[发明专利]一种自适应神经网络学习方法及神经网络系统

说明书

本发明公开了一种自适应神经网络学习方法及该神经网络系统，该神经网络系统包含：输入层、隐含层、输出层和知识库，该方法包含：(1)新建并初始化知识库，对隐含层和输出层的权值调整并使输出结果相似度满足收敛条件；(2)在线自适应学习，对于某一输入数据将该组连接权值作为初始值，使用学习算法，得到输出结果；(3)判断输出结果和对应的期望输出的相似度是否满足要求：当满足要求时，则输出结果；否则，重复步骤(2)，历遍知识库中的所有知识，仍未找到，则视该数据为一项新知识的样本；(4)按照步骤(1)对连接权值进行调整，添加到知识库中。本发明的方法能够处理和判别内外数据、新旧数据，实现在线自适应学习和识别功能。

技术领域

本发明属于人工智能技术领域，具体涉及一种自适应神经网络学习方法及神经网络系统。

背景技术

在人工智能学科之内，神经网络的研究成果已经被成功地移植到相当多的领域中，比如决策支持、人脸识别、知识库系统、专家系统和情感机器人等。在表示传统研究中，大多数模型一般工作在已经解释好的领域中：即对于解释的上下文，系统设计者通常都会给出一些隐含的先验约定，在这种约定下，很难随着问题求解过程的进展而将上下文、目标或表示进行转换。

目前，形象思维模拟的主要手段是以模拟与复制形象思维相关的“象智”—人工神经网络联接为主的联接机制。从计算处理方法上来说，联接机制方法另辟了新的途径，就是采用并行处理及分布式表达的方法。具体来说，这种方法用“若干个结点，每两个结点间可以连接起来的网络”表示信息。以往用以表示知识的语义网络是一个结点与一个概念对应，而人工神经网络是以结点的一种分布模式以及加权量的大小与一个概念对应，这样即使每个结点上的信息属性发生了畸变与失真，也不至于使网络所表达的概念的属性产生重大的变化。另外，有些共同的单元上的信息也可以用来表达相类似的概念，但用包括上述神经网络联接方法在内的各种方法来模拟形象思维也和逻辑思维的符号化表示一样，未能获得完全成功。

神经网络系统能够对输入进行识别，它将输入相关知识和语法规律以神经网络结构和神经元连接权值来表示，它甚至具有一定程度的容错性。神经网络系统是数据驱动的，而且分不清这些数据来源是内部还是外部，是新数据还是旧数据。神经网络训练好以后，假设输入到系统中的是训练集中不包含的数据，也就是一个新的数据样本，神经网络不能判断这个输入相对于它的知识是不是新信息，也不能主动学习这个新数据，反而用训练过程得到的知识对这个新数据样本进行错误判断。或者，在线训练过程中，神经网络没有区分那些是自己已有的知识状态，那些是外部输入数据，总是无差别处理。

发明内容

本发明的目的是提供一种自适应神经网络学习方法及神经网络系统，该方法解决了现有神经网络系统不能区分新旧数据及学习的问题，能够处理和判别内外数据、新旧数据，实现在线自适应学习和识别功能。

为了达到上述目的，本发明提供了一种自适应神经网络学习方法，神经网络系统包含：输入层、隐含层、输出层和知识库，该知识库K＝(S₁,S₂……S_m)，S_b为神经网络连接权值，S_b＝(V|W|Y)，b＝1,2……m，Y是期望输出，V和W分别为网络隐含层的连接权值和输出层的连接权值。

该方法包含：

(1)新建并初始化知识库：获得训练集合的知识，每项知识对应一组隐含层的连接权值V和输出层的连接权值W，对训练过程中的隐含层和输出层的权值进行调整，并使输出结果相似度E满足收敛条件，确定最终输出的连接权值；

(2)在线自适应学习，搜索所述知识库中任意一项知识，获得其对应的隐含层的连接权值V和输出层的连接权值W，对于某一输入数据将该组连接权值作为初始值，使用步骤1中权值的调整对连接权值进行调整，连续运算规定的学习次数N，得到实际运算的输出结果；