[发明专利]一种复合神经网络模型及其建模方法在审
| 申请号： | 201910999560.5 | 申请日： | 2019-10-21 |
| 公开（公告）号： | CN110766139A | 公开（公告）日： | 2020-02-07 |
| 发明（设计）人： | 李海峰;徐忠亮;丰上;马琳;徐聪;薄洪健;王子豪;熊文静 | 申请（专利权）人： | 哈尔滨工业大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08 |
| 代理公司： | 51241 成都方圆聿联专利代理事务所(普通合伙) | 代理人： | 李鹏 |
| 地址： | 150001 黑龙*** | 国省代码： | 黑龙;23 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种复合神经网络模型及其建模方法，包括：一个全连接稀疏建模模块、一个输入映射单层感知器层、一个字典学习单层感知器层以及一个反馈通路模块。全连接稀疏建模模块用于在系统的每一轮迭代中完成单一样本的稀疏建模，输入映射单层感知器层用于生成全连接稀疏建模模块所需的持续外输入，字典学习单层感知器层用于实现稀疏字典的学习和优化，反馈通路模块用于辅助全连接稀疏建模模块、提高建模的稀疏质量。本发明的优点是，通过Hopfield神经网络的全连接工作机制以及感知器神经网络模型的权值学习机制，实现一体化的数据驱动稀疏建模和字典学习，获取全局性更好、稀疏性能更优的建模结果。 | ||
| 搜索关键词： | 稀疏 建模模块 感知器 单层 建模 字典学习 反馈通路模块 输入映射 感知器神经网络 复合神经 工作机制 建模结果 数据驱动 网络模型 学习机制 迭代 样本 字典 一体化 优化 学习 | ||
【主权项】：
1.一种复合神经网络模型，其特征在于，包括：一个全连接稀疏建模模块、一个输入映射单层感知器层、一个字典学习单层感知器层以及一个反馈通路模块；/n所述全连接稀疏建模模块与普通Hopfield神经网络结构相同，用于在系统的每一轮迭代中完成单一样本的稀疏建模，工作过程中需要接受来自输入映射感知器层的外输入，该模块收敛后的最终结果将提供给字典学习感知器层作为字典学习的依据；在该模块工作过程中，需要与反馈通路模块互相作用以提高建模的稀疏质量；/n所述输入映射单层感知器层用于生成全连接稀疏建模模块所需的持续外输入，需要接收原始样本的输入并与稀疏字典作为感知器层的连接权值共同生成全连接建模层所需的输入，稀疏字典连接权值需要随时与字典学习单层感知器层保持一致；/n所述字典学习单层感知器层用于实现稀疏字典的学习和优化，字典学习单层感知器层连接系数矩阵对应稀疏建模字典，需要接收全连接稀疏建模层对每个样本迭代收敛后的输出信号，在输出端与期望输出信号作比对，通过BP方式修正系数矩阵(即稀疏建模字典)实现字典学习，并同步影响输入映射感知器层的权值矩阵；/n所述反馈通路模块用于辅助全连接稀疏建模模块、提高建模的稀疏质量，在全连接稀疏建模模块的工作过程中持续接收稀疏建模模块的输出，并将反馈结果输出至稀疏建模模块的输入端，调节全连接稀疏建模模块的网络行为；在这一模块中，使用不同的反馈结果计算方式将实现基于不同约束的稀疏建模。/n
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尔滨工业大学，未经哈尔滨工业大学许可，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/201910999560.5/，转载请声明来源钻瓜专利网。
