[发明专利]一种车辆环境等级识别模型的训练方法、识别方法及装置在审
申请号: | 202110932521.0 | 申请日: | 2021-08-13 |
公开(公告)号: | CN113642708A | 公开(公告)日: | 2021-11-12 |
发明(设计)人: | 胡大林;胡艳玲;唐珊珊;谭哲;薛晓卿 | 申请(专利权)人: | 北京赛目科技有限公司 |
主分类号: | G06N3/04 | 分类号: | G06N3/04;G06N3/08 |
代理公司: | 北京超凡宏宇专利代理事务所(特殊普通合伙) 11463 | 代理人: | 刘凤 |
地址: | 100082 北京市*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 车辆 环境 等级 识别 模型 训练 方法 装置 | ||
1.一种车辆环境等级识别模型的训练方法,其特征在于,所述训练方法包括:
获取用于训练车辆环境等级识别模型的训练样本集和测试样本集;
按照预先设置的网络超参数,构建得到未训练的深度神经网络;
基于第一正则化系数和第二正则化系数对交叉熵损失函数进行正则化处理,得到用于衡量所述车辆环境等级识别模型的模型损失函数;
使用所述训练样本集中表征每个训练样本车辆环境的训练环境向量和每个训练样本车辆环境的环境等级标签训练所述深度神经网络,当训练次数达到预设单轮训练次数时,使用所述测试样本集以及所述模型损失函数,确定此次训练后所述深度神经网络的模型损失值;
在基于每轮训练后所述深度神经网络的模型损失值,确定所述深度神经网络的损失变化率小于预设变化阈值时,确定所述深度神经网络训练完成,得到所述车辆环境等级识别模型。
2.根据权利要求1所述的训练方法,其特征在于,所述基于第一正则化系数和第二正则化系数对交叉熵损失函数进行正则化处理,得到用于衡量所述车辆环境等级识别模型的模型损失函数,包括:
在所述交叉熵损失函数的基础上,增加所述第一正则化系数,以通过所述第一正则化系数对所述车辆环境等级识别模型中的各个权重系数进行一次约束,得到一次约束后的交叉熵损失函数;
在所述一次约束后的交叉熵损失函数的基础上,增加所述第二正则化系数,以通过所述第二正则化系数对所述车辆环境等级识别模型中的各个权重系数进行二次约束,得到用于衡量所述车辆环境等级识别模型的模型损失函数。
3.根据权利要求2所述的训练方法,其特征在于,通过以下步骤调整所述第一正则化系数以及所述第二正则化系数:
若每轮训练后所述车辆环境等级识别模型的模型损失值呈现增加状态,则在预设的系数调节范围内,按照预设系数调节步长调节所述第一正则化系数和/或所述第二正则化系数。
4.根据权利要求1所述的训练方法,其特征在于,在得到所述车辆环境等级识别模型之后,所述训练方法还包括:
获取用于验证所述车辆环境等级识别模型的验证样本集;
利用所述验证样本集以及所述模型损失函数,确定所述车辆环境等级识别模型的验证损失值;
确定所述验证损失值与最后一轮训练后所述深度神经网络的模型损失值之间的损失差;
若所述损失差小于预设差值阈值,确定所述车辆环境等级识别模型能够用于预测车辆环境的环境等级。
5.根据权利要求1所述的训练方法,其特征在于,所述网络超参数包括网络训练层的数量、每层网络训练层中节点数量以及各个权重系数的初始值。
6.一种车辆环境等级的识别方法,其特征在于,所述识别方法包括:
获取待识别车辆的当前环境数据;
从所述当前环境数据中提取出所述当前环境数据所包括的多个环境影响因素;
基于所述多个环境影响因素以及将所述多个环境影响因素映射为参数数值的赋值映射关系,构建用于表征所述当前环境数据的环境特征向量;
将所述环境特征向量输入至通过权利要求1-5任意一项的车辆环境等级识别模型的训练方法得到的车辆环境等级识别模型中,得到所述当前环境数据的环境等级识别结果。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京赛目科技有限公司,未经北京赛目科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110932521.0/1.html,转载请声明来源钻瓜专利网。