[发明专利]DBN的优化方法及装置、存储介质及电子设备

权利要求书

1.一种DBN的优化方法，其特征在于，包括：

获取预先设置的训练集、测试集和验证集；

确定所述DBN中的RBM层数；

执行所述DBN对应的训练过程；

其中，所述训练过程包括：应用所述训练集中的各个训练数据以及预设的PSO算法，对每个所述RBM层数中的RBM进行寻优处理，获得所述DBN中各个已处理的RBM；基于所述测试集中的各个测试数据、各个所述已处理的RBM以及预设的BP算法，对所述DBN进行反向微调；

计算对所述DBN进行反向微调后所述DBN的模型误差下降率；

当所述DBN的模型误差下降率大于预设的误差阈值时，重新执行所述DBN对应的训练过程，直至当前获得的模型误差下降率不大于所述误差阈值时，得到所述DBN的隐藏层的神经网络状态信息；

应用所述验证集中的各个验证数据及所述神经网络状态信息对所述DBN进行性能评估；

当所述性能评估的评估结果符合预设的评估要求，完成对所述DBN的优化过程。

2.根据权利要求1所述的方法，其特征在于，执行所述DBN对应的训练过程之前，还包括：

获取所述训练集中的各个训练数据、所述测试集中的各个测试数据以及所述验证集中的各个验证数据；

对各个所述训练数据、测试数据以及验证数据进行数据预处理，获得已处理的训练集、已处理的测试集以及已处理的验证集。

3.根据权利要求1所述的方法，其特征在于，所述应用所述训练集中的各个训练数据以及预设的PSO算法，对每个所述RBM层数中的RBM进行寻优处理，获得所述DBN中各个已处理的RBM，包括：

确定所述DBN中各个RBM的顺序；

基于各个所述RBM的顺序，初始化每个所述RBM中的RBM参数；

将各个所述训练数据集依次输入各个所述RBM，并应用所述PSO算法调节各个所述RBM中的RBM参数达到最佳参数，所述DBN中各个已处理的RBM。

4.根据权利要求3所述的方法，其特征在于，所述基于所述测试集中的各个测试数据、各个所述已处理的RBM以及预设的BP算法，对所述DBN进行反向微调，包括：

将各个所述测试数据输入各个所述已处理的RBM，获得每个所述RBM输出的测试结果；

判断所述测试结果是否符合预设的测试要求；

当所述测试结果不符合所述测试要求时，应用所述BP算法对所述测试结果进行误差计算，获得误差结果；

基于所述误差结果，调节所述DBN中的模型参数，并重新将各个所述测试数据输入各个所述已处理的RBM，直至当前输出的测试结果符合预设的测试要求时，完成对所述DBN的反向微调。

5.一种DBN的优化装置，其特征在于，包括：

获取单元，用于获取预先设置的训练集、测试集和验证集；

确定单元，用于确定所述DBN中的RBM层数；

第一执行单元，用于执行所述DBN对应的训练过程；

其中，所述训练过程包括：应用所述训练集中的各个训练数据以及预设的PSO算法，对每个所述RBM层数中的RBM进行寻优处理，获得所述DBN中各个已处理的RBM；基于所述测试集中的各个测试数据、各个所述已处理的RBM以及预设的BP算法，对所述DBN进行反向微调；

计算单元，用于计算对所述DBN进行反向微调后所述DBN的模型误差下降率；

第二执行单元，用于当所述DBN的模型误差下降率大于预设的误差阈值时，重新执行所述DBN对应的训练过程，直至当前获得的模型误差下降率不大于所述误差阈值时，得到所述DBN的隐藏层的神经网络状态信息；

评估单元，用于应用所述验证集中的各个验证数据及所述神经网络状态信息对所述DBN进行性能评估；

结束单元，用于当所述性能评估的评估结果符合预设的评估要求，完成对所述DBN的优化过程。