[发明专利]一种基于介观体系的神经网络三体模型

说明书

本发明提供一种基于介观体系的神经网络三体模型，该神经网络三体模型内包括：学习体，主要用于从原始数据到高层介观体系的构建；记忆体，主要用于存储及重组不同介观体系内的神经元属性信息；解释体，主要作为学习体的逆向传播过程，进而实现高层介观体系对于低层介观体系的对应解释功能。本发明通过构建基于介观体系三体神经网络模型，对深度学习过程中的重要节点及本征信息加以存储，进而形成记忆体组织结构，这为深度学习的可解释性提供了重要依据与保障，为更加符合人类学习认知方式的全新神经网络发展提供新方向。

技术领域

本发明属于神经网络三体模型领域，尤其涉及一种基于介观体系的神经网络三体模型。

背景技术

近年来，工业检测、智能体作业等诸多领域对基于深度学习的大场景激光三维（Three Dimensional，3D）点云目标识别与跟踪技术需求日益强烈。然而，由于激光点云通常存在非规则化、非结构化、无序化等特性，导致传统的卷积神经网络（ConvolutionalNeural Networks，CNN）无法直接应用于此类数据。

因此，为适应复杂系统需求，提出一种基于介观体系的神经网络三体模型 对深度学习过程中的重要节点及本征信息加以存储，进而形成记忆体组织结构，这为深度学习的可解释性提供了重要依据与保障，为更加符合人类学习认知方式的全新神经网络发展提供新方向。

发明内容

为了解决上述技术问题，本发明提供1、一种基于介观体系的神经网络三体模型，其特征在于，该神经网络三体模型内包括：

学习体，主要用于从原始数据到高层介观体系的构建；

记忆体，主要用于存储及重组不同介观体系内的神经元属性信息；

解释体，主要作为学习体的逆向传播过程，进而实现高层介观体系对于低层介观体系的对应解释功能。

优选的，该方法的步骤为：

步骤1：为了构建分体式神经网络协同计算模式，需要将传统神经网络单一的学习体进行拆分重组，特别是要将重要的节点信息进行记忆存储，进而为逆向传播的解释体能够提供强保障性的解析能力；

步骤2：设计一个介观体系，所述介观体系包含多个神经元的载体，每个神经元可表示特定实体的各种属性，以及姿态矩阵和激活概率信息；

步骤3；接着通过用来自各种不同部件的预测模型对点密度进行建模，其中每个部件可以是带有仿形变换的，然后将多个高层次介观体系的激活模式组成的张量取出来，并将高维张量嵌入到低维空间中；

步骤4：最后根据分类结果为它们加上语义标签，便于解释体反向传播形成一对一的解析说明。

优选的，所述步骤2中神经元可表示特定实体的各种属性，这个属性信息是代表不同类型的实例化参数。

优选的，所述高维张量之间越相似，他们之间的距离就越小。

优选的，所述语义标签，即从每类里面取一个样本，将它的标签作为它所在类的标签。

与现有技术相比，本发明的有益效果为：

1、本发明通过构建基于介观体系三体神经网络模型，对深度学习过程中的重要节点及本征信息加以存储，进而形成记忆体组织结构，这为深度学习的可解释性提供了重要依据与保障，为更加符合人类学习认知方式的全新神经网络发展提供新方向。

2、本发明首次在原有一体化训练模型的基础上，将部分特征参数张量与解释性逆向过程分别抽离至两个不同的体系结构，进而构建起分体式协同计算的新型神经网络模型架构。

附图说明

图1是本发明的三体模型示意图；

图2是本发明的三体模型的工作流程示意图。

具体实施方式

以下结合附图对本发明做进一步描述：

实施例：