[发明专利]一种基于插件式模型的可重用、可扩展机器学习方法

权利要求书

1.一种基于插件式模型的可重用、可扩展机器学习方法，其特征在于，以轻量级特征学习模型作为基本单元，构造可复用、插件化模型实现目标部件定位与属性分析，为描述部件特征与部件组成方式提供生成式语义描述框架所必需的语义内容，形成样本数据的时、空间概率分布，并作为目标模式匹配的重要依据，完成目标的智能分析、学习与精准、快速辨识任务。

2.如权利要求1所述的一种基于插件式模型的可重用、可扩展机器学习方法，其特征在于，具体包括以下步骤：

步骤一、设计基于模型复杂度控制的轻量级特征学习模型；

步骤二、提取样本复杂度控制的目标基础视觉概念；

步骤三、得到样本、模型复杂度协同控制的共性特征学习与生成模型。

3.如权利要求2所述的一种基于插件式模型的可重用、可扩展机器学习方法，其特征在于，步骤一具体为：

步骤1.1对深度学习网络进行压缩、调优处理；

步骤1.2设计基于多层条件随机投影的特征学习网络。

4.如权利要求3所述的一种基于插件式模型的可重用、可扩展机器学习方法，其特征在于，步骤1.1具体为：

首先分析嵌入式平台在资源方面对轻量级模型的需求，接着根据特征学习网络自身的结构特点，在初始权重随机的条件下，研究网络结构变换、压缩技术，最后在结构压缩的基础上，对网络中参数进行压缩、调优处理。

5.如权利要求3所述的一种基于插件式模型的可重用、可扩展机器学习方法，其特征在于，步骤1.2具体为：

对特征数据进行随机投影，并通过投影后数据的标签信息寻找类内最优的投影方向，以此使得不同类别的数据投影方向差异最大，以此来达到区分不同类别的目的，通过VC维与隐层节点数量之间的关联，将VC维进行近似改进，使其成为凹函数，通过寻找最低点来找到最优的节点数，通过分析各个节点上参数权重的概率分布，寻找最优的节点参数进行网络训练，实现具有指向性的特征映射模型，增强非线性随机特征的类别间可分性。