TW202109377A - 類神經人工智慧決策網路核心系統及其資訊處理方法 - Google Patents

類神經人工智慧決策網路核心系統及其資訊處理方法 Download PDF

Info

Publication number
TW202109377A
TW202109377A TW108131431A TW108131431A TW202109377A TW 202109377 A TW202109377 A TW 202109377A TW 108131431 A TW108131431 A TW 108131431A TW 108131431 A TW108131431 A TW 108131431A TW 202109377 A TW202109377 A TW 202109377A
Authority
TW
Taiwan
Prior art keywords
data
module
information
correction
generate
Prior art date
Application number
TW108131431A
Other languages
English (en)
Other versions
TWI709090B (zh
Inventor
陳朝煌
Original Assignee
阿證科技股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 阿證科技股份有限公司 filed Critical 阿證科技股份有限公司
Priority to TW108131431A priority Critical patent/TWI709090B/zh
Priority to US16/660,978 priority patent/US11580404B2/en
Application granted granted Critical
Publication of TWI709090B publication Critical patent/TWI709090B/zh
Publication of TW202109377A publication Critical patent/TW202109377A/zh

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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2246—Trees, e.g. B+trees
    • 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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)
  • Image Analysis (AREA)

Abstract

本發明係一種類神經人工智慧決策網路核心系統及其資訊處理方法，包括一電子裝置連結一非監督式類神經網路介面模組，一非對稱隱藏層輸入模組連結該非監督式類神經網路介面模組及一樹狀結構神經元模組，一層屬權重參數模組連結該樹狀結構神經元模組及一非線性分析模組，一先進回饋機制輸入模組連結該非線性分析模組及一修正模組，一先進回饋機制輸出模組連結修正模組及該非線性分析模組；該電子裝置收到原始資料時經各模組對原始資料進行處理、學習及資料、程序的更新，以產生適應各種情況的決策結果，藉此達到提升決策結果的參考價值、實用性的目的。

Description

類神經人工智慧決策網路核心系統及其資訊處理方法
本發明係關於一種人工智慧決策系統及其方法，尤指一種類神經人工智慧決策網路核心系統及其資訊處理方法。
目前人工智慧決策系統，多採用單一型態的類神經網路，而類神經網路內所安排、設定使用的神經元所使用的資料結構均為傳統線性資料結構。
然而，上述傳統類神經網路係採用的線性資料結構進行資料訓練，其訓練結果單一，決策風格也容易與其他類神經網路相同，導致所產生的決策結果難以在不同情況之下而具有特色差異，也無法提供差異化的決策結果而更具有價值，又導致該決策結果的參考性低、使用性也低，進而影響其決策之效益。
有鑑於上述現有技術之不足，本發明的主要目的係提供一種類神經人工智慧決策網路核心系統及其資訊處理方法，係透過類神經網路，採用非線性分析方式結合回饋機制以提供可適用不同情況且具有差異化的決策結果，藉此提升決策結果的參考價值性、實用性。
為了達成上述目的所採取的主要技術手段，係令前述類神經人工智慧決策網路核心系統的資訊處理方法，係由一電子裝置安裝一個以上應用程式，並且由該電子裝置執行以下步驟： 接收一原始資料； 根據該原始資料產生一預處理原始資料； 根據該預處理原始資料產生一樹狀結構資料； 對該樹狀結構資料進行權重計算，以得到一權重參數資料； 根據該權重參數資料進行一非線性計算程序，以產生一非線性計算資料； 對該非線性計算資料進行修正，以產生一資料修正回饋資訊； 根據該資料修正回饋資訊更新該非線性計算程序，以及輸出對應的一決策結果資訊。
根據上述方法可知，藉由對該原始資料進行層層資料處理後，對該非線性計算資料進行資料修正，以產生該資料修正回饋資訊，並且根據該資料修正回饋資訊回饋更新該非線性程序，以及輸出對應的決策結果資訊，藉此不僅使得本發明的方法得以適用不同的原始資料，以令輸出的決策結果資訊具有獨特性、適用性，以提升決策結果的參考價值性、實用性。
為達成上述目的所採取的另一主要技術手段，係令前述類神經人工智慧決策網路核心系統，其包括： 一電子裝置，接收一原始資料； 一非監督式類神經網路介面模組，連結該電子裝置； 一非對稱隱藏層輸入模組，透過該非監督式類神經網路介面模組接收該原始資料，並執行一資料預處理程序以產生一預處理原始資料； 一樹狀結構神經元模組，連結該非對稱隱藏層輸入模組，包括多個神經元節點，並根據接收到的預處理原始資料進行一樹狀資料結構處理程序，以產生一樹狀結構資料； 一層屬權重參數模組，連結該樹狀結構神經元模組，並根據該樹狀結構資料進行一權重參數計算程序以得到一權重參數資料； 一非線性分析模組，連結該層屬權重參數模組，並根據該權重參數資料進行一非線性計算程序以產生一非線性計算資料； 一先進回饋機制輸入模組，連結該非線性分析模組； 一修正模組，連結該先進回饋機制輸入模組及該非線性分析模組，並透過該先進回饋機制輸入模組取得該非線性計算資料，且根據該非線性計算資料進行一資料修正程序以產生並輸出一資料修正回饋資訊； 一先進回饋機制輸出模組，連結該修正模組及該非線性分析模組； 其中，該先進回饋機制輸出模組透過該修正模組取得該資料修正回饋資訊，並將該資料修正回饋資訊回傳給該非線性分析模組，以更新該非線性計算程序，以及輸出一決策結果資訊。
透過上述系統可知，由該電子裝置接收到該原始資料並且經由該類神經網路介面傳輸到該非對稱隱藏層輸入模組後，經由該樹狀結構神經元模組、該層屬權重參數模組、該非線性分析模組對該原始資料進行層層的資料處理，以輸出該非線性計算資料到該修正模組，該修正模組根據該非線性計算資料進行處理後，經由該先進回饋機制輸出模組輸出該資料修正回饋資訊給該非線性分析模組更新該非線性計算程序，以及輸出對應的決策結果；藉由對資料的處理，以及將該修正結果資訊回傳給該非線性分析模組更新該非線性計算程序，藉此使得本發明系統所提供的一決策結果得以適應各種情況，以提升決策結果的參考價值性、實用性。
關於本發明類神經人工智慧決策網路核心系統的較佳實施例，請參考圖1、2所示，其包括一電子裝置10，該電子裝置10係安裝有一作業系統，並且於該電子裝置10上執行一個以上應用程式，該電子裝置10包括一非監督式類神經網路介面模組11、一非對稱隱藏層輸入模組12、一樹狀結構神經元模組13、一層屬權重參數模組14、一非線性分析模組15、一先進回饋機制輸入模組16、一修正模組17、一先進回饋機制輸出模組16’；該非監督式類神經網路介面模組11連結該電子裝置10及該非對稱隱藏層輸入模組12，該樹狀結構神經元模組13連結該非對稱隱藏層輸入模組12及該層屬權重參數模組14，該非線性分析模組15連結該層屬權重參數模組14及該先進回饋機制輸入模組16，該修正模組17連結該先進回饋機制輸入模組16及該先進回饋機制輸出模組16’，該先進回饋機制輸出模組16’連結該非線性分析模組15。
在本實施例中，該電子裝置10具體可包括一傳統電腦如桌上型電腦或筆記型電腦、一平板電腦、一雲端伺服器或一量子電腦或具有執行程序、運算、處理等功能的電子裝置。
關於本發明類神經人工智慧決策網路核心系統的另一較佳實施例，請參考圖2所示，進一步包括一樹狀搜尋模組18，該樹狀搜尋模組18連結該樹狀結構神經元模組13、該修正模組17及該先進回饋機制輸出模組16’，該樹狀搜尋模組18具有一重複節點防制單元181及一上限信賴區間搜尋單元182。
在本實施例中，該樹狀結構神經元模組13進一步具有一跨神經元運算單元131及一神經元權重更新單元132；該層屬權重參數模組14進一步具有一激勵控制模組141，該激勵控制模組141具有一激勵函式切換單元1411及一拉普拉斯轉換單元1412(Laplace transformer unit)；該修正模組17具有一殘差分析單元171、一自我修正函式單元172、一訓練中斷機制單元173及一狀態暫存器174。關於前述的跨神經元運算單元131、神經元權重更新單元132、激勵控制模組141、殘差分析單元171、自我修正函式單元172、訓練中斷機制單元173、狀態暫存器174、該樹狀搜尋模組18的具體內容請容后說明。
請參考圖1、3所示，當使用者經由該電子裝置10輸入一原始資料時，由該非監督式類神經網路介面模組11接收該原始資料，以將該原始資料輸入至一類神經網路進行分析、處理、學習、決策，該非監督式類神經網路介面模組11將該原始資料傳送到該非對稱隱藏層輸入模組12，該非對稱隱藏層輸入模組12對該原始資料進行一資料預處理程序，以產生一預處理原始資料，並且輸出給該樹狀結構神經元模組13。其中，該非對稱隱藏層輸入模組12具有多個神經元121，該非對稱隱藏層輸入模組12係對該原始資進行該資料預處理程序，以根據該等神經元121的數量對該原始資料進行設定、安排以及在該等神經元121之間的傳輸路徑規劃，以產生該預處理原始資料。
進一步的，請參考圖1、4所示，該樹狀結構神經元模組13對該預處理原始資料進行一樹狀資料結構處理程序，以產生一樹狀結構資料，其中，該樹狀結構神經元模組13係根據該預處理原始資料、該等神經元121進行該樹狀資料結構處理程序，以產生該樹狀結構資料，並且傳送給該層屬權重參數模組14；其中，該樹狀結構資料包括該等神經元121構成的一個以上神經元樹狀結構121’。
進一步的請參考圖1、4所示，該層屬權重參數模組14對該樹狀結構資料進行一權重參數計算程序，以得到一權重參數資料，並且輸出給該非線性分析模組15；其中，該層屬權重參數模組14係對該樹狀結構資料中的神經元樹狀結構121’中的每一個節點分別設定對應的一權重值WL1 、WL2 …，以建立每一個節點的權重關係，進一步的該層屬權重參數模組14的激勵控制模組141具有一個以上激勵函式，該激勵控制模組141透過該拉普拉斯轉換單元1412根據該激勵函式與該權重參數資料進行一拉普拉斯運算，以產生一拉普拉斯運算結果，並且該激勵控制模組141根據該拉普拉斯運算結果透過該激勵函式切換單元1411切換對應的激勵函式，以產生對應該權重參數資料的一激勵設定資料，藉此進一步提升該權重參數資料的適應性，並且有效的對資料進行蒐集，以取得更多對應的資料，並且提供給該非線性分析模組15進行該非線性計算程序，以產生更有參考價值的非線性計算資料。
請參考圖1、4所示，進一步的，該非線性分析模組15根據接收到的權重參數資料，對該權重參數資料進行一非線性計算程序，以產生一非線性計算資料，並且輸出給該先進回饋機制輸入模組16，以透過該先進回饋機制輸入模組16輸入至該修正模組17；其中，該非線性分析模組15的非線性計算程序係根據接收到該權重參數資料後，對該權重參數資料中的權重值進行一非線性回歸分析，以得到用於分析該等權重值的變量關係，並且產生用於分析該等權重值的一回歸分析函數模型，藉此用以分析、計算該權重參數資料，透過該非線性分析模組15對該權重參數資料進行該非線性計算程序，而產生的非線性計算料，使得資料不易被盜用，也可使得資料適應不同情況。
請參考圖1、5所示，該修正模組17根據接收到的非線性計算資料，對該非線性計算資料進行一資料修正程序，以產生一資料修正回饋資訊，並且傳輸到該先進回饋機制輸出模組16’，以經由該先進回饋機制輸出模組16’傳送給該非線性分析模組15更新該非線性計算程序；其中，該修正模組17的殘差分析單元171接收到該非線性計算資料時，根據該非線性計算資料中的一個以上殘差值(誤差值)以及該回歸分析函數模型進行一殘差值計算程序，以產生一殘差分析資料，該殘差分析資料包括一殘差高斯分布數值、一殘差變數值等；該殘差分析單元171將該殘差分析資料傳送給該自我修正函式單元172，該自我修正函式單元172根據該非線性計算資料、該殘差分析資料進行一殘差修正函式計算程序，以產生該資料修正回饋資訊，此外，該訓練中斷機制單元173接收該資料修正回饋資訊，並且根據該資料修正回饋資訊判斷是否滿足一訓練中斷條件，若是該訓練中斷機制單元173產生一訓練中斷資訊，並且經由該先進回饋機制輸出模組16’輸出至該非線性分析模組15，以中斷訓練，進一步的該狀態暫存器174儲存有一個以上中斷設定轉換資料，該訓練中斷機制單元173進一步可根據該狀態暫存器174內的中斷設定轉換資料產生對應的訓練中斷資訊。
進一步的，請參考圖1、5所示，當該先進回饋機制輸出模組16’接收到該資料修正回饋資訊後，該先進回饋機制輸出模組16’根據接收到的資料修正回饋資訊、原始資料、樹狀結構資料、權重參數資料、非線性計算資料進行處理，以產生對應的一決策結果資訊，供使用者參考。
進一步的請參考圖1、5所示，當該先進回饋機制輸出模組16’將該資料修正回饋資訊傳送到該非線性分析模組15，以更新該非線性計算程序時，該非線性分析模組15還將該資料修正回饋資訊傳送給該層屬權重參數模組14，該層屬權重參數模組14將該資料修正回饋資訊傳送給該樹狀結構神經元模組13，該樹狀結構神經元模組13的跨神經元運算單元131根據接收到的資料修正回饋資訊進行一神經元資料更新程序，以產生對應的一神經元更新資料，並且透過該神經元權重更新單元132更新該樹狀結構資料、該權重參數資料以及傳送給該非對稱隱藏層輸入模組12以更新該預處理原始資料，也就是更新該樹狀結構資料中的神經元樹狀結構121’的神經元的權重值。藉此在分析、訓練的過程中根據該資料修正回饋資訊持續修正各神經元121的相關參數，以突破傳統僅能更具決策結果更新神經元的限制，藉此提升訓練效率及準確性。
進一步的，請參考圖2、5所示，該樹狀搜尋模組18透過該重複節點防制單元181根據該樹狀結構資料的該神經元樹狀結構121’判斷是否有重複的神經元節點，若是，則產生一節點重複資訊，以產生對應的一訓練中斷資訊，並且經由該先進回饋機制輸出模組16’輸出至該非線性分析模組15，以中斷訓練；進一步的，該上限信賴區間搜尋單元182根據對應的資料修正回饋資訊、原始資料、樹狀結構資料、權重參數資料、非線性計算資料進行處理，以產生對應的一上限信賴區間資訊，並且該上限信賴區間搜尋單元182根據該上限信賴區間資訊及該資料修正回饋資訊判斷是否不符合(超出)該上限信賴區間資訊，若是產生對應的一訓練中斷資訊，並且經由該先進回饋機制輸出模組16’輸出至該非線性分析模組15，以中斷訓練，其中，該上限信賴區間搜尋單元182係透過一上限信賴區間(Upper Confidence Bounds to Trees)演算法，配合該上限信賴區間搜尋單元182內的一個以上自有的判斷機制，藉此對於較深層次的資料變化類型的利用，和對於較少數的資料位移探索，能夠以更有效率的方式取得資料處理的平衡。
透過上述內容可知，藉由對資料的處理，以及根據該修正結果資訊對本發明系統的各樣參數進行更新，藉此使得本發明系統所提供的一決策結果得以適應各種情況，以提升決策結果的參考價值性、實用性。
根據上述內容，進一步可歸納一類神經人工智慧決策網路核心系統的資訊處理方法，請參考圖1、6所示，係由一電子裝置10安裝一個以上應用程式，並且由該電子裝置10執行以下步驟： 接收一原始資料(S31)； 根據該原始資料產生一預處理原始資料(S32)； 根據該預處理原始資料產生一樹狀結構資料(S33)； 對該樹狀結構資料進行權重計算，以得到一權重參數資料(S34)； 根據該權重參數資料進行一非線性計算程序，以產生一非線性計算資料(S35)； 對該非線性計算資料進行修正，以產生一資料修正回饋資訊(S36)； 根據該資料修正回饋資訊更新該非線性計算程序，以及輸出對應的一決策結果資訊(S37)。
當上述步驟執行至「對該樹狀結構資料進行一權重參數計算程序，以得到一權重參數資料(S34)」的步驟，該方法更進一步包括以下次步驟： 對該權重參數資料進行一拉普拉斯運算，以產生一拉普拉斯運算結果； 根據一個以上激勵函式及該拉普拉斯運算結果產生對應該權重參數資料的一激勵設定資料。
當上述步驟執行至「對該非線性計算資料進行一資料修正程序，以產生一資料修正回饋資訊(S36)；」的步驟，該方法更包括以下次步驟： 根據該非線性計算資料進行一殘差值計算程序，以產生一殘差分析資料； 根據該殘差分析資料、該非線性計算資料進行一殘差修正函式計算程序，以產生該資料修正回饋資訊。
進一步的，當上述步驟執行「根據該殘差分析資料、該非線性計算資料進行一殘差修正函式計算程序，以產生該資料修正回饋資訊」的步驟後，該方法進一步包括以下步驟： 根據該資料修正回饋資訊判斷是否滿足一訓練中斷條件； 若是，產生一訓練中斷資訊；或者 根據該樹狀結構資料判斷是否有重複的神經元節點； 若是，則產生一節點重複資訊，並且產生對應的一訓練中斷資訊。
進一步的，當上述步驟執行至「根據該資料修正回饋資訊更新該非線性計算程序，以及輸出對應的一決策結果資訊(S37)」的步驟，該方法更包括以下次步驟： 根據該資料修正回饋資訊進行一神經元資料更新程序，以產生對應的一神經元更新資料； 根據該神經元更新資料更新該樹狀結構資料、該權重參數資料。
進一步的，當上述執行「根據該殘差分析資料、該非線性計算資料進行一殘差修正函式計算程序，以產生該資料修正回饋資訊」的步驟後，該方法進一步包括以下步驟： 根據對應的資料修正回饋資訊、原始資料、樹狀結構資料、權重參數資料、非線性計算資料進行處理，以產生對應的一上限信賴區間資訊； 判斷該資料修正回饋資訊是否不符合該上限信賴區間資訊； 若是，產生對應的一訓練中斷資訊。
10:電子裝置 11:非監督式類神經網路介面模組 12:非對稱隱藏層輸入模組 121:神經元 121’:神經元樹狀結構 13:樹狀結構神經元模組 131:跨神經元運算單元 132:神經元權重更新單元 14:層屬權重參數模組 141:激勵控制模組 1411:激勵函式切換單元 1412:拉普拉斯轉換單元 15:非線性分析模組 16:先進回饋機制輸入模組 16’:先進回饋機制輸出模組 17:修正模組 171:殘差分析單元 172:自我修正函式單元 173:訓練中斷機制單元 174:狀態暫存器 18:樹狀搜尋模組 181:重複節點防制單元 182:上限信賴區間搜尋單元 S31、S32、S33、S34、S35、S36、S37:步驟
圖1 係本發明較佳實施例的系統架構方塊圖。 圖2 係本發明較佳實施例的另一系統架構方塊圖。 圖3 係本發明較佳實施例的應用示意圖。 圖4 係本發明較佳實施例的另一應用示意圖。 圖5 係本發明較佳實施例的又一應用示意圖。 圖6 係本發明較佳實施例的方法流程圖。
10:電子裝置
11:非監督式類神經網路介面模組
12:非對稱隱藏層輸入模組
13:樹狀結構神經元模組
131:跨神經元運算單元
132:神經元權重更新單元
14:層屬權重參數模組
141:激勵控制模組
1411:激勵函式切換單元
1412:拉普拉斯轉換單元
15:非線性分析模組
16:先進回饋機制輸入模組
16’:先進回饋機制輸出模組
17:修正模組
171:殘差分析單元
172:自我修正函式單元
173:訓練中斷機制單元
174:狀態暫存器

Claims (11)

  1. 一種類神經人工智慧決策網路核心系統的資訊處理方法，係由一電子裝置安裝一個以上應用程式，並且由該電子裝置執行以下步驟： 接收一原始資料； 根據該原始資料產生一預處理原始資料； 根據該預處理原始資料產生一樹狀結構資料； 對該樹狀結構資料進行權重計算，以得到一權重參數資料； 根據該權重參數資料進行一非線性計算程序，以產生一非線性計算資料； 對該非線性計算資料進行修正，以產生一資料修正回饋資訊； 根據該資料修正回饋資訊更新該非線性計算程序，以及輸出對應的一決策結果資訊。
  2. 如請求項1所述之類神經人工智慧決策網路核心系統的資訊處理方法，其中，當上述步驟執行至「對該樹狀結構資料進行一權重參數計算程序，以得到一權重參數資料」的步驟，該方法更包括包括以下次步驟： 對該權重參數資料進行一拉普拉斯運算，以產生一拉普拉斯運算結果； 根據一個以上激勵函式及該拉普拉斯運算結果產生對應該權重參數資料的一激勵設定資料。
  3. 如請求項2所述之類神經人工智慧決策網路核心系統的資訊處理方法，其中，當上述步驟執行至「對該非線性計算資料進行一資料修正程序，以產生一資料修正回饋資訊」的步驟，該方法更包括以下次步驟： 根據該非線性計算資料進行一殘差值計算程序，以產生一殘差分析資料； 根據該殘差分析資料、該非線性計算資料進行一殘差修正函式計算程序，以產生該資料修正回饋資訊。
  4. 如請求項3所述之類神經人工智慧決策網路核心系統的資訊處理方法，其中，當上述步驟執行「根據該殘差分析資料、該非線性計算資料進行一殘差修正函式計算程序，以產生該資料修正回饋資訊」的步驟後，該方法進一步包括以下步驟： 根據該資料修正回饋資訊判斷是否滿足一訓練中斷條件； 若是，產生一訓練中斷資訊；或者 根據該樹狀結構資料判斷是否有重複的神經元節點； 若是，則產生一節點重複資訊，並且產生對應的一訓練中斷資訊。
  5. 如請求項3所述之類神經人工智慧決策網路核心系統的資訊處理方法，其中，當上述步驟執行至「根據該殘差分析資料、該非線性計算資料進行一殘差修正函式計算程序，以產生該資料修正回饋資訊」的步驟後，該方法進一步包括以下步驟： 根據對應的資料修正回饋資訊、原始資料、樹狀結構資料、權重參數資料、非線性計算資料進行處理，以產生對應的一上限信賴區間資訊； 判斷該資料修正回饋資訊是否不符合該上限信賴區間資訊； 若是，產生對應的一訓練中斷資訊。
  6. 如請求項4或5所述之類神經人工智慧決策網路核心系統的資訊處理方法，其中，當上述步驟執行至「根據該資料修正回饋資訊更新該非線性計算程序，以及輸出對應的一決策結果資訊」的步驟，該方法更包括以下次步驟： 根據該資料修正回饋資訊進行一神經元資料更新程序，以產生對應的一神經元更新資料； 根據該神經元更新資料更新該樹狀結構資料、該權重參數資料。
  7. 一種類神經人工智慧決策網路核心系統，其包括： 一電子裝置，接收一原始資料； 一非監督式類神經網路介面模組，連結該電子裝置； 一非對稱隱藏層輸入模組，透過該非監督式類神經網路介面模組接收該原始資料，並執行一資料預處理程序以產生一預處理原始資料； 一樹狀結構神經元模組，連結該非對稱隱藏層輸入模組，包括多個神經元節點，並根據接收到的預處理原始資料進行一樹狀資料結構處理程序，以產生一樹狀結構資料； 一層屬權重參數模組，連結該樹狀結構神經元模組，並根據該樹狀結構資料進行一權重參數計算程序以得到一權重參數資料； 一非線性分析模組，連結該層屬權重參數模組，並根據該權重參數資料進行一非線性計算程序以產生一非線性計算資料； 一先進回饋機制輸入模組，連結該非線性分析模組； 一修正模組，連結該先進回饋機制輸入模組及該非線性分析模組，並透過該先進回饋機制輸入模組取得該非線性計算資料，且根據該非線性計算資料進行一資料修正程序以產生並輸出一資料修正回饋資訊； 一先進回饋機制輸出模組，連結該修正模組及該非線性分析模組； 其中，該先進回饋機制輸出模組透過該修正模組取得該資料修正回饋資訊，並將該資料修正回饋資訊回傳給該非線性分析模組，以更新該非線性計算程序，以及輸出一決策結果資訊。
  8. 如請求項7所述之類神經人工智慧決策網路核心系統，其中，該層屬權重參數模組進一步包括： 一激勵控制模組，具有一個以上激勵函式，該激勵控制模組包括： 一拉普拉斯轉換單元，根據該激勵函式與該權重參數資料進行一拉普拉斯運算，以產生一拉普拉斯運算結果； 一激勵函式切換單元，根據該拉普拉斯運算結果選擇對應的激勵函式，並產生對應該權重參數資料的一激勵設定資料。
  9. 如請求項8所述之類神經人工智慧決策網路核心系統，其中，該修正模組進一步包括： 一殘差分析單元，根據該非線性計算資料進行一殘差值計算程序，以產生一殘差分析資料； 一自我修正函釋單元，該非線性計算資料、該殘差分析資料進行一殘差修正函式計算程序，以產生該資料修正回饋資訊； 一訓練中斷機制單元，根據該資料修正回饋資訊判斷是否滿足一訓練中斷條件，若是則產生一訓練中斷資訊，並經由該先進回饋機制輸出模組輸出至該非線性分析模組； 一暫存器模組，儲存有供該訓練中斷機制單元使用的一個以上中斷設定轉換資料。
  10. 如請求項9所述之類神經人工智慧決策網路核心系統，其中，該非線性分析模組將該資料修正回饋資訊傳送給該層屬權重參數模組，該層屬權重參數模組將該資料修正回饋資訊傳送給樹狀結構神經元模組以進行處理，其中該樹狀結構神經元模組進一步包括： 一跨神經元運算單元，根據接收到的資料修正回饋資訊進行一神經元資料更新程序，以產生對應的一神經元更新資料； 一神經元重更新單元，根據該神經元更新資料，更新該樹狀結構資料及該權重參數資料，以及傳送給該非對稱隱藏層輸入模組更新該預處理原始資料。
  11. 如請求項10所述之類神經人工智慧決策網路核心系統，其中，進一步包括一樹狀搜尋模組，該樹狀搜尋模組連結該樹狀結構神經元模組、該修正模組及該先進回饋機制輸出模組，該樹狀搜尋模組具有： 一重複節點防制單元，根據該樹狀結構資料判斷是否有重複的神經元節點，若是，則產生一節點重複資訊，並且產生對應的一訓練中斷資訊； 一上限信賴區間搜尋單元，根據對應的資料修正回饋資訊、原始資料、樹狀結構資料、權重參數資料、非線性計算資料進行處理，以產生對應的一上限信賴區間資訊，並且該上限信賴區間搜尋單元根據該上限信賴區間資訊及該資料修正回饋資訊判斷是否不符合該上限信賴區間資訊，若是，則產生對應的一訓練中斷資訊。
TW108131431A 2019-08-30 2019-08-30 類神經人工智慧決策網路核心系統及其資訊處理方法 TWI709090B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW108131431A TWI709090B (zh) 2019-08-30 2019-08-30 類神經人工智慧決策網路核心系統及其資訊處理方法
US16/660,978 US11580404B2 (en) 2019-08-30 2019-10-23 Artificial intelligence decision making neuro network core system and information processing method using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108131431A TWI709090B (zh) 2019-08-30 2019-08-30 類神經人工智慧決策網路核心系統及其資訊處理方法

Publications (2)

Publication Number Publication Date
TWI709090B TWI709090B (zh) 2020-11-01
TW202109377A true TW202109377A (zh) 2021-03-01

Family

ID=74202252

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108131431A TWI709090B (zh) 2019-08-30 2019-08-30 類神經人工智慧決策網路核心系統及其資訊處理方法

Country Status (2)

Country Link
US (1) US11580404B2 (zh)
TW (1) TWI709090B (zh)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003015026A1 (en) * 2001-08-10 2003-02-20 Saffron Technology, Inc. Artificial neurons including weights that define maximal projections
US9015093B1 (en) * 2010-10-26 2015-04-21 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
CN103078054B (zh) * 2013-01-04 2015-06-03 华中科技大学 一种模拟生物神经元和神经突触的单元、装置及方法
EP3272611B1 (en) * 2015-04-21 2019-07-24 Panasonic Intellectual Property Management Co., Ltd. Information processing system, information processing method, and program
EP3410414A1 (en) * 2017-05-31 2018-12-05 Panasonic Intellectual Property Corporation of America Information processing method, information processing apparatus, system, and storage medium
CN107563279B (zh) * 2017-07-22 2020-12-22 复旦大学 针对人体属性分类的自适应权重调整的模型训练方法
US10217028B1 (en) * 2017-08-22 2019-02-26 Northrop Grumman Systems Corporation System and method for distributive training and weight distribution in a neural network
CN108205707A (zh) * 2017-09-27 2018-06-26 深圳市商汤科技有限公司 生成深度神经网络的方法、装置和计算机可读存储介质
US11270187B2 (en) * 2017-11-07 2022-03-08 Samsung Electronics Co., Ltd Method and apparatus for learning low-precision neural network that combines weight quantization and activation quantization
US11315012B2 (en) * 2018-01-12 2022-04-26 Intel Corporation Neural network training using generated random unit vector

Also Published As

Publication number Publication date
TWI709090B (zh) 2020-11-01
US11580404B2 (en) 2023-02-14
US20210065008A1 (en) 2021-03-04

Similar Documents

Publication Publication Date Title
Gauci et al. Horizon: Facebook's open source applied reinforcement learning platform
Humphreys et al. A data-driven approach for learning to control computers
TW202203093A (zh) 類神經網路人工智慧決策核心系統
US9984336B2 (en) Classification rule sets creation and application to decision making
Mao et al. Towards a trust prediction framework for cloud services based on PSO-driven neural network
WO2021175058A1 (zh) 一种神经网络架构搜索方法、装置、设备及介质
CN113408743A (zh) 联邦模型的生成方法、装置、电子设备和存储介质
CN110782042A (zh) 横向联邦和纵向联邦联合方法、装置、设备及介质
Hammou et al. Apra: An approximate parallel recommendation algorithm for big data
CN110188910A (zh) 利用机器学习模型提供在线预测服务的方法及系统
CN110943983A (zh) 基于安全性态势感知与风险评估的网络安全预防方法
Xu et al. Error bounds of imitating policies and environments for reinforcement learning
CN111625258B (zh) 默克尔树更新方法、装置、设备及可读存储介质
CN112884163B (zh) 基于联邦机器学习算法与云端反馈的组合服务评估方法与系统
He et al. Transferrable model-agnostic meta-learning for short-term household load forecasting with limited training data
CN108694232A (zh) 一种基于信任关系特征学习的社会化推荐方法
Paul et al. Database workload characterization with query plan encoders
CN105955882A (zh) 一种迭代学习模型行为相似性的测试用例生成方法和装置
Mutlu et al. End-to-end hierarchical fuzzy inference solution
Mei et al. Model provenance management in MLOps Pipeline
JPH04205626A (ja) エキスパートシステム
TWI709090B (zh) 類神經人工智慧決策網路核心系統及其資訊處理方法
CN112541556A (zh) 模型构建优化方法、设备、介质及计算机程序产品
Li et al. MrTF: model refinery for transductive federated learning
TWM598974U (zh) 類神經人工智慧決策網路核心系統