CN113591557A - 一种基于介观体系的神经网络三体模型 - Google Patents
一种基于介观体系的神经网络三体模型 Download PDFInfo
- Publication number
- CN113591557A CN113591557A CN202110688825.7A CN202110688825A CN113591557A CN 113591557 A CN113591557 A CN 113591557A CN 202110688825 A CN202110688825 A CN 202110688825A CN 113591557 A CN113591557 A CN 113591557A
- Authority
- CN
- China
- Prior art keywords
- mesoscopic
- neural network
- mesoscopic system
- mainly used
- level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供一种基于介观体系的神经网络三体模型,该神经网络三体模型内包括:学习体,主要用于从原始数据到高层介观体系的构建;记忆体,主要用于存储及重组不同介观体系内的神经元属性信息;解释体,主要作为学习体的逆向传播过程,进而实现高层介观体系对于低层介观体系的对应解释功能。本发明通过构建基于介观体系三体神经网络模型,对深度学习过程中的重要节点及本征信息加以存储,进而形成记忆体组织结构,这为深度学习的可解释性提供了重要依据与保障,为更加符合人类学习认知方式的全新神经网络发展提供新方向。
Description
技术领域
本发明属于神经网络三体模型领域,尤其涉及一种基于介观体系的神经网络三体模型。
背景技术
近年来,工业检测、智能体作业等诸多领域对基于深度学习的大场景激光三维(Three Dimensional,3D)点云目标识别与跟踪技术需求日益强烈。然而,由于激光点云通常存在非规则化、非结构化、无序化等特性,导致传统的卷积神经网络(ConvolutionalNeural Networks,CNN)无法直接应用于此类数据。
因此,为适应复杂系统需求,提出一种基于介观体系的神经网络三体模型 对深度学习过程中的重要节点及本征信息加以存储,进而形成记忆体组织结构,这为深度学习的可解释性提供了重要依据与保障,为更加符合人类学习认知方式的全新神经网络发展提供新方向。
发明内容
为了解决上述技术问题,本发明提供1、一种基于介观体系的神经网络三体模型,其特征在于,该神经网络三体模型内包括:
学习体,主要用于从原始数据到高层介观体系的构建;
记忆体,主要用于存储及重组不同介观体系内的神经元属性信息;
解释体,主要作为学习体的逆向传播过程,进而实现高层介观体系对于低层介观体系的对应解释功能。
优选的,该方法的步骤为:
步骤1:为了构建分体式神经网络协同计算模式,需要将传统神经网络单一的学习体进行拆分重组,特别是要将重要的节点信息进行记忆存储,进而为逆向传播的解释体能够提供强保障性的解析能力;
步骤2:设计一个介观体系,所述介观体系包含多个神经元的载体,每个神经元可表示特定实体的各种属性,以及姿态矩阵和激活概率信息;
步骤3;接着通过用来自各种不同部件的预测模型对点密度进行建模,其中每个部件可以是带有仿形变换的,然后将多个高层次介观体系的激活模式组成的张量取出来,并将高维张量嵌入到低维空间中;
步骤4:最后根据分类结果为它们加上语义标签,便于解释体反向传播形成一对一的解析说明。
优选的,所述步骤2中神经元可表示特定实体的各种属性,这个属性信息是代表不同类型的实例化参数。
优选的,所述高维张量之间越相似,他们之间的距离就越小。
优选的,所述语义标签,即从每类里面取一个样本,将它的标签作为它所在类的标签。
与现有技术相比,本发明的有益效果为:
1、本发明通过构建基于介观体系三体神经网络模型,对深度学习过程中的重要节点及本征信息加以存储,进而形成记忆体组织结构,这为深度学习的可解释性提供了重要依据与保障,为更加符合人类学习认知方式的全新神经网络发展提供新方向。
2、本发明首次在原有一体化训练模型的基础上,将部分特征参数张量与解释性逆向过程分别抽离至两个不同的体系结构,进而构建起分体式协同计算的新型神经网络模型架构。
附图说明
图1是本发明的三体模型示意图;
图2是本发明的三体模型的工作流程示意图。
具体实施方式
以下结合附图对本发明做进一步描述:
实施例:
如附图1所示,本发明提供一种基于介观体系的神经网络三体模型,该神经网络三体模型内包括:
学习体,主要用于从原始数据到高层介观体系的构建;
记忆体,主要用于存储及重组不同介观体系内的神经元属性信息;
解释体,主要作为学习体的逆向传播过程,进而实现高层介观体系对于低层介观体系的对应解释功能。
如附图2所示,该方法的步骤为:
(1)为了构建分体式神经网络协同计算模式,需要将传统神经网络单一的学习体进行拆分重组,特别是要将重要的节点信息进行记忆存储,进而为逆向传播的解释体能够提供强保障性的解析能力;
(2)设计一个介观体系,所述介观体系包含多个神经元的载体,每个神经元可表示特定实体的各种属性,以及姿态矩阵和激活概率信息,这个属性信息是代表不同类型的实例化参数;
(4)接着通过用来自各种不同部件的预测模型对点密度进行建模,其中每个部件可以是带有仿形变换的,然后将多个高层次介观体系的激活模式组成的张量取出来,并将高维张量嵌入到低维空间中,两个高维张量之间越相似,他们之间的距离就越小;
(4)最后根据分类结果为它们加上语义标签,即从每类里面取一个样本,将它的标签作为它所在类的标签,便于解释体反向传播形成一对一的解析说明。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及等同物限定。
Claims (5)
1.一种基于介观体系的神经网络三体模型,其特征在于,该神经网络三体模型内包括:
学习体,主要用于从原始数据到高层介观体系的构建;
记忆体,主要用于存储及重组不同介观体系内的神经元属性信息;
解释体,主要作为学习体的逆向传播过程,进而实现高层介观体系对于低层介观体系的对应解释功能。
2.一种根据权利要求1所述的基于介观体系的神经网络三体模型的构建方法,其特征在于,该方法的步骤为:
步骤1:为了构建分体式神经网络协同计算模式,需要将传统神经网络单一的学习体进行拆分重组,特别是要将重要的节点信息进行记忆存储,进而为逆向传播的解释体能够提供强保障性的解析能力;
步骤2:设计一个介观体系,所述介观体系包含多个神经元的载体,每个神经元可表示特定实体的各种属性,以及姿态矩阵和激活概率信息;
步骤3;接着通过用来自各种不同部件的预测模型对点密度进行建模,其中每个部件可以是带有仿形变换的,然后将多个高层次介观体系的激活模式组成的张量取出来,并将高维张量嵌入到低维空间中;
步骤4:最后根据分类结果为它们加上语义标签,便于解释体反向传播形成一对一的解析说明。
3.如权利要求2所述的一种基于介观体系的神经网络三体模型的构建方法,其特征在于,所述步骤2中神经元可表示特定实体的各种属性,这个属性信息是代表不同类型的实例化参数。
4.如权利要求2所述的一种基于介观体系的神经网络三体模型的构建方法,其特征在于,所述高维张量之间越相似,他们之间的距离就越小。
5.如权利要求2所述的一种基于介观体系的神经网络三体模型的构建方法,其特征在于,所述语义标签,即从每类里面取一个样本,将它的标签作为它所在类的标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688825.7A CN113591557A (zh) | 2021-06-22 | 2021-06-22 | 一种基于介观体系的神经网络三体模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110688825.7A CN113591557A (zh) | 2021-06-22 | 2021-06-22 | 一种基于介观体系的神经网络三体模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113591557A true CN113591557A (zh) | 2021-11-02 |
Family
ID=78244348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110688825.7A Pending CN113591557A (zh) | 2021-06-22 | 2021-06-22 | 一种基于介观体系的神经网络三体模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591557A (zh) |
-
2021
- 2021-06-22 CN CN202110688825.7A patent/CN113591557A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sarker | Deep learning: a comprehensive overview on techniques, taxonomy, applications and research directions | |
CN110188167B (zh) | 一种融入外部知识的端到端对话方法及系统 | |
Jia et al. | Feature dimensionality reduction: a review | |
Alzubaidi et al. | A survey on deep learning tools dealing with data scarcity: definitions, challenges, solutions, tips, and applications | |
CN111581395B (zh) | 一种基于深度学习的模型融合三元组表示学习系统及方法 | |
Maren et al. | Handbook of neural computing applications | |
CN112560432A (zh) | 基于图注意力网络的文本情感分析方法 | |
Fang et al. | A new sequential image prediction method based on LSTM and DCGAN | |
Ma et al. | [Retracted] Review on the Application of Metalearning in Artificial Intelligence | |
Hu et al. | A review about building hidden layer methods of deep learning | |
Rani et al. | Deep learning with big data: an emerging trend | |
Zhang et al. | A novel method based on deep reinforcement learning for machining process route planning | |
Berlati et al. | Ambiguity in sequential data: Predicting uncertain futures with recurrent models | |
Xia | An overview of deep learning | |
CN116701665A (zh) | 基于深度学习的中医古籍知识图谱构建方法 | |
Sheng et al. | A novel text mining algorithm based on deep neural network | |
CN114239575B (zh) | 语句分析模型的构建方法、语句分析方法、装置、介质和计算设备 | |
CN116975743A (zh) | 行业信息分类方法、装置、计算机设备和存储介质 | |
CN116561272A (zh) | 开放域视觉语言问答方法、装置、电子设备及存储介质 | |
CN113591557A (zh) | 一种基于介观体系的神经网络三体模型 | |
US11875250B1 (en) | Deep neural networks with semantically weighted loss functions | |
CN115423105A (zh) | 一种预训练语言模型构建方法、系统及装置 | |
Islam | Unveiling the Power of Deep Learning: Insights into Advanced Neural n Network Architectures | |
CN113435190A (zh) | 一种融合多层次信息抽取和降噪的篇章关系抽取方法 | |
Ma et al. | Data Model of Key Indicators of Urban Architectural Design Based on Long‐and Short‐Term Convolutional Memory Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |