CN116151352A - 基于大脑信息通路整合机制的卷积循环神经网络诊断方法 - Google Patents
基于大脑信息通路整合机制的卷积循环神经网络诊断方法 Download PDFInfo
- Publication number
- CN116151352A CN116151352A CN202310392358.2A CN202310392358A CN116151352A CN 116151352 A CN116151352 A CN 116151352A CN 202310392358 A CN202310392358 A CN 202310392358A CN 116151352 A CN116151352 A CN 116151352A
- Authority
- CN
- China
- Prior art keywords
- convolution
- module
- convolutional
- network
- neural network
- 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.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 120
- 230000010354 integration Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000007246 mechanism Effects 0.000 title claims abstract description 29
- 210000004556 brain Anatomy 0.000 title claims abstract description 28
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 230000006870 function Effects 0.000 claims abstract description 80
- 230000004913 activation Effects 0.000 claims abstract description 76
- 102100032202 Cornulin Human genes 0.000 claims abstract description 68
- 101000920981 Homo sapiens Cornulin Proteins 0.000 claims abstract description 68
- 238000013528 artificial neural network Methods 0.000 claims description 43
- 125000004122 cyclic group Chemical group 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000002405 diagnostic procedure Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 230000037361 pathway Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 210000000653 nervous system Anatomy 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Neurosurgery (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法,通过以当前卷积循环神经网络CRNN的CNN为基准,对所述卷积核的结构参数、激活函数以及属性值进行卷积参数调整,得到所述目标网络中的卷积模块的新配置参数,将各个所述目标网络的卷积模块按序挂载于当前的CNN上。将CRNN以外的其他目标网络的卷积模块进行参数结构一致化处理,使得其他目标网络的卷积模块,在卷积核的结构参数、激活函数以及属性值上存在一致性,便于其他目标网络的卷积核在进行各自类型的数据特征计算时,可以基于同一个卷积结构进行信息监控,CRNN可以控制并实时监控各个目标网络的信息处理过程,实现网络诊断任务的信息整合传递。
Description
技术领域
本公开涉及深度学习技术领域,尤其涉及一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法、装置和控制系统。
背景技术
网络诊断开始采用神经网络模型比如卷积循环神经网络(CRNN)执行各个诊断任务。卷积循环神经网络是目前较为流行的图文识别模型,可识别较长的文本序列。CRNN包含CNN特征提取层和BLSTM序列特征提取层,其中的卷积神经网络(CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一,整个CRNN网络结构包含三部分,从下到上依次为:
CNN(卷积层),使用深度CNN,对输入图像提取特征,得到特征图;
RNN(循环层),使用双向RNN(BLSTM)对特征序列进行预测,对序列中的每个特征向量进行学习,并输出预测标签(真实值)分布;
CTC loss(转录层),使用CTC损失,把从循环层获取的一系列标签分布转换成最终的标签序列。
而卷积神经网络的底层结构一般又包含输入层、卷积层、采样层和输出层,输入数据经过多次卷积、特征提取等,到最终的目标特征数据。卷积神经网络具有表征学习能力,即能够从输入信息中提取高阶特征。而卷积神经网络具备平移不变性,平移不变特征在卷积神经网络内部的传递具有一般性的规律。
在处理信息数据时,同一通道内的所有像素共享一组卷积核权重系数,权重共享将卷积神经网络和其它包含局部连接结构的神经网络相区分。因此,卷积网络与其他网络在数据对接时,不能够直接基于同一的网络结构下进行数据整合,缺乏整合结构的支撑。
大脑信息通路整合机制,是大脑对于多路信息的整合机制,旨在通过多感觉通道信息整合执行的执行机制,能够指挥主神经网络结合其他神经网络进行多路信息整合,在结构上,大脑的功能系统通过白质纤维束相互连接,进行信息传递;神经系统通过对不同功能系统的信息进行整合,为大脑不断适应外界变化提供了生理学基础。
因此可以基于大脑信息通路整合机制对卷积循环神经网络(CRNN)的网络结构进行调整,使其可以适应多模神经网络模式下的诊断。
发明内容
为了解决上述问题,本申请提出一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法、装置和控制系统。
本申请一方面,提出一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法,包括如下步骤:
获取目标网络中卷积模块的配置参数;
对所述配置参数进行解析,提取并得到卷积核的结构参数、激活函数以及属性值;
以当前卷积循环神经网络CRNN的CNN为基准,对所述卷积核的结构参数、激活函数以及属性值进行卷积参数调整,得到所述目标网络中的卷积模块的新配置参数,并为所述卷积模块打上标记;
对若干个所述目标网络进行如上操作,并将各个所述目标网络的卷积模块按序挂载于当前卷积循环神经网络CRNN的CNN上。
作为本申请的一可选实施方案,可选地,获取目标网络中卷积模块的配置参数,包括:
获取目标网络的文件包数据;
解析所述文件包数据并从中筛选得到关于卷积模块的配置文件;
对所述配置文件进行格式化处理,得到卷积网络的结构化配置参数,并将所述结构化配置参数单独进行保存。
作为本申请的一可选实施方案,可选地,对所述配置参数进行解析,提取并得到卷积核的结构参数、激活函数以及属性值,包括:
获取所述目标网络的所述结构化配置参数;
按照卷积核的生成格式进行解析,得到初始生成所述目标网络卷积模块的结构参数、激活函数以及属性值;
建立分布式储存,保存所述结构参数、激活函数以及属性值。
作为本申请的一可选实施方案,可选地,以当前卷积循环神经网络CRNN的CNN为基准,对所述卷积核的结构参数、激活函数以及属性值进行卷积参数调整,得到所述目标网络中的卷积模块的新配置参数,并为所述卷积模块打上标记,包括:
获取当前卷积循环神经网络CRNN的CNN的结构参数、激活函数以及属性值;
以当前卷积循环神经网络CRNN的CNN的结构参数、激活函数以及属性值作为基准,对所述目标网络的所述卷积核的结构参数、激活函数以及属性值进行卷积参数对应进行调整,使得当前卷积循环神经网络CRNN的CNN和所述目标网络的卷积模块,在卷积网络上保持所述结构参数、激活函数以及属性值的网络一致化;
调整完毕,得到所述目标网络的卷积模块的新配置参数,并按照原路径进行保存。
作为本申请的一可选实施方案,可选地,在对所述目标网络的所述卷积核的结构参数、激活函数以及属性值进行卷积参数对应进行调整之后,还包括:
为所述目标网络的所述卷积核打上标签;
通过所述标签,建立所述目标网络的所述卷积核与当前卷积循环神经网络CRNN的CNN之间的关联关系;
将所述标签与对应的关联关系保存在原路径。
本申请另一方面,还提出一种装置,用于实现基于大脑信息通路整合机制的卷积循环神经网络诊断方法,包括:
配置参数获取模块,用于获取目标网络中卷积模块的配置参数;
结构参数提取模块,用于对所述配置参数进行解析,提取并得到卷积核的结构参数、激活函数以及属性值;
参数调整模块,用于以当前卷积循环神经网络CRNN的CNN为基准,对所述卷积核的结构参数、激活函数以及属性值进行卷积参数调整,得到所述目标网络中的卷积模块的新配置参数,并为所述卷积模块打上标记;
挂载模块,用于对若干个所述目标网络进行如上操作,并将各个所述目标网络的卷积模块按序挂载于当前卷积循环神经网络CRNN的CNN上。
作为本申请的一可选实施方案,可选地,所述配置参数获取模块,包括:
文件包获取模块,用于获取目标网络的文件包数据;
解析模块,用于解析所述文件包数据并从中筛选得到关于卷积模块的配置文件;
格式化模块,用于对所述配置文件进行格式化处理,得到卷积网络的结构化配置参数,并将所述结构化配置参数单独进行保存。
作为本申请的一可选实施方案,可选地,所述结构参数提取模块,包括:
结构化配置参数获取模块,用于获取所述目标网络的所述结构化配置参数;
格式解析模块,用于按照卷积核的生成格式进行解析,得到初始生成所述目标网络卷积模块的结构参数、激活函数以及属性值;
分布式储存模块,用于建立分布式储存,保存所述结构参数、激活函数以及属性值。
作为本申请的一可选实施方案,可选地,所述参数调整模块,包括:
参照值模块,用于获取当前卷积循环神经网络CRNN的CNN的结构参数、激活函数以及属性值;
目标值调整模块,用于以当前卷积循环神经网络CRNN的CNN的结构参数、激活函数以及属性值作为基准,对所述目标网络的所述卷积核的结构参数、激活函数以及属性值进行卷积参数对应进行调整,使得当前卷积循环神经网络CRNN的CNN和所述目标网络的卷积模块,在卷积网络上保持所述结构参数、激活函数以及属性值的网络一致化;调整完毕,得到所述目标网络的卷积模块的新配置参数,并按照原路径进行保存
标记模块,用于为所述目标网络的所述卷积核打上标签;
关联模块,用于通过所述标签,建立所述目标网络的所述卷积核与当前卷积循环神经网络CRNN的CNN之间的关联关系;
将所述标签与对应的关联关系保存在原路径。
本申请另一方面,还提出一种控制系统,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现所述的一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法。
本发明的技术效果:
本申请通过获取目标网络中卷积模块的配置参数;对所述配置参数进行解析,提取并得到卷积核的结构参数、激活函数以及属性值;以当前卷积循环神经网络CRNN的CNN为基准,对所述卷积核的结构参数、激活函数以及属性值进行卷积参数调整,得到所述目标网络中的卷积模块的新配置参数,并为所述卷积模块打上标记;对若干个所述目标网络进行如上操作,并将各个所述目标网络的卷积模块按序挂载于当前卷积循环神经网络CRNN的CNN上。在多个神经网络应用模型中,将CRNN以外的其他目标网络的卷积模块进行参数结构一致化处理,使得其他目标网络的卷积模块,在卷积核的结构参数、激活函数以及属性值上存在一致性,便于其他目标网络的卷积核在进行各自类型的数据特征计算时,可以基于同一个卷积结构进行信息监控,CRNN可以控制并实时监控各个目标网络的信息处理过程,能够指挥作为CRNN主神经网络以外其他神经网络进行多路信息整合,实现网络诊断任务的信息整合传递;神经系统通过对不同功能系统的信息进行整合,为网络诊断提供了全新的整合诊断机制,不用再单独进行诊断任务。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出为本发明的实施流程示意图;
图2示出为本发明以CNN为基准调整目标网络卷积参数的流程示意图;;
图3示出为本发明有序调整目标网络卷积参数的挂载示意图;
图4示出为本发明CNN挂载目标网络卷积模块的关联示意图;
图5示出为本发明装置的应用组成示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
本申请将CRNN以外的其他目标网络的卷积模块进行参数结构一致化处理,使得其他目标网络的卷积模块,在卷积核的结构参数、激活函数以及属性值上存在一致性,便于其他目标网络的卷积核在进行各自类型的数据特征计算时,可以基于同一个卷积结构进行信息监控,CRNN可以控制并实时监控各个目标网络的信息处理过程,能够指挥作为CRNN主神经网络以外其他神经网络进行多路信息整合,实现网络诊断任务的信息整合传递;神经系统通过对不同功能系统的信息进行整合,为网络诊断提供了全新的整合诊断机制,不用再单独进行诊断任务。
首先需要进行目标模型的卷积层调整。本实施例,在若干个圣经网络模型中,以当前卷积循环神经网络CRNN的CNN为基准,作为主网络,其他的网络模型作为执行网络诊断任务的目标网络,目标网络将以CNN为基准进行卷积层的架构调整。
实施例1
如图1所示,本申请一方面,提出一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法,包括如下步骤:
S1、获取目标网络中卷积模块的配置参数;
目标网络由用户选定,可以获得对应目标网络的生成和构建源文件,主要获取源文件的关于卷积层的源文件,调整对应的卷积模块架构。
作为本申请的一可选实施方案,可选地,获取目标网络中卷积模块的配置参数,包括:
获取目标网络的文件包数据;
解析所述文件包数据并从中筛选得到关于卷积模块的配置文件;
对所述配置文件进行格式化处理,得到卷积网络的结构化配置参数,并将所述结构化配置参数单独进行保存。
目标网络,作为一个单独的任务执行模型,具有其对应的卷积网络结构数据包,本处获取该目标网络的文件包数据---源代码软件包,并进行文件包的解析,得到源代码软件包的解析包,解析包中包含了该目标网络模型的若干组成文件,其中就包括了卷积模块的配置文件。
根据数据类型,从解析包中筛选得到关于卷积模块的配置文件,并将这些关于卷积模块的配置文件进行格式化统一处理。参照当前卷积循环神经网络CRNN的CNN的格式进行处理,处理后,从配置文件中得到卷积网络的结构化配置参数,并将所述结构化配置参数单独进行保存。
本处需要单独构建一个分布式的储存空间进行保存当前目标网络卷积模块的结构化配置参数。待所有的目标网络卷积模块的结构化配置参数调整完毕,进行关联保存至CRNN的储存中,便于任务调度。
S2、对所述配置参数进行解析,提取并得到卷积核的结构参数、激活函数以及属性值;
具体包括:
获取所述目标网络的所述结构化配置参数;
按照卷积核的生成格式进行解析,得到初始生成所述目标网络卷积模块的结构参数、激活函数以及属性值;
建立分布式储存,保存所述结构参数、激活函数以及属性值。
结构化配置参数,导致每个卷积核的结构和功能不同,也会导致卷积性能不同,因此不同网络模型的卷积核需要从结构化配置参数上进行趋同化调整,便于作为主网络的CRNN进行统一管理。
目标网络的卷积模块的结构化配置参数,包含了构建目标网络卷积层的结构参数、激活函数以及系统配置活性值等参数,因此需要再次对结构化配置参数进行解析,分析目标网络的卷积核的构成参数。
这里按照各个目标网络卷积核的源数据包生成格式进行耳机西即可,解析得到初始生成所述目标网络卷积模块的结构参数、激活函数以及属性值。
这里,本实施例仅仅选用初始生成所述目标网络卷积模块的结构参数、激活函数以及属性值作为保持目标网络和CRNN的CNN结构一致的参照,保持此三值的一致,网络模型中卷积层的大致结构已经趋同化,因此其他的参数没必要增加额外多的数据计算成本去进行处理。
每个目标网络卷积核的结构参数、激活函数以及属性值等解析之,对应保存在所建立的分布式空间即可。等待数值匹配和调整。
S3、以当前卷积循环神经网络CRNN的CNN为基准,对所述卷积核的结构参数、激活函数以及属性值进行卷积参数调整,得到所述目标网络中的卷积模块的新配置参数,并为所述卷积模块打上标记;
如图2所示,作为本申请的一可选实施方案,可选地,以当前卷积循环神经网络CRNN的CNN为基准,对所述卷积核的结构参数、激活函数以及属性值进行卷积参数调整,得到所述目标网络中的卷积模块的新配置参数,并为所述卷积模块打上标记,包括:
获取当前卷积循环神经网络CRNN的CNN的结构参数、激活函数以及属性值;
以当前卷积循环神经网络CRNN的CNN的结构参数、激活函数以及属性值作为基准,对所述目标网络的所述卷积核的结构参数、激活函数以及属性值进行卷积参数对应进行调整,使得当前卷积循环神经网络CRNN的CNN和所述目标网络的卷积模块,在卷积网络上保持所述结构参数、激活函数以及属性值的网络一致化;
调整完毕,得到所述目标网络的卷积模块的新配置参数,并按照原路径进行保存。
作为本申请的一可选实施方案,可选地,在对所述目标网络的所述卷积核的结构参数、激活函数以及属性值进行卷积参数对应进行调整之后,还包括:
为所述目标网络的所述卷积核打上标签;
通过所述标签,建立所述目标网络的所述卷积核与当前卷积循环神经网络CRNN的CNN之间的关联关系;
将所述标签与对应的关联关系保存在原路径。
前期已经得到目标网络的所述卷积核的结构参数、激活函数以及属性值等卷积参数,需要根据当前卷积循环神经网络CRNN的CNN的卷积参数,对目标网络的所述卷积核的结构参数、激活函数以及属性值等卷积参数进行一一对应调整。
获取当前卷积循环神经网络CRNN的CNN的结构参数、激活函数以及属性值的方式,可以参见上述目标网络的结构参数、激活函数以及属性值的方式,本处不再赘述。
以当前卷积循环神经网络CRNN的CNN的结构参数、激活函数以及属性值作为基准,对所述目标网络的所述卷积核的结构参数、激活函数以及属性值进行卷积参数对应进行对应匹配和调整。
前期已经得到目标网络的所述卷积核的结构参数、激活函数以及属性值等卷积参数,需要根据当前卷积循环神经网络CRNN的CNN的卷积参数,对目标网络的所述卷积核的结构参数、激活函数以及属性值等卷积参数进行一一对应调整。
以CNN的结构参数为例,本处通过将CNN的结构参数和目标网络的结构参数进行匹配,从中识别出结构参数的差异处并进行标记,输出所标记的差异数据(差异的数据位置和数据值),按照该差异数据对目标网络的结构参数进行调整和优化即可。
优化完毕,目标网络的所述卷积核的结构参数与当前卷积循环神经网络CRNN的CNN的结构参数一致,得到一致的结构性能。
对激活函数以及属性值同样进行调整。这样就使得目标网络和当前卷积循环神经网络CRNN的CNN,保持了网络一致化,具备相同的任务执行结合能力。
参数调整完毕,为了进行多任务的整合执行,为所述目标网络的所述卷积核打上标签;通过所述标签,建立所述目标网络的所述卷积核与当前卷积循环神经网络CRNN的CNN之间的关联关系;并将所述标签与对应的关联关系保存在原路径。
如图2所示,目标网络的卷积模块具备识别标签,其标签用于在执行支线卷积任务时,通过标签所建立的关联关系,在CNN的主网络卷积下,将目标网络的卷积模块和主网络卷积任务关联在一起,这样可以使得在执行多个卷积任务时,在CNN的主卷积任务下,关联执行多个从任务。
S4、对若干个所述目标网络进行如上操作,并将各个所述目标网络的卷积模块按序挂载于当前卷积循环神经网络CRNN的CNN上。
如图3所示,在目标网络1的卷积模块1已经被关联挂载于CRNN的CNN后,对其他的网络模型进行同样处理,比如将目标网络2的卷积模块2处理后,紧接着目标网络2的卷积模块2挂载于卷积模块1后,优先级次一级。
如图4所示,CRNN的CNN作为主卷积网络,将负责对卷积模块1和卷积模块2所执行的从任务进行整合,任务执行有序进行。
需要说明的是,尽管以当前卷积循环神经网络CRNN的CNN作为示例介绍了如上卷积任务整合,但本领域技术人员能够理解,本公开应不限于此。事实上,用户完全可根据实际应用场景灵活设定卷积层,只要可以按照上述技术方法实现本申请的技术功能即可。
显然,本领域的技术人员应该明白,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的,程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各控制方法的实施例的流程。本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的,程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各控制方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive,缩写:HDD)或固态硬盘(Solid-StateDrive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
实施例2
如图5所示,基于实施例1的实施原理,本申请另一方面,还提出一种装置,用于实现基于大脑信息通路整合机制的卷积循环神经网络诊断方法,包括:
配置参数获取模块,用于获取目标网络中卷积模块的配置参数;
结构参数提取模块,用于对所述配置参数进行解析,提取并得到卷积核的结构参数、激活函数以及属性值;
参数调整模块,用于以当前卷积循环神经网络CRNN的CNN为基准,对所述卷积核的结构参数、激活函数以及属性值进行卷积参数调整,得到所述目标网络中的卷积模块的新配置参数,并为所述卷积模块打上标记;
挂载模块,用于对若干个所述目标网络进行如上操作,并将各个所述目标网络的卷积模块按序挂载于当前卷积循环神经网络CRNN的CNN上。
作为本申请的一可选实施方案,可选地,所述配置参数获取模块,包括:
文件包获取模块,用于获取目标网络的文件包数据;
解析模块,用于解析所述文件包数据并从中筛选得到关于卷积模块的配置文件;
格式化模块,用于对所述配置文件进行格式化处理,得到卷积网络的结构化配置参数,并将所述结构化配置参数单独进行保存。
作为本申请的一可选实施方案,可选地,所述结构参数提取模块,包括:
结构化配置参数获取模块,用于获取所述目标网络的所述结构化配置参数;
格式解析模块,用于按照卷积核的生成格式进行解析,得到初始生成所述目标网络卷积模块的结构参数、激活函数以及属性值;
分布式储存模块,用于建立分布式储存,保存所述结构参数、激活函数以及属性值。
作为本申请的一可选实施方案,可选地,所述参数调整模块,包括:
参照值模块,用于获取当前卷积循环神经网络CRNN的CNN的结构参数、激活函数以及属性值;
目标值调整模块,用于以当前卷积循环神经网络CRNN的CNN的结构参数、激活函数以及属性值作为基准,对所述目标网络的所述卷积核的结构参数、激活函数以及属性值进行卷积参数对应进行调整,使得当前卷积循环神经网络CRNN的CNN和所述目标网络的卷积模块,在卷积网络上保持所述结构参数、激活函数以及属性值的网络一致化;调整完毕,得到所述目标网络的卷积模块的新配置参数,并按照原路径进行保存
标记模块,用于为所述目标网络的所述卷积核打上标签;
关联模块,用于通过所述标签,建立所述目标网络的所述卷积核与当前卷积循环神经网络CRNN的CNN之间的关联关系;
将所述标签与对应的关联关系保存在原路径。
上述各个模块的功能和应用原理,进退参见实施例1的描述,本实施例不作赘述。
上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
实施例3
更进一步地,本申请另一方面,还提出一种控制系统,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现所述的一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法。
本公开实施例来控制系统包括处理器以及用于存储处理器可执行指令的存储器。其中,处理器被配置为执行可执行指令时实现前面任一所述的一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法。
此处,应当指出的是,处理器的个数可以为一个或多个。同时,在本公开实施例的控制系统中,还可以包括输入装置和输出装置。其中,处理器、存储器、输入装置和输出装置之间可以通过总线连接,也可以通过其他方式连接,此处不进行具体限定。
存储器作为一计算机可读存储介质,可用于存储软件程序、计算机可执行程序和各种模块,如:本公开实施例的一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法所对应的程序或模块。处理器通过运行存储在存储器中的软件程序或模块,从而执行控制系统的各种功能应用及数据处理。
输入装置可用于接收输入的数字或信号。其中,信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置可以包括显示屏等显示设备。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法,其特征在于,包括如下步骤:
获取目标网络中卷积模块的配置参数;
对所述配置参数进行解析,提取并得到卷积核的结构参数、激活函数以及属性值;
以当前卷积循环神经网络CRNN的CNN为基准,对所述卷积核的结构参数、激活函数以及属性值进行卷积参数调整,得到所述目标网络中的卷积模块的新配置参数,并为所述卷积模块打上标记;
对若干个所述目标网络进行如上操作,并将各个所述目标网络的卷积模块按序挂载于当前卷积循环神经网络CRNN的CNN上。
2.根据权利要求1所述的一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法,其特征在于,获取目标网络中卷积模块的配置参数,包括:
获取目标网络的文件包数据;
解析所述文件包数据并从中筛选得到关于卷积模块的配置文件;
对所述配置文件进行格式化处理,得到卷积网络的结构化配置参数,并将所述结构化配置参数单独进行保存。
3.根据权利要求2所述的一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法,其特征在于,对所述配置参数进行解析,提取并得到卷积核的结构参数、激活函数以及属性值,包括:
获取所述目标网络的所述结构化配置参数;
按照卷积核的生成格式进行解析,得到初始生成所述目标网络卷积模块的结构参数、激活函数以及属性值;
建立分布式储存,保存所述结构参数、激活函数以及属性值。
4.根据权利要求1所述的一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法,其特征在于,以当前卷积循环神经网络CRNN的CNN为基准,对所述卷积核的结构参数、激活函数以及属性值进行卷积参数调整,得到所述目标网络中的卷积模块的新配置参数,并为所述卷积模块打上标记,包括:
获取当前卷积循环神经网络CRNN的CNN的结构参数、激活函数以及属性值;
以当前卷积循环神经网络CRNN的CNN的结构参数、激活函数以及属性值作为基准,对所述目标网络的所述卷积核的结构参数、激活函数以及属性值进行卷积参数对应进行调整,使得当前卷积循环神经网络CRNN的CNN和所述目标网络的卷积模块,在卷积网络上保持所述结构参数、激活函数以及属性值的网络一致化;
调整完毕,得到所述目标网络的卷积模块的新配置参数,并按照原路径进行保存。
5.根据权利要求4所述的一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法,其特征在于,在对所述目标网络的所述卷积核的结构参数、激活函数以及属性值进行卷积参数对应进行调整之后,还包括:
为所述目标网络的所述卷积核打上标签;
通过所述标签,建立所述目标网络的所述卷积核与当前卷积循环神经网络CRNN的CNN之间的关联关系;
将所述标签与对应的关联关系保存在原路径。
6.一种装置,用于实现权利要求1-5中任一项所述的基于大脑信息通路整合机制的卷积循环神经网络诊断方法,其特征在于,包括:
配置参数获取模块,用于获取目标网络中卷积模块的配置参数;
结构参数提取模块,用于对所述配置参数进行解析,提取并得到卷积核的结构参数、激活函数以及属性值;
参数调整模块,用于以当前卷积循环神经网络CRNN的CNN为基准,对所述卷积核的结构参数、激活函数以及属性值进行卷积参数调整,得到所述目标网络中的卷积模块的新配置参数,并为所述卷积模块打上标记;
挂载模块,用于对若干个所述目标网络进行如上操作,并将各个所述目标网络的卷积模块按序挂载于当前卷积循环神经网络CRNN的CNN上。
7.根据权利要求6所述的一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法,其特征在于,所述配置参数获取模块,包括:
文件包获取模块,用于获取目标网络的文件包数据;
解析模块,用于解析所述文件包数据并从中筛选得到关于卷积模块的配置文件;
格式化模块,用于对所述配置文件进行格式化处理,得到卷积网络的结构化配置参数,并将所述结构化配置参数单独进行保存。
8.根据权利要求6所述的一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法,其特征在于,所述结构参数提取模块,包括:
结构化配置参数获取模块,用于获取所述目标网络的所述结构化配置参数;
格式解析模块,用于按照卷积核的生成格式进行解析,得到初始生成所述目标网络卷积模块的结构参数、激活函数以及属性值;
分布式储存模块,用于建立分布式储存,保存所述结构参数、激活函数以及属性值。
9.根据权利要求6所述的一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法,其特征在于,所述参数调整模块,包括:
参照值模块,用于获取当前卷积循环神经网络CRNN的CNN的结构参数、激活函数以及属性值;
目标值调整模块,用于以当前卷积循环神经网络CRNN的CNN的结构参数、激活函数以及属性值作为基准,对所述目标网络的所述卷积核的结构参数、激活函数以及属性值进行卷积参数对应进行调整,使得当前卷积循环神经网络CRNN的CNN和所述目标网络的卷积模块,在卷积网络上保持所述结构参数、激活函数以及属性值的网络一致化;调整完毕,得到所述目标网络的卷积模块的新配置参数,并按照原路径进行保存
标记模块,用于为所述目标网络的所述卷积核打上标签;
关联模块,用于通过所述标签,建立所述目标网络的所述卷积核与当前卷积循环神经网络CRNN的CNN之间的关联关系;
将所述标签与对应的关联关系保存在原路径。
10.一种控制系统,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现权利要求1至5中任一项所述的一种基于大脑信息通路整合机制的卷积循环神经网络诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310392358.2A CN116151352B (zh) | 2023-04-13 | 基于大脑信息通路整合机制的卷积循环神经网络诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310392358.2A CN116151352B (zh) | 2023-04-13 | 基于大脑信息通路整合机制的卷积循环神经网络诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116151352A true CN116151352A (zh) | 2023-05-23 |
CN116151352B CN116151352B (zh) | 2024-06-04 |
Family
ID=
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150106314A1 (en) * | 2013-10-16 | 2015-04-16 | University Of Tennessee Research Foundation | Method and apparatus for constructing a dynamic adaptive neural network array (danna) |
CN106228185A (zh) * | 2016-07-20 | 2016-12-14 | 武汉盈力科技有限公司 | 一种基于神经网络的通用图像分类识别系统及方法 |
US20190026639A1 (en) * | 2017-07-21 | 2019-01-24 | Google Llc | Neural architecture search for convolutional neural networks |
CN110084159A (zh) * | 2019-04-15 | 2019-08-02 | 西安电子科技大学 | 基于联合多级空谱信息cnn的高光谱图像分类方法 |
US20200050939A1 (en) * | 2017-12-13 | 2020-02-13 | Tencent Technology (Shenzhen) Company Limited | Neural network model deployment method, prediction method and related device |
US20200082275A1 (en) * | 2018-09-10 | 2020-03-12 | Fujitsu Limited | Neural network architecture search apparatus and method and computer readable recording medium |
KR20210026543A (ko) * | 2019-08-30 | 2021-03-10 | 주식회사 에일론 | 복수의 인공신경망 모델 기반 단백질 결합 화합물의 활성 예측 시스템 |
CN112598110A (zh) * | 2020-12-04 | 2021-04-02 | 北京迈格威科技有限公司 | 神经网络构建方法、装置、设备及介质 |
CN113850262A (zh) * | 2021-08-23 | 2021-12-28 | 北京大学 | 基于可延展2.5d卷积和双路门融合的rgb-d图像语义分割方法 |
US20230036463A1 (en) * | 2019-12-05 | 2023-02-02 | Genentech, Inc. | Neural network processing of oct data to generate predictions of geographic-atrophy growth rates |
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150106314A1 (en) * | 2013-10-16 | 2015-04-16 | University Of Tennessee Research Foundation | Method and apparatus for constructing a dynamic adaptive neural network array (danna) |
CN106228185A (zh) * | 2016-07-20 | 2016-12-14 | 武汉盈力科技有限公司 | 一种基于神经网络的通用图像分类识别系统及方法 |
US20190026639A1 (en) * | 2017-07-21 | 2019-01-24 | Google Llc | Neural architecture search for convolutional neural networks |
US20200050939A1 (en) * | 2017-12-13 | 2020-02-13 | Tencent Technology (Shenzhen) Company Limited | Neural network model deployment method, prediction method and related device |
US20200082275A1 (en) * | 2018-09-10 | 2020-03-12 | Fujitsu Limited | Neural network architecture search apparatus and method and computer readable recording medium |
CN110084159A (zh) * | 2019-04-15 | 2019-08-02 | 西安电子科技大学 | 基于联合多级空谱信息cnn的高光谱图像分类方法 |
KR20210026543A (ko) * | 2019-08-30 | 2021-03-10 | 주식회사 에일론 | 복수의 인공신경망 모델 기반 단백질 결합 화합물의 활성 예측 시스템 |
US20230036463A1 (en) * | 2019-12-05 | 2023-02-02 | Genentech, Inc. | Neural network processing of oct data to generate predictions of geographic-atrophy growth rates |
CN112598110A (zh) * | 2020-12-04 | 2021-04-02 | 北京迈格威科技有限公司 | 神经网络构建方法、装置、设备及介质 |
CN113850262A (zh) * | 2021-08-23 | 2021-12-28 | 北京大学 | 基于可延展2.5d卷积和双路门融合的rgb-d图像语义分割方法 |
Non-Patent Citations (3)
Title |
---|
KHOI-NGUYEN C. MAC ET.AL: "Learning Motion in Feature Space: Locally-Consistent Deformable Convolution Networks for Fine-Grained Action Detection", 《COMPUTER VISION (ICCV)》, 27 February 2020 (2020-02-27), pages 6282 - 6291 * |
SHUANG LIU ET.AL: "Multimodal Ground-Based Cloud Classification Using Joint Fusion Convolutional Neural Network", 《RECENT ADVANCES IN NEURAL NETWORKS FOR REMOTE SENSING》, vol. 10, no. 822, 25 May 2018 (2018-05-25), pages 1 - 15 * |
刘翠连 等: "混合卷积神经网络的高光谱图像分类方法", 《 激光技术》, vol. 46, no. 3, 9 May 2022 (2022-05-09), pages 355 - 361 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740657B (zh) | 一种用于图像数据分类的神经网络模型的训练方法与设备 | |
CN110288049B (zh) | 用于生成图像识别模型的方法和装置 | |
CN108734293B (zh) | 任务管理系统、方法和装置 | |
US10535141B2 (en) | Differentiable jaccard loss approximation for training an artificial neural network | |
US11982999B2 (en) | Defect detection task processing method, device, apparatus and storage medium | |
CN110956202B (zh) | 基于分布式学习的图像训练方法、系统、介质及智能设备 | |
CN108664331A (zh) | 分布式数据处理方法及装置、电子设备、存储介质 | |
US10902339B2 (en) | System and method providing automatic completion of task structures in a project plan | |
US20230206420A1 (en) | Method for detecting defect and method for training model | |
US20220067495A1 (en) | Intelligent processor, data processing method and storage medium | |
US11979660B2 (en) | Camera analyzing images on basis of artificial intelligence, and operating method therefor | |
CN116151352B (zh) | 基于大脑信息通路整合机制的卷积循环神经网络诊断方法 | |
CN114422601A (zh) | 基于云存储的文件处理方法、装置及计算机设备 | |
CN113468344A (zh) | 实体关系抽取方法、装置、电子设备和计算机可读介质 | |
CN116151352A (zh) | 基于大脑信息通路整合机制的卷积循环神经网络诊断方法 | |
CN113052025A (zh) | 图像融合模型的训练方法、图像融合方法及电子设备 | |
CN117235527A (zh) | 端到端容器化的大数据模型构建方法、装置、设备及介质 | |
CN108897608B (zh) | 一种数据驱动可扩展的智能通用任务调度系统 | |
CN110689117A (zh) | 基于神经网络的信息处理方法和装置 | |
US20230104775A1 (en) | Human robot collaboration for flexible and adaptive robot learning | |
US11526709B2 (en) | Information processing apparatus, information processing method, and storage medium for classifying object of interest | |
WO2021134350A1 (zh) | 神经网络模型的推理方法、装置、计算机设备和存储介质 | |
WO2021134519A1 (zh) | 在神经网络推理中实现数据同步的装置和方法 | |
CN111353585A (zh) | 神经网络模型的结构搜索方法和装置 | |
CN111400219A (zh) | 接口适配器及其电子设备 |
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 | ||
GR01 | Patent grant |