[发明专利]随机权网络泛化能力改进方法及装置

权利要求书

1.一种随机权网络泛化能力改进方法，其特征在于，所述方法包括：

步骤1：利用训练样本训练随机权网络RWN^(r)，得到训练后的随机权网络RWN^(r+1)，及所述训练样本中各样本的不确定性值，其中，r的初始值为0，且为初始训练样本，RWN⁽⁰⁾为初始随机权网络；

步骤2：从所述训练样本中选择不确定性值最大的目标样本，利用所述目标样本与预置的邻域控制因子生成仿真样本；

步骤3：计算所述仿真样本与所述训练样本的并集，将所述并集作为新的训练样本

步骤4：令r＝r+1，返回所述步骤1，直至r＝R时，在执行所述步骤1之后，结束训练过程，以得到改进后的随机权网络RWN^(R)，R为预先设置的迭代训练次数；

所述利用所述目标样本与预置的邻域控制因子生成仿真样本，包括：

利用所述目标样本及所述邻域控制因子，确定待生成的仿真样本的输入层输入矩阵的取值范围及输出层输出矩阵的取值范围；

从所述输入层输入矩阵的取值范围中随机提取随机数，利用提取的随机数生成仿真样本的输入层输入矩阵；从所述输出层输出矩阵的取值范围中随机提取随机数，利用提取的随机数生成仿真样本的输出层输出矩阵；

其中，所述输入层输入矩阵的取值范围及输出层输出矩阵的取值范围分别为：

其中，表示第r次训练得到的目标样本的输入层输入，表示第r次训练得到的目标样本的输出层输出，δ表示所述邻域控制因子，表示所述目标样本的输入层输入中最大值与最小值之间的差值，表示所述目标样本的输出层输出。

2.根据权利要求1所述的方法，其特征在于，所述利用训练样本对随机权网络RWN^(r)进行训练，得到所述训练样本中各样本的不确定性值，包括：

利用训练样本对随机权网络RWN^(r)进行训练，得到输出层输出矩阵；

将所述输出层输出矩阵作为所述训练样本的真实输出，计算所述真实输出与所述训练样本的实际输出之间的误差，将所述误差作为所述训练样本中各样本的不确定性值。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

从预置的任意区间内取M个作为输入层权重的随机数及取P个作为隐含层偏置的随机数；

计算所述M个随机数的第一平均值，按照所述第一平均值设置所述初始随机权网络RWN⁽⁰⁾的输入层权重，计算所述P个随机数的第二平均值，按照所述第二平均值设置所述初始随机权网络RWN⁽⁰⁾的隐含层偏置。