[发明专利]一种基于GRU的递归神经网络多标签学习方法在审
| 申请号： | 201810112481.3 | 申请日： | 2018-02-05 |
| 公开（公告）号： | CN108319980A | 公开（公告）日： | 2018-07-24 |
| 发明（设计）人： | 王磊;翟荣安;王毓;王纯配;刘晶晶;王飞;于振中;李文兴 | 申请（专利权）人： | 哈工大机器人（合肥）国际创新研究院 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/08 |
| 代理公司： | 北京华际知识产权代理有限公司 11676 | 代理人： | 陈晓蕾 |
| 地址： | 230601 安徽省*** | 国省代码： | 安徽;34 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： |
本发明提供一种基于GRU的递归神经网络多标签学习方法，所述方法包括以下步骤：步骤S1：初始化系统参数θ＝(W,U,B)；步骤S2：输入样例 |
||
| 搜索关键词： | 递归神经网络 标签 初始化系统 上下文向量 输出层输出 标签分类 标签向量 迭代更新 反向传播 模型参数 目标函数 神经网络 输出计算 输出优化 有效特征 下降法 准确率 求解 取样 算法 学习 输出 返回 预测 更新 | ||
【主权项】：
1.一种基于GRU的递归神经网络多标签学习方法，其特征在于，所述方法包括以下步骤：步骤S1：初始化系统参数θ＝(W,U,B)，其中，W表示神经网络层与层之间连接的权值矩阵；U表示数据在输入神经网络时的权值矩阵；B表示神经网络层与层之间的偏置矩阵；步骤S2：输入样例![]()
计算各时刻RNN输出隐状态ht，其中，样例![]()
yi是样例xi的多标签向量，![]()
步骤S3：计算上下文向量hT以及输出层输出zi；步骤S4：计算预测输出![]()
计算损失Li，确定目标函数J步骤S5：根据梯度下降法和BPTT算法求解θ＝(W,U,B)的梯度；步骤S6：确定学习率η，更新各权值梯度W＝W‑η·δW，其中，δW表示在神经网络反向传播时，通过梯度下降法得到的权值矩阵的偏导数；步骤S7：判断神经网络是否达到稳定，如果是执行步骤S8；如果否，返回步骤S2，迭代更新模型参数；步骤S8：输出优化模型。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于哈工大机器人（合肥）国际创新研究院，未经哈工大机器人（合肥）国际创新研究院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810112481.3/，转载请声明来源钻瓜专利网。
