一种基于fisher信息矩阵的主动深度学习方法
专利汇可以提供一种基于fisher信息矩阵的主动深度学习方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于fisher信息矩阵的主动 深度学习 方法，包括以下步骤：选取若干不同的高斯分布函数，构建训练样本和测试样本；利用稀疏自动 编码器 ，对训练样本进行无监督自编码深度网络学习，并在进行无监督自编码深度网络学习之后，再次对训练样本进行监督自编码深度网络学习，得出训练样本分类结果；利用稀疏自动编码器，将测试样本输入深度网络，得到测试样本分类结果，并利用fisher信息矩阵 算法 公式，从测试样本分类结果中选取最小泛化误差样本；将选取的最小泛化误差样本加入到训练样本分类结果中。本发明对数据的分类 精度 有一定的提高，同时也显著的减少了所需的样本数。，下面是一种基于fisher信息矩阵的主动深度学习方法专利的具体信息内容。
1.一种基于fisher信息矩阵的主动深度学习方法，其特征在于，包括以下步骤：
选取若干不同的高斯分布函数，构建训练样本和测试样本；
利用稀疏自动编码器，对所述训练样本进行无监督自编码深度网络学习，并在进行无监督自编码深度网络学习之后，再次对训练样本进行监督自编码深度网络学习，得出训练样本分类结果；
利用稀疏自动编码器，将所述测试样本输入深度网络，得到测试样本分类结果，并利用fisher信息矩阵算法公式，从测试样本分类结果中选取最小泛化误差样本；
将选取的所述最小泛化误差样本加入到所述训练样本分类结果中。
2.根据权利要求1所述的基于fisher信息矩阵的主动深度学习方法，其特征在于，还包括：在将选取的所述最小泛化误差样本加入到所述训练样本分类结果中后，将测试样本中的该最小泛化误差样本进行删除。
3.根据权利要求1所述的基于fisher信息矩阵的主动深度学习方法，其特征在于，还包括：在将选取的所述最小泛化误差样本加入到所述训练样本分类结果中后，对训练样本分类结果进行分析，并分析结果为训练样本分类结果与达到预定要求相符的情况下，终止训练。
4.根据权利要求3所述的基于fisher信息矩阵的主动深度学习方法，其特征在于，还包括：在分析结果为训练样本分类结果与预定要求不符的情况下，循环利用稀疏自动编码器和fisher信息矩阵算法公式对训练样本和测试样本进行训练。
5.根据权利要求1至4中任意一项所述的基于fisher信息矩阵的主动深度学习方法，其特征在于，选取若干不同的高斯分布函数为选取至少两种不同的高斯分布函数。
一种基于fisher信息矩阵的主动深度学习方法
技术领域
背景技术
发明内容
具体实施方式
步骤S103、利用稀疏自动编码器，对所述训练样本进行无监督自编码深度网络学习，并在进行无监督自编码深度网络学习之后，再次对训练样本进行监督自编码深度网络学习，得出训练样本分类结果；
步骤S105、利用稀疏自动编码器，将所述测试样本输入深度网络，得到测试样本分类结果，并利用fisher信息矩阵算法公式，从测试样本分类结果中选取最小泛化误差样本；
步骤S107、将选取的所述最小泛化误差样本加入到所述训练样本分类结果中。
其中，J(W,b)是整体样本代价函数，它包含权重衰减项。
其中，上述公式是一个以ρ为均值和一个以 为均值的两个伯努利随机变量之间的相对熵。
2.D-最优：最小化逆矩阵的行列式。3.E-最优：最小化逆矩阵的最大特征值。本发明选择A-最优设计，考虑让参考矩阵A＝Iu(θ)，即fisher信息的无标记样本u,并让F＝Ix(θ),即fisher信息的一些查询样本x。使用A-最优设计，从而推导出费舍尔信息比率[0024] 神经网络的定义：
本发明讨论三层感知器模型：
其中 w,μ代表权重, 代表偏差，k
代表输入向量个数，j代表隐层输出向量个数，i代表输出层输出向量个数。s函数为系统的期望输出为f(x),实际输出为y,则为了得到一个输入一输出D＝
(v) (v) (v)
{x ,y }|v＝{1,...N},需要选择一组输入样本集XN＝{x },并将它们输入到多层感知器进(v)
行训练,得到一组输出向量{y },则主动学习的关键问题就可以转化为：确定一组训练样本Xn使得最小均方误差值 最小：
值,第一项和第二项分别是模型的方差和偏差。在实际应用中,偏差一般很难明确描述出来,故本发明假设模型的偏差值足够小,可以忽略不计。
E[εgen]≈σTr[I(θ0)J (θ0；XN)]。
其中，矩阵I(θ)和J(θ；XN)分别为fisher信息矩阵和渐进协方差矩阵,。在上边的公式中，矩阵I(θ)是环境概率Q的平均值，而J(θ；XN)是通过经验数据XN的计算值；用当前估计值 来代替未知参数θ0，就可以适当调整主动学习的标准如下式：
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种高稳定有源传输接头 | 2020-08-22 | 1 |
| 基于深度学习的医学文献中关键词筛选方法及装置 | 2021-09-09 | 2 |
| 基于视觉测量的消防机器人上水带接头对接方法及系统 | 2020-06-12 | 0 |
| 基于深度学习的尿沉渣显微图像有形成分识别方法 | 2021-05-19 | 2 |
| 基于深度学习及多特征点融合的行人检测方法 | 2023-01-02 | 2 |
| 一种基于fisher信息矩阵的主动深度学习方法 | 2023-10-01 | 0 |
| 一种基于深度学习与迁移学习的乳腺病变区域检测方法 | 2021-06-20 | 2 |
| 一种基于深度学习的航道内运动船舶目标检测方法 | 2022-01-15 | 0 |
| 一种基于人工智能施工进度管理办法 | 2021-07-02 | 2 |
| 一种基于深度学习的腔镜医学影像识别系统及其识别方法 | 2021-05-14 | 2 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
