[发明专利]基于拟态机制的深度学习实现方法及系统

权利要求书

1.一种基于拟态机制的深度学习实现方法，其特征在于，包含如下内容：

针对已训练的不同类型深度学习网络模型，将每个类型的深度学习网络模型作为执行体，构建异构执行体池；

采用交通信号标志流量数据作为目标数据，利用预设选择策略从异构执行体池中选取多个深度学习网络模型对目标数据进行检测分类，并依据检测分类结果确定用于最终检测分类输出的正确分类结果及用于重训练的异常分类结果；其中，预设选择策略为随机选择策略，利用随机选择策略从异构执行体池中选择奇数个用于对目标数据进行检测分类的深度学习网络模型；

针对异常分类结果的深度学习网络模型进行下线，通过重训练来更新网络模型参数后再输送至异构执行体池进行上线。

2.根据权利要求1所述的基于拟态机制的深度学习实现方法，其特征在于，异构执行体池包含但不限于：深度信念网络深度学习模型、深度玻尔兹曼机深度学习模型、卷积神经网络深度学习模型、循环神经网络深度学习模型、回声状态网络深度学习模型、强化学习网络深度学习模型、小样本学习网络深度学习模型以及图神经网络深度学习模型。

3.根据权利要求1或2所述的基于拟态机制的深度学习实现方法，其特征在于，预设选择策略采用分组策略将各类深度学习网络模型进行归类分组，随机抽选出奇数个分组；然后再从每个分组中随机选取一个深度学习网络模型。

4.根据权利要求3所述的基于拟态机制的深度学习实现方法，其特征在于，分组策略包含但不限于：将不同层级结构的同种深度学习算法的网络模型分为一组，或者将同类深度学习算法的各变种网络模型分为一组。

5.根据权利要求1所述的基于拟态机制的深度学习实现方法，其特征在于，通过对目标原始数据进行数据预处理，通过将原始数据转换为与深度学习网络模型匹配的数据格式来获取目标数据，其中，数据预处理包含：用于数据过滤筛选的数据清洗、用于数据统一结合的数据集成、用于数据转换的数据变换及用于数据归一模范化的数据规约。

6.根据权利要求1所述的基于拟态机制的深度学习实现方法，其特征在于，利用判决器对多个深度学习网络模型检测分类结果进行综合判决来确定正确分类结果和异常分类结果。

7.根据权利要求6所述的基于拟态机制的深度学习实现方法，其特征在于，判决器采用预设准则进行综合判决，该预设准则包含但不限于多数判决法或加权判决法，其中，多数判决法中将输出结果数目最多的一类确定为正确分类结果，加权判决法依据各个深度学习网络模型在训练中检测效果对深度学习检测效果进行加权，将输出结果通过对权值求和选取最高的一类作为正确分类结果。

8.根据权利要求1所述的基于拟态机制的深度学习实现方法，其特征在于，针对异常分类结果的深度学习网络模型，利用使其异常分类的目标数据补入其原始训练样本数据中，通过对其训练的样本数据集进行扩充来重训练该深度学习网络模型。

9.一种基于拟态机制的深度学习实现系统，其特征在于，包含：构建模块、分类模块和重训练模块，其中，

构建模块，用于针对已训练的不同类型深度学习网络模型，将每个类型的深度学习网络模型作为执行体，构建异构执行体池；

分类模块，用于采用交通信号标志流量数据作为目标数据，利用预设选择策略从异构执行体池中选取多个深度学习网络模型对目标数据进行检测分类，并依据检测分类结果确定用于最终检测分类输出的正确分类结果及用于重训练的异常分类结果；其中，预设选择策略为随机选择策略，利用随机选择策略从异构执行体池中选择奇数个用于对目标数据进行检测分类的深度学习网络模型；

重训练模块，用于针对异常分类结果的深度学习网络模型进行下线，通过重训练来更新网络模型参数后再输送至异构执行体池进行上线。