[发明专利]基于二维数据的动态神经网络模型训练方法和装置

摘要

本发明公开了一种动态神经网络模型的训练方法和装置，训练方法包括将原始二维数据输入到第一层神经元，相应的输出值即该层特征，然后增加神经元层数，将上层输出的特征作为下一层神经元的输入，得到相应层的特征，重复该步骤直至层数达到预设值；在最终的输出特征与分类的类别之间建立全连接层，通过BP反向传播算法确定全连接层间的连接系数；其中，将神经元建模为动态神经元；评价模型性能，若性能达到预期，训练结束；反之，继续在生成的网络模型中增加新的神经元层直至模型性能达到预期。本发明的方法能够更加高效地提取数据特征，从而提高训练效率。

主权项

一种基于二维数据的动态神经网络模型的训练方法，其特征在于，包括以下步骤：步骤一：将原始二维图像数据作为第一层神经元的输入，经过动态神经网络的处理，相应的输出值即该层特征；步骤二：增加神经元层数，将上层输出的特征作为下一层神经元的输入，得到相应层的特征，重复该步骤直至层数达到某个预设值；步骤三：在最终的输出特征与分类的类别之间建立全连接层，通过BP反向传播算法确定全连接层间的连接系数；步骤四：评价模型性能，若性能已达到预期，模型深度不再增加；反之，继续在生成的网络模型中增加新的神经元层，直至模型深度达到预设阈值；其中，所述神经元被建模为动态神经元；所述动态神经元的结构为：其中A(l)，B(l)，C(l)分别为n(l)×n(l)阶、n(l)×n(l)阶、n(l)×1阶矩阵，表示第l层神经元的状态矩阵、拓扑连接矩阵、以及特征提取矩阵，C(l)T表示矩阵C(l)的转置；x(l)，u(l)分别为n(l)×n(l)、n(l)×n(l)矩阵，分别表示一个神经元的状态个数以及能处理的输入数据维数，n(l)的值与所在层的状态及拓扑连接相关。