[发明专利]基于区块链的神经网络在线学习方法及系统

权利要求书

1.一种基于区块链的神经网络在线学习方法，其特征在于，该方法包括以下步骤：

根据区块链上存储的训练好的初始DNN网络，得到初始训练集中各医疗图像对应的特征矩阵以及特征矩阵对应的准确率；

根据初始训练集中各医疗图像对应的特征矩阵以及各特征矩阵对应的准确率，计算期望特征矩阵；

将待训练数据集中各医疗图像输入到所述初始DN网络的编码器中，得到待训练数据集中各医疗图像对应的特征矩阵以及特征矩阵对应的准确率；

根据所述期望特征矩阵与待训练数据集中各医疗图像对应的特征矩阵，计算初始训练集中各医疗图像对应的关注程度；

判定初始训练集中各医疗图像对应的关注程度是否大于设定关注程度阈值，若大于，则将对应的医疗图像和所述待训练数据集共同用于更新初始DNN网络，并将更新后的DNN网络存储在区块链上。

2.根据权利要求1所述的基于区块连的神经网络在线学习方法，其特征在于，所述计算初始训练集中各医疗图像对应的关注程度的方法包括：

根据所述期望特征矩阵、所述待训练数据集中各医疗图像对应的特征矩阵以及对应的准确率，得到各特征矩阵对应的异常程度；

根据所述初始训练集中各医疗图像对应的特征矩阵和所述期望特征矩阵，计算出初始训练集差异；

根据所述初始训练集中各医疗图像对应的特征矩阵和所述待训练数据集中各医疗图像对应的特征矩阵，计算出训练集差异；

根据所述异常程度、初始训练集差异以及训练集差异，计算初始训练集中各医疗图像对应的子关注程度；

将初始训练集中各医疗图像对应的多个子关注程度求和，得到初始训练集中各医疗图像对应关注程度。

3.根据权利要求2所述的基于区块链的神经网络在线学习方法，其特征在于，所述子关注程度的计算公式为：

F(f，d)＝g_d×(||F_f-F₀||₂+||F_f-F_d||₂)

其中，F(f，d)为根据待训练集中医疗图像d计算得到的初始训练集中医疗图像f对应的子关注程度，g_d为待训练数据集中医疗图像d对应的异常程度，F_f为初始训练集中医疗图像f对应的特征矩阵，F_d为待训练数据集中医疗图像d对应的特征矩阵，F₀为所述期望特征矩阵。

4.根据权利要求3所述的基于区块链的神经网络在线学习方法，其特征在于，采用如下计算公式计算所述异常程度：

g_d＝exp(-α_d)||F_d-F₀||₂

其中，α_d为待训练数据集中的医疗图像d在初始DNN网络上的准确率，|| ||₂为L2范式。

5.根据权利要求3所述的基于区块链的神经网络在线学习方法，其特征在于，所述期望特征矩阵的计算公式为：

α_f为初始训练集中医疗图像f在初始DNN网络上对应的准确率，S为初始训练集中医疗图像对应的特征矩阵的集合。

6.根据权利要求1所述的基于区块链的神经网络在线学习方法，其特征在于，所述训练好的初始DNN网络是采用联邦学习方法进行训练得到的。

7.一种基于区块链的神经网络在线学习系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-6任一项所述的基于区块链的神经网络在线学习方法。