[发明专利]一种用于大菠萝扑克首轮摆法的卷积神经网络结构模型

权利要求书

1.一种用于大菠萝扑克首轮摆法的卷积神经网络结构模型，其特征在于：所述卷积神经网络结构模型由输入层、隐藏层和输出层三部分组成，首先将手牌信息和牌桌信息经过数据预处理后输入卷积神经网络结构模型的输入层，经隐藏层处理后由输出层输出结果，输出结果根据数据预处理的处理规则，反向处理后输出大菠萝扑克首轮5张牌的摆放位置。

2.根据权利要求1所述的一种用于大菠萝扑克首轮摆法的卷积神经网络结构模型，其特征在于，所述数据预处理的具体过程为：将摆放好的大菠萝扑克的摆牌位置用数字代替，头道设为2，中道设为1，尾道设为0，将摆牌位置以数字表示出来后用三进制进行编码，并将三进制编码中不会出现的7种摆法排除后并将后位前移，所述不会出现的7种摆法为：22202、对应三进制编码236；22122、对应三进制编码233；22022、对应三进制编码224；21222、对应三进制编码215；20222、对应三进制编码188；12222、对应三进制编码161；02222、对应三进制编码80；最终生成范围为0-231的232种摆法。

3.根据权利要求1所述的一种用于大菠萝扑克首轮摆法的卷积神经网络结构模型，其特征在于：所述输入层为7个17×17的0-1矩阵，第1个矩阵存储第一张手牌的信息，第2个矩阵存储第二张手牌的信息，第3个矩阵存储第三张手牌的信息，第4个矩阵存储第四张手牌的信息，第5个矩阵存储第五张手牌的信息，第6个矩阵存储第一张手牌至第五张手牌全部信息的总和，第7个矩阵存储牌桌上敌人已亮牌的信息。

4.根据权利要求1所述的一种用于大菠萝扑克首轮摆法的卷积神经网络结构模型，其特征在于，所述隐藏层的具体结构从左至右依次为：第一层卷积层，卷积核大小为3×3，卷积核个数为32个，步数为1，激励函数为ReLU函数；第二层卷积层，卷积核大小为3×3，卷积核个数为32个，步数为1，激励函数为ReLU函数；第三层最大池化层，池化范围为2×2，即对第二层卷积层中对应的2×2范围内的4个值取最大值进入本层，步数为2；第四层卷积层，卷积核大小为3×3，卷积核个数为64个，步数为1，激励函数为ReLU函数；第五层卷积层，卷积核大小为3×3，卷积核个数为64个，步数为1，激励函数为ReLU函数；第六层最大池化层，池化范围为2×2，即对第五层卷积层中对应的2×2范围内的4个值取最大值进入本层，步数为2；第七层dropout层，拥有1024个节点，丢弃概率为50％，激励函数为ReLU函数；所述卷积层的卷积公式如下：

xi,ja=f(Σl=02Σm=02wl,mxi+l,j+ma-1+b)]]>

其中，表示第a层中(i,j)点的值，表示第a-1层中(i,j)点的值，w_l，m表示卷积核上的第(l,m)点的参数，b表示卷积核的偏置，f表示激励函数，其为ReLU函数，公式如下：

f(x)＝max(0,x)。

5.根据权利要求1所述的一种用于大菠萝扑克首轮摆法的卷积神经网络结构模型，其特征在于：所述输出层有232个节点，一一对应大菠萝扑克首轮5张牌的232种不同摆法，其激励函数为softmax函数，函数表示如下：

yp=exp(xp)Σq=0C-1exp(xq)]]>

其中，C表示输出层的节点总数，在本卷积神经网络结构模型中为232，y_p表示第p个节点的输出值，x_p表示第p个节点的输入值。