对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，根据逻辑规则数据定义规则正则化的条件概率；

根据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；以及将逻辑规则数据设置为优化的卷积神经网络的约束条件；

根据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，得到目标函数的最优解；目标函数的最优解为优化后的卷积神经网络。

在其中一个实施例中，对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；从可视化的卷积神经网络中获取神经网络的运作方式。

在其中一个实施例中，利用软逻辑编码对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。

在其中一个实施例中，对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。